AI-проверка качества уборки снега по фотоотчётам
Проект
Помогли городскому подрядчику автоматизировать контроль уборки снега и разгрузить сотрудников от ручной проверки тысяч фотоотчётов.
О проекте
Городской подрядчик, работающий в сфере ГБУ и ЖКХ, ежедневно нагружен большим объёмом задач по обслуживанию городской инфраструктуры. В зоне ответственности заказчика — тысячи объектов по всей Москве и десятки тысяч сотрудников, задействованных в выполнении работ на местах.
Один из ключевых процессов в зимний период — контроль качества уборки снега. После выполнения задачи сотрудники делают фотоотчёт: как правило, два снимка с обязательных ракурсов, заданных в системе заказчика. Раньше каждый такой отчёт приходилось просматривать вручную: сотрудник оценивал фотографии, принимал решение о качестве выполненной уборки и обновлял статус задачи.
При объёме около 1000 задач и фотоотчётов в день такой подход создавал серьёзную операционную нагрузку. Проверка занимала время, зависела от доступности сотрудников и замедляла реакцию на проблемные участки.
При объёме около 1000 задач и фотоотчётов в день такой подход создавал серьёзную операционную нагрузку. Проверка занимала время, зависела от доступности сотрудников и замедляла реакцию на проблемные участки.
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.
• 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.
• 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.
Так удалось сохранить баланс между автоматизацией и контролем качества.
Решение
Мы разработали AI-модуль, который подключается к существующей системе мониторинга городских подрядчиков и автоматически забирает задачи после перехода в статус «выполнено».
Дальше система анализирует фотоотчёт, рассчитывает score качества уборки и принимает одно из трёх решений:
ВЫПОЛНЕНО
Если территория очищена достаточно хорошо, задача автоматически получает положительный вердикт.
ОТКЛОНЕНО
Если на фото видны неубранные участки, навалы снега, заносы или низкая степень очистки, задача возвращается на доработку.
РУЧНАЯ ПРОВЕРКА
Если ситуация неоднозначная или уверенность AI ниже заданного порога, задача передаётся сотруднику контроля.
Для пользователей процесс остался привычным: уборщики продолжают работать в системе заказчика, делают фотоотчёты по заданным правилам, а AI-проверка выполняется в фоне и не требует дополнительных действий.
ЧТО ОЦЕНИВАЕТ СИСТЕМА
AI анализирует фотографии и определяет:
• наличие неубранных участков;
• навалы снега;
• заносы;
• степень очистки территории;
• общий процент убранной зоны;
• итоговый score качества выполненной работы.
На основании score система применяет пороговые значения и автоматически выбирает дальнейший маршрут задачи.
Дальше система анализирует фотоотчёт, рассчитывает score качества уборки и принимает одно из трёх решений:
ВЫПОЛНЕНО
Если территория очищена достаточно хорошо, задача автоматически получает положительный вердикт.
ОТКЛОНЕНО
Если на фото видны неубранные участки, навалы снега, заносы или низкая степень очистки, задача возвращается на доработку.
РУЧНАЯ ПРОВЕРКА
Если ситуация неоднозначная или уверенность AI ниже заданного порога, задача передаётся сотруднику контроля.
Для пользователей процесс остался привычным: уборщики продолжают работать в системе заказчика, делают фотоотчёты по заданным правилам, а AI-проверка выполняется в фоне и не требует дополнительных действий.
ЧТО ОЦЕНИВАЕТ СИСТЕМА
AI анализирует фотографии и определяет:
• наличие неубранных участков;
• навалы снега;
• заносы;
• степень очистки территории;
• общий процент убранной зоны;
• итоговый score качества выполненной работы.
На основании score система применяет пороговые значения и автоматически выбирает дальнейший маршрут задачи.
Внедрение
MVP был разработан за 2 месяца. После этого решение прошло пилотную эксплуатацию и приёмку со стороны заказчика.
Мы не меняли пользовательский сценарий и не перестраивали внутренние процессы заказчика. AI-модуль был встроен в уже существующий контур через API: система сама забирает выполненные задачи, анализирует фотоотчёты и возвращает результат обратно.
Это позволило внедрить автоматизацию без болезненного перехода для сотрудников и без дополнительной нагрузки на операционные команды.
Мы не меняли пользовательский сценарий и не перестраивали внутренние процессы заказчика. AI-модуль был встроен в уже существующий контур через API: система сама забирает выполненные задачи, анализирует фотоотчёты и возвращает результат обратно.
Это позволило внедрить автоматизацию без болезненного перехода для сотрудников и без дополнительной нагрузки на операционные команды.
Внедрение
Результат
100% фотоотчётов стали проходить автоматическую AI-проверку.
По данным за один из рабочих дней система обработала 15 818 фотоотчётов:
• 7 601 — автоматически подтверждены как выполненные;
• 5 164 — отправлены на ручную проверку;
• 3 053 — отправлены на исправление.
Это означает, что около 67,4% потока система обработала без обязательного ручного просмотра сотрудником, а на ручную проверку ушло около 32,6% случаев — только спорные и требующие дополнительной оценки.
По данным за один из рабочих дней система обработала 15 818 фотоотчётов:
• 7 601 — автоматически подтверждены как выполненные;
• 5 164 — отправлены на ручную проверку;
• 3 053 — отправлены на исправление.
Это означает, что около 67,4% потока система обработала без обязательного ручного просмотра сотрудником, а на ручную проверку ушло около 32,6% случаев — только спорные и требующие дополнительной оценки.
За счёт этого заказчик:
• сократил объём ручной проверки;
• разгрузил сотрудников контроля;
• ускорил реакцию на плохо выполненные задачи;
• снизил операционные задержки;
• сэкономил десятки человеко-часов;
• получил более стабильный и масштабируемый процесс контроля качества.
AI стал не отдельным экспериментом, а частью рабочего контура: он помогает быстрее находить проблемные участки, отправлять задачи на доработку и поддерживать качество уборки в городе при большом ежедневном потоке заявок.
• сократил объём ручной проверки;
• разгрузил сотрудников контроля;
• ускорил реакцию на плохо выполненные задачи;
• снизил операционные задержки;
• сэкономил десятки человеко-часов;
• получил более стабильный и масштабируемый процесс контроля качества.
AI стал не отдельным экспериментом, а частью рабочего контура: он помогает быстрее находить проблемные участки, отправлять задачи на доработку и поддерживать качество уборки в городе при большом ежедневном потоке заявок.
