Ошибки распознавания номеров: полиция США платит компенсации за ложные задержания

По данным расследования Business Insider, автоматические системы распознавания номеров, развернутые в тысячах муниципалитетов США, стали причиной серии инцидентов, где невиновные граждане подверглись задержанию с применением оружия и нападению служебных собак. В центре внимания оказалась компания Flock Safety, чьи камеры фиксируют не только цифры и буквы, но и характеристики автомобилей: цвет, модель, вмятины и даже наклейки на бамперах. Ошибки алгоритмов привели к тому, что люди оказывались в тюрьме или получали травмы из-за неверной интерпретации данных системой.

Ситуация обострилась тем, что ошибки распознавания происходят регулярно. В одном из случаев камера приняла цифру «7» за «2», в другом — букву «O» за ноль «0». Такие неточности запускают цепную реакцию: полицейский получает сигнал о краденном автомобиле, выезжает на остановку и применяет меры принуждения. Исследования показывают, что подобные сбои не являются единичными явлениями, а представляют собой системную проблему, с которой сталкиваются правоохранительные органы по всей стране.

Масштаб внедрения и экономические показатели

Компания Flock Safety, основанная в 2017 году, за короткое время превратилась в одного из лидеров рынка видеонаблюдения. Штаб-квартира находится в Атланте, а сеть партнеров охватывает более 5000 полицейских департаментов и 1000 коммерческих организаций во всех штатах США, кроме Аляски. Финансовые показатели компании демонстрируют стремительный рост: ежегодная повторяющаяся выручка увеличилась с 7 миллионов долларов до почти полумиллиарда за последние пять лет.

В апреле 2025 года Andreessen Horowitz возглавила раунд финансирования на 275 миллионов долларов, оценив компанию в 7,5 миллиарда долларов. В штате работают более 1200 сотрудников, из которых 200 занимают позиции в отделе продаж. Инвесторами выступают такие крупные фонды, как Kleiner Perkins и Founders Fund Питера Тиля.

Технология позволяет объединять данные между департаментами. В некоторых случаях офицеры получают доступ к поиску по десяткам тысяч камер одновременно. Например, в штате Теннесси запрос мог охватывать радиус 500 миль и задействовать почти 80 000 устройств. В Висконсине одно управление шерифа за месяц обработало данные с 2,9 миллиона автомобилей через более 1000 сетей камер.

Последствия ошибок распознавания для граждан

Инциденты с ложными срабатываниями приводят к серьезным физическим и материальным потерям для обычных людей. В апреле 2024 года в Толедо Брэндон Апчерч был остановлен полицией после того, как камера Flock Safety ошибочно идентифицировала номер его грузовика Dodge Ram как украденный. Офицер Адриан Уилсон выпустил служебную собаку, которая укусила мужчину за руку и прижала голову к земле. Апчерч провел несколько часов в тюрьме, после чего обвинения были сняты, так как номера принадлежали ему легально.

Аналогичная ситуация произошла в Моррестоне (Теннесси) с семьей Херронов. Камера приняла букву «O» за цифру «0» на персонализированном номере «LOVEY». Полицейские выехали на остановку с оружием, заставили пожилую пару выйти из машины и заковали в наручники, пока их трехлетняя внучка оставалась одна в салоне. Оказалось, что система искала черный Ford F-150 с номером «L0VEY», который был уже найден, но не удален из базы данных.

Другие зафиксированные случаи включают:

• В Атертоне (Калифорния) камера перепутала букву «H» на грязном номере с «M». Владелец автомобиля Джейсон Беркльо был остановлен под угрозой оружия, арестован и позже получил компенсацию в размере 45 000 долларов.
• В Эспаньоле (Нью-Мексико) система приняла цифру «2» за «7». Девушка и ее сестра были задержаны и помещены в наручники. Город выплатил компенсацию семье в 2025 году.

Эти события демонстрируют, как техническая ошибка трансформируется в реальную угрозу безопасности граждан. Брэндон Апчерч после инцидента потерял способность поднимать тяжести, был вынужден продать свой грузовик и бизнес по уходу за газонами, а также разлучился со своими собаками из-за психологической травмы.

Технические аспекты и вопросы точности

Компания Flock Safety утверждает, что ее алгоритмы постоянно совершенствуются, но отказывается публиковать единый показатель точности. Представитель компании отметил, что результаты зависят от дизайна номерного знака, освещения и погодных условий. По словам представителя, компания не раскрывает конкретные данные об ошибках, так как они варьируются.

