Розничная продажа топлива, Ритейл

ИИ-система для управляемого качества сервиса на АЗС

Система помогает сети АЗС контролировать качество сервиса не вручную, а по единым правилам и с понятными доказательствами по каждой смене и каждой точке

ai-gas-station-service-quality-control-1.png
ai-gas-station-service-quality-control-2.png
ai-gas-station-service-quality-control-1.png
NDA
ЗаказчикКрупная сеть АЗС, для которой качество обслуживания на каждой точке напрямую влияет на выручку, выполнение сервисных стандартов и управляемость операционной сети.
ЗадачаРазработка комплексного ИИ-сервиса для автоматизации контроля качества обслуживания клиентов на АЗС.

О проекте

Ручной контроль сервиса по записям плохо масштабируется: он выборочный, дорогой и не даёт сети единой картины по качеству обслуживания. 

 

Мы предложили систему, которая автоматически разбирает длинные видеозаписи на отдельные сессии обслуживания, распознаёт речь оператора, проверяет выполнение обязательных стандартов и формирует результат в удобном для бизнеса виде — с доказательствами, веб-интерфейсом просмотра и выгрузками в JSON, Excel и CSV. 

 

Архитектура решения позволяет поэтапно расширять чек-лист: от базовых речевых и сервисных признаков до визуальных нарушений, таких как дресс-код, приём пищи и использование телефона.

NDA
ЗаказчикКрупная сеть АЗС, для которой качество обслуживания на каждой точке напрямую влияет на выручку, выполнение сервисных стандартов и управляемость операционной сети.
ЗадачаРазработка комплексного ИИ-сервиса для автоматизации контроля качества обслуживания клиентов на АЗС.

<12

месяцев на окупаемость решения
1
Проектирование сценариев и критериев оценки
Зафиксировали, какие события система должна находить, как они трактуются по чек-листу и по каким метрикам результат сравнивается с ручной проверкой
2
Стабилизация видео- и аудиоядра
Доработали выделение сессий обслуживания, обработку длинных записей и распознавание речи в шумной среде, чтобы система устойчиво работала на реальных данных
3
Обучение и проверка на контрольном наборе
Проверили качество детекции на размеченных данных, сравнили результат с ручной разметкой и отдельно разобрали сложные и пограничные сценарии обслуживания
4
Разработка сервисной части
Реализовали пакетную обработку видео, очередь задач, хранение результатов, выгрузки и веб-интерфейс просмотра с доказательной базой по каждому событию
5
Тестирование на сети и доработка правил
Проверили работу решения на нескольких точках, собрали обратную связь, уточнили правила оценки и подготовили систему к масштабированию на сеть

Экономический эффект в приоритете

В проекте ключевым было не “видит ли ИИ нарушения”, а окупается ли его внедрение на сети без замены инфраструктуры и в каких сценариях дополнительное оборудование реально даёт прирост качества.

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

Вызовы и решения

Шумная аудиосреда на точках

Записи содержат фон от машин, колонок, холодильников, кассового оборудования и кофемашин, поэтому распознавание речи нельзя было собирать как лабораторный сценарий
РЕШЕНИЕ

Стабилизация речевого ядра на реальных записях

В проект заложили отдельную доработку STT на шумных данных, расширение словаря признаков и проверку качества на контрольном наборе до вывода системы в эксплуатацию

Чек-лист сервиса нельзя проверять линейно

Оценка обслуживания зависит от множества исключений: стажёры, клиенты в шлемах, быстрый уход, очередь, агрессия, телефонный разговор и другие сценарии, где нарушение может быть ложным
РЕШЕНИЕ

Формализация правил и исключений в логике системы

Для этого сценарии, маркеры и исключающие условия были заранее описаны в правилах оценки, чтобы система проверяла не абстрактное поведение, а конкретные условия бизнес-чек-листа

Обоснование требований к инфраструктуре

Для заказчика было критично понять, обеспечивает ли штатное оборудование требуемое качество детекции, или достижение целевых метрик возможно только при дооснащении точек дополнительными камерами и микрофонами
РЕШЕНИЕ

Сравнительная проверка на двух конфигурациях

Испытания построили так, чтобы отдельно оценить качество работы системы на действующей инфраструктуре и в конфигурации с дооснащением, а решение о тиражировании принимать уже на основе прироста метрик и экономической целесообразности

≥ 90%

полнота обнаружения относительно «золотого стандарта»

≥ 98%

точность обнаружения с минимальным уровнем ложных срабатываний

≥ 0.85

F1-score — порог общей оценки качества сценария для готовности к тиражированию

Команда, которая внедрила проект

Дмитрий Палий
Frontend-разработчик
Константин Порошкин
ML-инженер
Андрей Панкратов
Python backend-разработчик
Дмитрий Соркин
DevOps-инженер

Бесплатный разбор вашей задачи

На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.

Рассмотрим технические ограничения и возможный первый этап проекта.

О вашей задаче (по желанию)

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.

bracket
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
age.webp
ИИ для образования
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
ocr-documents-case.png
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
damage-detection-case.png
Пилотный запуск
Интеллектуальная видеоаналитика для контроля периметра, выявления угроз на интроскопах и БПЛА
ai-video-security-industrial-sites.jpg
Видеоаналитика для ресторанов
ИИ-контроль времени сборки заказов
ai-tray-order-analysis-fast-food.jpg
AI-Mirror
ИИ-интерактив для бренд-зоны
ai-interactive-exhibition-stand.jpg