МЕНЮ
AI-проверка чистоты подъездов по фотоотчётам
Проект
Расширили AI-модуль контроля качества уборки и автоматизировали проверку чистоты подъездов по фотоотчётам
О проекте
После успешного внедрения AI-проверки качества уборки снега заказчик принял решение масштабировать подход и распространить автоматизированный контроль ещё на один массовый операционный процесс — проверку качества уборки подъездов.
Внутреняя система заказчика ежедневно оперирует большим количеством задач на тысячах объектов по всей Москве. Существенная часть процессов связана с контролем качества выполненных работ: подрядчики выполняют уборку, прикладывают фотоотчёты, а сотрудники заказчика проверяют результат и принимают решение по дальнейшей обработке задачи.

До внедрения AI-модуля проверка качества уборки подъездов подъездов происходила вручную. После завершения работ сотрудники делали фотографии лестничных пролётов и лестничных клеток, а специалисты контроля просматривали изображения и оценивали качество уборки.

При большом ежедневном потоке задач такой процесс требовал значительных трудозатрат, создавал нагрузку на сотрудников и увеличивал время реакции на плохо выполненные работы.
Задача
Заказчику было необходимо автоматизировать проверку фотоотчётов и встроить AI-оценку в существующий рабочий процесс без изменения пользовательского опыта для вовлеченного персонала.
Решение должно было:
• Автоматически анализировать фотографии после завершения задачи;
• Определять качество уборки снега;
• Рассчитывать оценку по степени очистки территории;
• Отправлять качественно выполненные задачи дальше по процессу;
• Возвращать проблемные задачи на исправление;
• Передавать спорные случаи на ручную проверку;
• Интегрироваться с системой мониторинга городских подрядчиков через API.
Ключевым требованием было не заменить человека полностью, а снять с него массовую рутинную проверку и оставить сотрудникам только те случаи, где действительно нужен экспертный взгляд.
Discovery
Главная сложность проекта была не только в разработке AI-модуля, но и в подготовке данных.
У заказчика не было готового размеченного датасета, на котором можно было бы сразу обучить модель. Поэтому мы выстроили процесс практически с нуля: изучили реальные фотоотчёты, определили визуальные признаки качественной и некачественной уборки, организовали разметку и подготовили данные для обучения.
Система должна была учитывать неидеальные условия реальной эксплуатации:

• разное освещение;
• разные ракурсы;
• неодинаковое качество фотографий;
• погодные условия;
• частично очищенные территории;
• неоднозначные ситуации, где автоматический вердикт может быть рискованным.
Для таких случаев мы заложили отдельный сценарий: если AI "не уверен" в результате, задача не принимается автоматически и не отправляется сразу на исправление — она переводится на ручную проверку.

Так удалось сохранить баланс между автоматизацией и контролем качества.
Решение
Мы расширили существующий AI-модуль контроля качества и добавили новый сценарий анализа фотоотчётов по уборке подъездов.

Как и в случае со снегом, сервис интегрирован в систему мониторинга городских подрядчиков и подключается к процессу автоматически.

Когда задача на уборку получает статус «выполнено», AI-модуль получает фотоотчёт через API, анализирует изображения лестничных пролётов и лестничных клеток, рассчитывает итоговый numeric score и возвращает результат обратно в рабочий контур.

Для пользователей процесс остался полностью бесшовным: сотрудники продолжают работать в привычной системе, выполняют уборку и прикладывают фотографии, а AI-проверка выполняется автоматически в фоне.

AI-модуль анализирует фотографии лестничных клеток и лестничных пролётов и оценивает:

• наличие видимого мусора;
• загрязнения пола;
• загрязнения стен;
• общее визуальное состояние зоны после уборки;
• итоговую numeric score-оценку качества.

На основании score система определяет дальнейший маршрут задачи: подтвердить выполнение, отправить на исправление или передать на дополнительную проверку.
Внедрение
Новый сценарий был реализован как расширение уже работающего AI-контура контроля качества.

MVP был подготовлен за 1 месяц, после чего решение прошло пилотную эксплуатацию и приёмку со стороны заказчика.

Поскольку система развивалась внутри уже существующего процесса, внедрение прошло без изменений пользовательских сценариев и без необходимости переобучения сотрудников. AI-модуль был встроен в привычный workflow и начал работать как ещё один автоматизированный слой контроля качества.
Внедрение
Результат
Заказчик получил масштабируемый механизм контроля качества уборки подъездов, встроенный в уже существующую систему мониторинга подрядчиков.

Расширение AI-модуля позволило:

• перевести проверку фотоотчётов из полностью ручного процесса в автоматизированный контур;
• снизить нагрузку на сотрудников контроля;
• автоматически проверять 100% фотоотчётов;
• быстрее выявлять плохо выполненную уборку;
• автоматически направлять задачи на повторную уборку;
• оставить ручную проверку только для спорных и неоднозначных случаев;
• сократить время реакции на нарушения и повысить прозрачность контроля.

Вместо просмотра всего потока изображений сотрудники контроля получили возможность сосредоточиться только на действительно сложных кейсах, а типовые проверки AI-система взяла на себя.

Расширение существующего AI-модуля показало, что однажды построенный контур интеллектуального контроля можно эффективно масштабировать на новые операционные процессы без перестройки инфраструктуры и пользовательских сценариев.
другие наши работы