Агропромышленность, управление биологическими активами

Создание биометрической базы на 10000 лошадей

Система автоматического сбора и отбора изображений лошадей по биометрическим признакам позволила сформировать датасет для ИИ-идентификации 10 000 особей за две недели вместо нескольких месяцев.

horse-biometric-dataset-case-1.png
horse-biometric-dataset-case-2.png
horse-biometric-dataset-case-1.png
NDA
ЗаказчикКрупный агропромышленный холдинг, занимающийся племенным разведением лошадей.
ЗадачаСформировать уникальный датасет для обучения нейросети, способной идентифицировать каждую особь. Бизнес-цель: предотвратить смешивание табунов, сохранить здоровую иерархию и чистоту породы, что напрямую влияет на стабильность и рентабельность животноводческого бизнеса. Техническое требование: собрать по 10 качественных фотографий для 10 000 уникальных лошадей, где четко видны ключевые биометрические точки морды.

О проекте

Для племенного животноводства точная идентификация животных — это основа управляемости бизнеса: от контроля поголовья до сохранения породных характеристик и снижения операционных рисков. Ошибки в учёте и перемещении животных напрямую приводят к стрессу, сбоям в процессах и финансовым потерям.

Заказчику требовалась система, способная различать каждую лошадь и отслеживать её перемещения между табунами. Без этого невозможно поддерживать стабильную структуру поголовья и контролировать последствия смешения животных.

Ключевым ограничением стал не алгоритм, а данные: для обучения системы идентификации требовался большой и при этом качественный массив изображений, которого не существовало в готовом виде. Поэтому фокус проекта сместился на создание эталонного датасета с нуля — как фундамента для всей будущей ИИ-системы и её устойчивой работы.

NDA
ЗаказчикКрупный агропромышленный холдинг, занимающийся племенным разведением лошадей.
ЗадачаСформировать уникальный датасет для обучения нейросети, способной идентифицировать каждую особь. Бизнес-цель: предотвратить смешивание табунов, сохранить здоровую иерархию и чистоту породы, что напрямую влияет на стабильность и рентабельность животноводческого бизнеса. Техническое требование: собрать по 10 качественных фотографий для 10 000 уникальных лошадей, где четко видны ключевые биометрические точки морды.

х10 раз быстрее

сбор данных в сравнении с ручными и полуавтоматическими методами
1
Стратегия сбора данных
Определили источники, языки и географии для обеспечения разнообразия и репрезентативности данных.
2
Пилот и выявление ограничений
Проверили стандартные методы сбора и зафиксировали их немасштабируемость из-за качества и дубликатов данных.
3
Нейросеть-фильтр качества
Обучили модель, автоматически отбирающую изображения, соответствующие биометрическим требованиям.
4
Сквозная автоматизация процесса
Реализовали пайплайн через Telegram-бота для потоковой обработки и структурирования данных.
5
Валидация и передача датасета
Провели финальную проверку и передали готовый датасет для обучения модели идентификации.

Интересные факты

Чтобы собрать 10 000 уникальных лошадей, нашим операторам пришлось "побывать" на виртуальных аукционах в Техасе, изучить сотни страниц частных конюшен в Европе и просмотреть тысячи часов видео с соревнований.

 

 

Проект показал, что для обучения одной модели иногда необходимо сначала создать другую — для самой сложной и рутинной части работы.

Технологический стек

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Низкая эффективность ручного сбора

Первые 2 месяца работы показали, что традиционный подход (парсеры + ручной отбор) не позволяет выполнить проект в срок. Мы получали массу "мусорных" данных, а скорость пополнения базы уникальными лошадьми была критически низкой.
РЕШЕНИЕ

Применить AI для сбора данных для AI

Вместо того чтобы пытаться улучшить старый метод, мы автоматизировали самую трудоемкую часть — проверку качества. Разработка собственной нейросети-фильтра, которая взяла на себя 99% рутинной работы по отбраковке, стала переломным моментом. Это позволило нам не просто ускорить процесс, а выйти на совершенно новый уровень эффективности и масштабируемости.

Дубликаты и "заезженные" данные

Интернет переполнен одними и теми же фотографиями популярных пород и знаменитых лошадей. Наши парсеры постоянно приносили одни и те же изображения с разными фильтрами или в разном разрешении, создавая иллюзию разнообразия.
РЕШЕНИЕ

Интеллектуальная система на базе Telegram-бота

Связка из Telegram-бота и нейросети-фильтра позволила нам быстро обрабатывать огромные объемы данных из не самых очевидных источников (тематические Telegram-каналы). Система не просто отсеивала неподходящие кадры, но и помогала в кластеризации похожих изображений, что значительно упростило поиск дубликатов и обеспечило реальную уникальность данных в итоговом датасете.

за 13 дней

собрали все фото

70 000+

качественных изображений

95%

точность автоматической фильтрации данных

Команда, которая внедрила проект

Марк Яговкин
Руководитель разметки данных
Роман Фёдоров
Бизнес-аналитик

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 ИИ-системы
ИИ-видеоконтроль упаковки и отгрузки товаров для маркетплейсов
marketplace-claims-video-evidence.jpg
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