Однако независимые исследования выявили проблемы. В 2021 году аналитическая фирма IPVM тестировала камеры Flock и пришла к выводу, что система ошибалась в определении штата регистрации номера примерно в одном случае из десяти. Также отмечались регулярные ошибки в классификации типа автомобиля и марки. После публикации отчета компания заблокировала возможность закупки оборудования для дальнейших независимых испытаний.

Внутренние материалы обучения показывают, что пользователи могут настраивать уровень уверенности системы. Снижение этого порога позволяет получать больше сигналов, но увеличивает количество ложных срабатываний. В одном из учебных материалов для шерифа округа Дейн (Висконсин) указывалось, что при настройке высокого уровня доверия количество ошибок минимизируется. Тем не менее, в сентябре 2025 года представитель Flock на заседании совета города Коралвилл (Айова) заявил о точности распознавания около 90%, после чего компания опровергла эти данные, указав на реальную точность в диапазоне «высоких 90-х процентов».

Эксперты подчеркивают, что отсутствие прозрачности создает риски. Сенатор Рон Вайден (Орегон) и конгрессмен Ража Кришнамурти (Иллинойс) в ноябре обратились к Федеральной торговой комиссии с просьбой расследовать практики сбора данных компанией. Они отметили, что неспособность компании раскрыть частоту ошибок идентификации автомобилей является неприемлемой.

i

Создано специально для ASECTOR

Концептуальное изображение

Реакция рынка и регуляторная среда

Несмотря на успешные кейсы, такие как помощь в поиске автомобиля подозреваемого в убийстве студентов Брауновского университета, доверие к технологии начинает колебаться. Некоторые муниципалитеты приостановили или расторгли контракты с Flock Safety из-за опасений по поводу конфиденциальности и надежности данных.

В Остине (Техас) городской совет не продлил контракт после аудита, выявившего проблемы с прозрачностью использования базы данных и обменом информацией с внешними агентствами. В Кембридже (Массачусетс) договор был расторгнут после того, как компания установила две камеры без ведома города.

Правоохранительные органы также сталкиваются с необходимостью балансировать между эффективностью и рисками. Александр Данн, президент Иллинойского совета полиции, отметил, что поток сигналов от системы может создавать эффект информационной перегрузки, заставляя офицеров реагировать на каждый сигнал как на срочную угрозу.

Для минимизации рисков главным становится строгое соблюдение процедур верификации. Компания Flock Safety инструктирует всех пользователей вручную проверять любые совпадения перед принятием действий. Эксперты по праву и криминологии указывают, что ответственность лежит как на разработчиках за создание надежных алгоритмов, так и на сотрудниках полиции за проверку данных.

В настоящее время многие сообщества пересматривают свои стратегии использования систем автоматического распознавания. Некоторые департаменты уже внедрили внутренние инструкции о необходимости перепроверки информации через другие базы данных перед проведением остановки транспортного средства. Это позволяет снизить вероятность ошибочных задержаний и сохранить доверие граждан к правоохранительной системе.

Цена «умного» наблюдения: когда алгоритм становится судьей

На первый взгляд история о взрывном росте компании Flock Safety выглядит как классический пример технологического триумфа: стартап, основанный в 2017 году, за пять лет увеличил выручку с 7 миллионов до полумиллиарда долларов и привлек инвестиции от таких гигантов, как Andreessen Horowitz и Founders Fund. Оценка в 7,5 миллиарда долларов к 2025 году кажется логичным итогом успешного масштабирования. Однако за этими цифрами скрывается механизм, который работает по принципу «ловушки для охотника». Система продает полиции не только камеры, а иллюзию тотальной осведомленности, где цена ошибки перекладывается с разработчика на конкретного гражданина и его жизнь.

В основе бизнес-модели лежит создание экосистемы, объединяющей более 5000 полицейских департаментов. Это позволяет искать автомобиль в радиусе сотен миль, обрабатывая данные миллионов машин за считанные минуты. Для инвесторов это «сетевой эффект»: чем больше камер, тем ценнее база данных. Но для общества такой подход превращает случайную техническую погрешность в системный риск. Когда камера перепутала букву «O» с цифрой «0» на номере «LOVEY», система не только выдала ошибку — она запустила цепь событий, приведшую к задержанию семьи с трехлетней внучкой и применению оружия.

