Ритейл, HoReCa

ИИ-решения для распознавания возраста в реальном времени

ИИ-модуль определяет возраст по лицу и отдаёт результат через API за доли секунды. Помогает автоматизировать контроль продаж 18+ и собирать демографическую аналитику без нагрузки на персонал.

NDA

Заказчик Международная компания — лидер табачной индустрии, работающая в строгом соответствии с требованиями законодательства РФ. В рамках развития цифровых инициатив заказчик внедряет технологические решения, направленные на повышение уровня комплаенса, безопасности и качества клиентского взаимодействия.

Задача Внедрить систему автоматического определения возраста посетителей по видео в реальном времени. Решение должно исключить доступ несовершеннолетних к табачной продукции, снизить операционную нагрузку на персонал и одновременно предоставляя бизнесу точную демографическую аналитику.

Срок 2019-2020

О проекте

Изначальная задача заключалась в автоматической проверке возраста посетителей в точках продаж по изображению с веб-камеры. Система в реальном времени определяет возраст человека и принимает решение о доступе к сайту или кассовому сценарию без участия персонала.

Решение устойчиво к попыткам обхода — использует проверку «живости» и корректно обрабатывает случаи с масками, фотографиями на телефоне и другими способами подмены. Это позволяет одновременно соблюдать требования законодательства и снизить операционные риски для бизнеса.

NDA

Срок 2019-2020

в 6 раз

ускорилась проверка возраста по лицу

Формализация требований и сценариев использования

Проанализировали бизнес-процессы заказчика и требования законодательства РФ к возрастному контролю. Определили целевые сценарии (онлайн-проверка, касса, веб-доступ), ограничения по задержкам и требования к интеграции через API.

Обучение модели оценки возраста

Обучили модель на открытых эталонных датасетах (IMDB-WIKI, UTKFace) и собственном очищенном наборе данных. Особое внимание уделили пограничным возрастным группам и снижению ошибок классификации.

Интеграция liveness-проверки

Реализовали алгоритмы проверки «живости» для защиты от фрода: фото с экрана, маски, подмена лица. Это позволило исключить обход системы без увеличения времени ответа.

Разработка API и backend-инфраструктуры

Построили отказоустойчивый backend с REST API для приёма изображений, обработки и возврата результата. Оптимизировали пайплайн под обработку одного кадра в реальном времени с минимальными требованиями к инфраструктуре

Тестирование и оптимизация производительности

Провели сравнительное тестирование с базовыми решениями клиента на реальных данных. Добились кратного преимущества по скорости ключевых этапов (детекция и биометрия) при сохранении точности классификации.

Внедрение и пилотная эксплуатация

Интегрировали решение в платформу NeuroVision и запустили пилот на реальных объектах. Система начала использоваться одновременно для контроля возраста и сбора демографической аналитики.

Интересные факты

0% ошибок в распознавании детей до 10 лет

В тестах система не допустила ни одного ошибочного допуска несовершеннолетних,

а в группе 10–14 лет уровень ошибки составил лишь 3,2%

Технологический стек

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Несколько лиц в кадре

При обнаружении на изображении более одного лица система не могла однозначно определить возраст конкретного посетителя, что приводило к ошибкам обработки и некорректным результатам.

РЕШЕНИЕ

Контролируемая обработка ошибок

Реализован механизм явного возврата ошибки many_faces при обнаружении нескольких лиц. Это позволило исключить некорректные сценарии, упростить обработку на стороне клиента и повысить стабильность системы в реальной эксплуатации.

Низкое качество и несогласованность обучающих датасетов

Часть открытых датасетов содержала ошибки в разметке возраста, что негативно влияло на точность модели и увеличивало вероятность ложных срабатываний.

РЕШЕНИЕ

Собственный валидированный датасет

Разработан и внедрён собственный обучающий датасет с ручной валидацией возраста и проверкой источников данных. Это обеспечило более устойчивое обучение модели и повысило достоверность прогнозов в production-сценариях.

Попытки обхода системы (фото, видео, подмена лица)

При проверке возраста существовал риск обмана системы с помощью фотографии на экране телефона, видеозаписи или других spoofing-атак.

РЕШЕНИЕ

Интеграция liveness-проверок

В систему встроены алгоритмы проверки подлинности лица (liveness detection), позволяющие выявлять попытки использования фейковых изображений. Это существенно снизило вероятность мошенничества и повысило доверие к системе со стороны бизнеса и регуляторов.

0%

ложных допусков детей до 10 лет

3,2%

ошибка в группе 10–14 лет

91%

точность определения совершеннолетия

Команда, которая внедрила проект

Алексей Цибульников

Python backend-разработчик

Фёдор Головин

Project Manager

Дмитрий Соркин

DevOps-инженер

Марк Яговкин

Руководитель разметки данных

Никита Латышонок

CV-инженер

Дмитрий Долгин

Tech Lead

Планы на будущее:
Расширение демографической аналитики и адаптация решения для массовых объектов и новых отраслей.

Готовые проекты

Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.