Автоматизация проверки рукописных экзаменационных работ, выявление аномалий почерка
Система автоматически отбирает подозрительные экзаменационные работы и сокращает объём ручной проверки, ускоряя обработку бланков без потери качества. ИИ помогает в оцифровке сотен тысяч бланков при помощи оптического распознавания текста (технология OCR)
NDA
Заказчик Эксперт на рынке российского образования, разработчик обучающих платформ и цифровых инструментов для обеспечения высокого качества образовательных и экзаменационных процессов.
Задача Сократить объём ручной проверки экзаменационных бланков за счёт автоматического выявления подозрительных работ: дописываний, смены почерка и нетипичных фрагментов, требующих экспертного контроля.
Срок 2025
О проекте
Система анализирует рукописные экзаменационные бланки на уровне отдельных фрагментов, сопоставляя их между собой внутри одной работы и между работами одного автора.
Для анализа используется ИИ-модель, оценивающая сходство почерка и выделяющая нетипичные участки.
Результат работы — разметка подозрительных зон, которые передаются на выборочную экспертную проверку.
NDA
Заказчик Эксперт на рынке российского образования, разработчик обучающих платформ и цифровых инструментов для обеспечения высокого качества образовательных и экзаменационных процессов.
Задача Сократить объём ручной проверки экзаменационных бланков за счёт автоматического выявления подозрительных работ: дописываний, смены почерка и нетипичных фрагментов, требующих экспертного контроля.
Срок 2025
97%+
1
Формирование обучающего датасета
Сбор изображений рукописных символов с экзаменационных бланков — более 1 000 примеров на каждый символ для учёта реальной вариативности почерка.
2
Посимвольная разметка данных
Разметка каждого символа на бланках с привязкой координат и автора для корректного сравнения почерка.
3
Обучение модели анализа почерка
Обучение модели на подготовленных данных с отдельной оптимизацией для визуально похожих символов.
4
Интеграция в существующий контур проверки
Интеграция ML-модуля в систему заказчика через API с передачей результатов анализа и разметки подозрительных зон.
5
Валидация и дообучение
Тестирование на реальных экзаменационных работах и итеративная донастройка модели по результатам экспертной проверки.Как мы учли высокую вариативность почерка
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
Визуально похожие символы при рукописном написании
Даже при наличии эталонов написания на бланках отдельные символы (например, «А» и «Д», «Б» и «6», «З» и «3») могут иметь схожую форму, что усложняет корректную интерпретацию в потоке рукописного текста.РЕШЕНИЕ
Дополнительная логика предобработки
Для таких случаев используется контекстный анализ соседних символов и позиции в строке. Если по контексту использование цифры маловероятно, системе отдаётся приоритет буквенной интерпретации, за исключением отдельно стоящих символов (например, номеров заданий)Трудночитаемый или частично неразборчивый почерк
В ряде работ встречаются фрагменты, где символы плохо различимы как для алгоритма, так и для эксперта из-за плотности письма, искажений или попытки уместить ответ в ограниченное пространство.РЕШЕНИЕ
Гибридный контур OCR и экспертной проверки
Подобные случаи автоматически выделяются и передаются на дополнительную проверку специалистам. Результаты экспертной валидации используются для последующего улучшения модели, постепенно снижая долю ручного участия.В 1,7 раза
больше экзаменационных работ проверяется за то же время
До 40%
работ исключается из полной ручной проверки
97%+
точность распознавания символов
Команда, которая внедрила проект
Алексей Цибульников
Python backend-разработчик
Дмитрий Долгин
Tech Lead
Фёдор Головин
Project Manager
Михаил Моисеев
CV-инженер
Дмитрий Соркин
DevOps-инженер
Марк Яговкин
Руководитель разметки данных
Планы на будущее:
поддержка иностранных символов, детекция аномалий почерка и анализ формул в технических предметах
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.
Разработка крупной системы
Компьютерное зрение в метрологии
ИИ для промышленности
ИИ-отбор качественных снимков с дронов
Разработка крупной системы
Распознавание QR для контроля сборки и упаковки заказов
Разработка крупной системы
Платформа для регистрации рекламы блогеров и ЕРИР
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
Разработка крупной системы
AI-контроль выкладки свежей рыбы + соблюдение FIFO
Разработка крупной системы
Нейросеть распознаёт пустые полки в магазинах и помогает вовремя их заполнить
Разработка крупной системы
Контроль ношения СИЗ на производстве рыбы
Разработка крупной системы
Автоматизация досмотра багажа и анализа X-ray снимков с помощью ИИ
Разработка крупной системы
ИИ-контроль опасных ситуаций при движении погрузчиков
Сбор и разметка данных для ИИ
Собрали датасет оружия в 1000+ видео
Разработка крупной системы
Машинное зрение измеряет паллеты и передает данные в WMS
Сбор и разметка данных для ИИ
Учим нейросеть распознавать драки, чтобы в вашем городе стало безопаснее
Сбор и разметка данных для ИИ
Разметка данных для беспилотных комбайнов
Экспертная разметка данных
Медицинский датасет МРТ позвоночника для обучения AI
Разработка крупной системы
Как контролировать брак этикетки на работающем конвейере
Экспертная разметка данных для ИИ
Разметка 7000 исследований совместно с врачами-экспертами
Разработка крупной системы
Распознавание номеров автомобиля для въезда на парковку
Разработка крупной системы
ИИ расставляет стеллажи в 10 раз быстрее
Операционный ИТ-аутсорсинг
Команда разметчиков как сервис для маркетплейса
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
Сбор данных для ML и ИИ
Собрали 10 000 уникальных лошадей для биометрии
Разработка крупной системы
ИИ-учет индивидуальной выработки на конвейере
Разработка крупной системы
Цифровой контроль движения вагонов
Разработка крупной системы
От цветка к идеальному букету: ИИ распознает качество роз
Разработка крупной системы
Нейросеть для распознавания 2D чертежей
Разработка крупной системы
Платформа, объединившая поиск блогеров, целевой аудитории и аналитику
Разработка для ритейла
Внедрение видеоаналитики для контроля комплектации товаров на складе
Разработка крупной системы
Нейросеть, которая контролирует бодрость сотрудников аэропорта, чтобы вы улетели в отпуск вовремя
Разработка крупной системы
ИИ контролирует опасные зоны конвейера 24/7
Сбор и разметка данных
AI-мониторинг вечной мерзлоты
Разработка крупной системы
Нейросеть контролирует качество чипсов прямо на конвейере
Разработка для сельского хозяйства
Нейросеть для мониторинга здроровья коров