Здесь кроется фундаментальный парадокс: технология обещает безопасность, но генерирует хаос там, где нужна точность. Ошибки распознавания цифр «7» и «2» или букв «H» и «M» — это не редкие сбои, а неизбежное следствие работы алгоритмов в реальных условиях: грязь на номере, плохое освещение, специфический дизайн знаков. Компания отказывается публиковать единый показатель точности, ссылаясь на вариативность условий, но независимые тесты показывают погрешность до 10% даже при определении штата регистрации.

Важный нюанс: Высокая оценка компании в миллиарды долларов строится не на безупречной работе алгоритмов, а на создании зависимости правоохранительных органов от централизованной базы данных, где цена ошибки для бизнеса — лишь репутационные риски, а для человека — потеря свободы или здоровья.

Экономика ложных срабатываний и скрытые издержки

Рынок воспринимает внедрение таких систем как способ оптимизации ресурсов полиции. Однако экономика процесса работает иначе. Каждый ложный сигнал требует от офицера времени, топлива, а в худшем случае — применения физической силы. Когда система выдает 10% ошибок, это означает, что на каждые 9 реальных угроз приходится одна ложная тревога, которая может закончиться травмой или судебным иском.

В случаях с Брэндоном Апчерчем и семьей Херронов видно, как техническая неточность трансформируется в материальный ущерб для граждан. Потеря бизнеса, необходимость продавать имущество, психологические травмы — это издержки, которые не отражаются в финансовых отчетах Flock Safety. Компания зарабатывает на подписке и продаже оборудования, а убытки ложатся на плечи муниципалитетов (в виде компенсаций) и самих пострадавших.

Интересен момент с настройкой чувствительности системы. Внутренние материалы показывают, что пользователи могут снижать порог уверенности алгоритма, чтобы получать больше сигналов. Это прямой путь к увеличению количества ложных срабатываний. Полицейские департаменты, стремясь показать эффективность работы и «поймать» преступников, могут намеренно или случайно выбирать настройки, повышающие риск ошибок. В результате система становится инструментом давления, а не точным измерительным прибором.

Инвесторы вроде Питера Тиля видят в этом возможность монетизации данных о перемещениях миллионов людей. Объединение данных из разных штатов создает бездонную базу, ценность которой растет с каждым новым подключенным городом. Но эта ценность хрупка: один громкий инцидент с ложным задержанием может подорвать доверие целого региона, как это произошло в Остине и Кембридже, где контракты были расторгнуты из-за вопросов прозрачности.

Важный нюанс: Стремление к максимальному охвату данных создает ситуацию, где алгоритмическая ошибка становится нормой, а человеческий контроль превращается в формальность, которую сотрудники полиции вынуждены выполнять под давлением потока уведомлений.

Системные риски и будущее доверия к технологиям

Ситуация с Flock Safety демонстрирует более глубокую проблему: делегирование полномочий по принятию решений алгоритмам без достаточной прозрачности их работы. Когда полиция получает сигнал о краденном автомобиле, офицер часто действует мгновенно, воспринимая данные системы как истину в последней инстанции. Эффект информационной перегрузки заставляет сотрудников реагировать на каждый сигнал как на критическую угрозу, что повышает вероятность применения силы.

Отказ компании от публикации точных метрик ошибок и блокировка независимых тестов создают вакуум доверия. Регуляторы, включая Федеральную торговую комиссию США, уже обратили внимание на эту проблему, но процесс расследования может занять годы. За это время система продолжит работать, генерируя ошибки, которые будут стоить людям здоровья и свободы.

Для российского бизнеса этот кейс служит важным уроком о рисках внедрения систем распознавания без жестких механизмов верификации. Попытка автоматизировать процессы контроля и безопасности должна сопровождаться созданием «человеческого контура», который не только формально проверяет данные, а реально оценивает контекст. Без этого любая система, даже с точностью в 90%, будет генерировать тысячи ошибок на миллион проверок, каждая из которых может стать катастрофой для отдельного человека.

Будущее таких технологий зависит от способности разработчиков найти баланс между скоростью обработки данных и надежностью результатов. Пока этот баланс не найден, рынок будет колебаться между энтузиазмом инвесторов и растущим сопротивлением со стороны гражданских общин, требующих прозрачности и подотчетности.

Важный нюанс: Реальная ценность технологии определяется не количеством установленных камер, а способностью системы минимизировать вред от собственных ошибок, что требует пересмотра самой философии взаимодействия между алгоритмом и человеком.