Ритейл

AI-контроль выкладки свежей рыбы + соблюдение FIFO

Система на базе компьютерного зрения контролирует выкладку свежей рыбы на льду: распознаёт виды и размеры, отслеживает время нахождения на витрине (FIFO), следит за уровнем льда и пустыми местами, подаёт алерты сотрудникам в режиме реального времени.

NDA

Заказчик Крупный федеральный продуктовый ритейлер с сотнями гипермаркетов и супермаркетов по всей России. Фреш-категории (мясо, рыба, гастрономия) — ключевой драйвер трафика и лояльности, поэтому компания вкладывается в стандарты выкладки и качество обслуживания.

Задача Обеспечить полный контроль выкладки свежей рыбы: следить за наличием рыбы на льду, соблюдением сроков её нахождения на прилавке и предотвращать порчу за счёт своевременных алертов.

О проекте

Соблюдение FIFO — ключевое требование в ритейле для снижения остатков и потерь свежей продукции. Наше решение на базе компьютерного зрения автоматически контролирует выкладку рыбы на прилавке, отслеживает сроки нахождения на льду и оперативно сигнализирует о нарушениях, заменяя ручной контроль ИИ-мониторингом.

NDA

на 15%-20%

меньше списаний свежей рыбы за счет своевременной переработки и соблюдение FIFO

Обследование витрин и сценариев работы

Проанализировали виды выкладки, график обновления льда и рыбы, регламенты переработки. Выделили типовые сценарии для гипермаркетов и супермаркетов.

Проектирование системы камер и зоны наблюдения

Смоделировали оптимальные точки установки стационарных IP-камер над прилавком так, чтобы полностью покрыть лёд и минимизировать блики от подсветки и витрины. Заложили требования к ракурсам и разрешению.

Сбор данных, разработка

Собрали и разметили датасет с видами рыбы, состояниями (целая, без головы, стейки, суповой набор), уровнями льда и пустыми витринами. Обучили модели детекции и классификации, настроили трекинг для каждой единицы.

Логика FIFO и событий переработки

Реализовали трекинг времени для каждого объекта: система знает, когда конкретная рыба появилась на льду и в каком состоянии. Внедрили регламенты переработки и построили события.

Интеграция с учётной системой и мобильным приложением

Настроили обмен данными с ERP/1С по остаткам в магазине. Через API вывели алерты и статусы витрины в мобильное приложение продавцов и на дашборд для управляющих.

Интересный факт

У каждой рыбины есть свой ID — каждой единице мы присвоили цифровой профиль: система считает, сколько она находится на льду (FIFO).

Основной вызов проекта - не в том, чтобы «обучить модель», а в том, что объект постоянно менялся: форма, отражения, ракурс, блеск.

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Потери торговой сети из-за нарушения FIFO и просрочки

Часть рыбы перерабатывалась или списывалась с опозданием: сотрудники не успевали отслеживать, сколько каждая рыба лежит на льду и когда её пора перевести в следующее состояние.

РЕШЕНИЕ

Система ведёт таймер для каждой единицы

При достижении порога (смена состояния по регламенту) продавцу приходит точный алерт: какую именно рыбу переработать и как. Это снижает риск просрочки и списаний.

Пустые или неполные витрины

Из-за загруженности персонала прилавок мог оставаться полупустым: часть рыбы лежала в холодильниках или подсобках, покупатель видел «бедную» выкладку и уходил к конкурентам.

РЕШЕНИЕ

Компьютерное зрение контролирует заполненность витрины и ассортимент.

Если прилавок пустеет или отсутствует нужный ассортимент, система создаёт задачу «вынести рыбу» и отображает её в приложении и на панели мониторинга.

Таяние льда и неправильное хранение

Контроль уровня льда был ручным — при высокой нагрузке сотрудники не всегда успевали обновлять лёд, что влияло на качество рыбы и риск претензий.

РЕШЕНИЕ

Нейросеть оценивает площадь и структуру льда

При снижении уровня или явных признаках подтаивания генерируется алерт с указанием конкретной витрины и временной меткой.

в 3–4 быстрее

контроль витрины без ручных обходов, только по сигналам системы

+5% к выручке

за счёт полной выкладки и соблюдения FIFO

100% прозрачность

все действия и инциденты фиксируются автоматически

Команда, которая внедрила проект

Алексей Цибульников

Python backend-разработчик

Константин Порошкин

ML-инженер

Роман Фёдоров

Бизнес-аналитик

Михаил Моисеев

CV-инженер

Дмитрий Соркин

DevOps-инженер

Марк Яговкин

Руководитель разметки данных

Проект запущен в работу

Скоро здесь будут

обновления

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.