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



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.
<12
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 проверкойСтабилизация видео- и аудиоядра
Доработали выделение сессий обслуживания, обработку длинных записей и распознавание речи в шумной среде, чтобы система устойчиво работала на реальных данныхОбучение и проверка на контрольном наборе
Проверили качество детекции на размеченных данных, сравнили результат с ручной разметкой и отдельно разобрали сложные и пограничные сценарии обслуживанияРазработка сервисной части
Реализовали пакетную обработку видео, очередь задач, хранение результатов, выгрузки и веб-интерфейс просмотра с доказательной базой по каждому событиюТестирование на сети и доработка правил
Проверили работу решения на нескольких точках, собрали обратную связь, уточнили правила оценки и подготовили систему к масштабированию на сетьЭкономический эффект в приоритете
Технологический стек
Frontend
Интерфейс пользователя: отчеты, графики, панели управленияBackend
Логика обработки и базовые компоненты системыВызовы 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 сценарийСтабилизация 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 эксплуатациюЧек-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 ложнымФормализация 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-листаОбоснование 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 микрофонамиСравнительная 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.
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.










