ИИ там, где его не ждут: от «забытых» лимонов на кассе до планирования бензовозов

Материал подготовлен на основе доклада руководителя группы аналитики данных компании ICL Services Сергея Щербакова на офлайн-интенсиве Digital4food «Практика применения ИИ в АПК и FMCG»

Поговорим о том, как классический ИИ — компьютерное зрение, предиктивная аналитика — решает проблемы, которые на первый взгляд кажутся нерешаемыми.

Здесь не будет кейсов из области генеративного искусственного интеллекта, и это осознанно. В последнее время, когда говорят «ИИ», почти всегда подразумевают именно генеративные модели. Их и так много. Мне захотелось пойти от обратного — показать, что классическое машинное обучение, компьютерное зрение и предиктивная аналитика решают конкретные, измеримые задачи, которые приносят бизнесу реальные деньги.

Кейс №1: «Джентльмены» на кассах самообслуживания

Все мы любим кассы самообслуживания (КСО). Они удобны, экономят время, повышают товарооборот. Но есть нюанс, о котором ритейлеры знают не понаслышке: касса самообслуживания — это место, где покупателю принято верить на слово. И вот тут начинается самое интересное.

В одном крупном ритейлере после внедрения КСО зафиксировали дополнительные потери в размере 27 процентных пунктов. Звучит не так страшно, пока не осознаешь масштаб: это огромные деньги для сети.

Традиционный путь решения — посадить рядом с каждой кассой охранника или ассистента. Но тогда теряется весь смысл самообслуживания: если людей столько же, сколько на обычных кассах, зачем вообще автоматизация?

Мы пошли другим путем. Разработали систему видеоаналитики, которая в режиме реального времени смотрит на кассу и на покупателя. Что происходит? Сканирует ли человек товар, кладет ли его в пакет, совпадает ли это с тем, что пробивается по чеку? Система сверяет видеопоток с данными о пробитых товарах. Если человек что-то «забыл» — отсканировал не тот товар, закрыл штрихкод, наклеил на манго стикер от капусты — система это видит.

Дальше включается матрица эскалации, которую можно гибко настроить под каждого ритейлера. Сначала — мягкое напоминание на экране кассы: «Похоже, вы что-то забыли». Если ситуация серьезнее — оповещение охраны или ассистента. В исключительных случаях — блокировка покупки.

Результат: эффективность сотрудников безопасности выросла в 3–4 раза по количеству выявленных подозрительных личностей. В стандартных сценариях система ловит 90% нарушений.

Кейс №2: Контроль качества упаковки — перенос технологии из ритейла на производство

Этот кейс показывает: технологии не имеют отраслевых границ. Задача — контроль качества упаковки на производственной линии. Требования жесткие: ложных срабатываний не более 0,25%, пропуск брака — не более 2%. И главное — переключение на новый бренд должно происходить максимально быстро.

Раньше на обучение системы под каждый новый SKU уходили недели. Мы применили подход, отработанный в ритейле, и теперь обучение новому бренду занимает 2 часа, а переключение на уже известный бренд — минуту. Доля ложных срабатываний — менее 0,01%.

Технологически задача почти идентична той, что мы решали на кассах самообслуживания: есть камера, есть объект, есть эталон, с которым нужно сравнивать. Меняются только интеграции и требования к точности.

Кейс №3: Сборка заказов на складе

Здесь та же логика, но в другом контексте. Камера смотрит на стол, где собирается заказ. Система распознает, какие товары туда положили, и сверяет с заданием. Если сборка не соответствует — оперативно оповещает сотрудника.

Это особенно критично, когда рядом стоят несколько столов и заказы легко перепутать. Видеоаналитика помогает не только контролировать количество и номенклатуру, но и анализировать работу специалистов: кто как собирает, где возникают ошибки, как их избежать.

Кейс №4: Контроль операций персонала

Этот кейс особенно актуален для пищевого производства и общепита. Камера смотрит на руки повара: соблюдается ли порядок панировки, правильная ли последовательность сборки сэндвичей, вовремя ли продукт убирается в тепловой шкаф, чист ли стол.

Это не контроль ради контроля. Это инструмент, который позволяет выявлять ошибки до того, как они приведут к порче продукта, жалобам гостей или штрафам. И да, система умеет работать с несколькими камерами, обрабатывая единую картину перемещения персонала по всей зоне.

Кейс №5: Планирование бензовозов — не про еду, но тоже интересно

Почему мы говорим про нефтепродукты, когда мы здесь про еду? — спросите вы. Ответ прост: логика похожа. У крупной сети АЗС — десятки терминалов, сотни нефтебаз и тысячи заправок. Управлять этим вручную, учитывая параметры техники, время, маршруты, — невозможно без ошибок.

ИИ решает задачу укрупненного планирования. Квартальный план по тысячам объектов теперь рассчитывается за 10 минут. Недельный график для сотен бензовозов с точностью до минуты — за 15 минут. При этом мы сократили парк бензовозов на 30% при сохранении регулярности поставок и минимизации простоев.

Тот же алгоритм оптимизирует работу торговых представителей и мерчандайзеров: куда сходить, чтобы заработать максимальное количество денег с минимальными затратами времени и ресурсов. Или, например, какие тракторы на какие поля отправить, чтобы уложиться в минимальный бюджет. Это все — одна и та же задача оптимизации, просто в разных декорациях.

Вместо заключения

Вопрос, который я слышу чаще всего: «А можно ли это сделать?» Можно. Технически — почти все возможно. Но всегда нужно понимать: а стоит ли? Будет ли эффект достаточным, чтобы оправдать усилия? Иногда можно обойтись облегченным вариантом, который в три раза дешевле и при этом решает 80% задачи.

В реальной жизни, когда приезжаешь на предприятие и начинаешь разбираться, оказывается, что нюансов много. И главное — найти те способы, которые действительно полезны, разумны и реализуемы с адекватным объемом усилий.