Рестораника AI — ИИ-контроль сборки заказов и скорости обслуживания

В кассе заказ в статусе «Готово», а гость всё ещё ждёт? Рестораника AI — интеллектуальное решение на основе компьютерного зрения, которое сверяет отчётность с видеозаписями, выявляет задержки и ошибки комплектации.

Интеграция с R-Keeperсверяем статусы и состав заказов в кассе с фактической сборкой на видео
> 98% точностираспознавания заказов уже в пилотном запуске
На действующих камерахпо возможности, используем штатное видеонаблюдение

Для кого Рестораника AI? Для ресторанных сетей с большим потоком заказов

Чем больше заказов и ресторанов в сети, тем сложнее контролировать фактическую скорость обслуживания. Рестораника AI помогает выявлять расхождения между кассовой отчётностью и реальной сборкой заказов, находить отклонения и сравнивать работу точек

01

Сети быстрого питания (QSR)

Контроль фактической скорости сборки, комплектации подносов и достоверности кассовых статусов в условиях высокого потока заказов

R-KeeperСкорость сборки
02
03
01

Сети быстрого питания (QSR)

Контроль фактической скорости сборки, комплектации подносов и достоверности кассовых статусов в условиях высокого потока заказов

R-KeeperСкорость сборки

В чем проблема

KPI расходятся с реальностью

material-symbols_fact-check-outline-rounded.svg

Заказ закрыт раньше готовности

В кассе заказ в статусе «Готово», хотя сборка ещё продолжается. Отчётная скорость оказывается выше фактической.

02_box_inventory.svg

Ошибки комплектации не видны

Касса подтверждает выполнение заказа, но не показывает, все ли оплаченные позиции оказались на подносе

clock.svg

Задержки в часы пик

При одновременной сборке десятков заказов сложно определить, где возникла задержка и насколько она повлияла на время выдачи

molotok.svg

Разбор претензий постфактум без контекста

Чтобы проверить спорную выдачу, приходится сопоставлять кассовые данные с видеоархивом. На каждый случай тратится время сотрудников.

Сколько стоит проверка одного заказа?

При визуальном контроле человеком значительная часть времени уходит на поиск нужного заказа, просмотр записи и сверку событий. С ростом сети увеличивается нагрузка на аудиторов, а количество проверок остаётся ограниченным

Контроль сборки на точке

Руководитель смены проверяет отдельные заказы в процессе работы. Результат зависит от загруженности и внимательности сотрудника

Визуальный видеоаудит

Аудитор ищет спорные моменты во всем видеоархиве, сопоставляет их с заказами и фиксирует отклонения. Каждый дополнительный ресторан увеличивает объём работы аудитора

Рестораника AI

Система автоматически анализирует видеозаписи, сопоставляет их с кассовыми данными и выделяет обнаруженные расхождения для проверки

Как это работает

Система объединяет компьютерное зрение, кассовые данные и алгоритмы сопоставления заказов. В автоматическом режиме обрабатывает записи за прошедшие сутки, проверяет фактическую сборку и формирует операционные показатели по ресторанам сети.

1
Синхронизируем видео и кассовые события
R-KeeperVMSTimestamp
По расписанию получаем видеоархив и историю заказов R-Keeper. Синхронизируем временные метки, статусы, состав заказов и идентификаторы камер.
2
Анализируем заданную зону выдачи
ROIДетекция объектовКоординаты
Обрабатываем видеокадры в пределах настроенной области контроля. Детектируем подносы, фиксируем их координаты и время присутствия на полке выдачи
3
Классифицируем блюда и упаковку
Компьютерное зрениеВизуальные классы
Модель компьютерного зрения определяет визуальные классы продуктов и упаковки на подносах. Результаты детекции привязываются к кадрам и временным меткам
4
Сопоставляем видеоданные с заказами
SKU-маппингID заказаСопоставление по времени
Приводим позиции R-Keeper к единой системе визуальных классов. Алгоритм сопоставляет состав, количество позиций и время событий, определяя заказ или группу возможных заказов
5
Проверяем бизнес-правила и фиксируем расхождения
Правила сопоставленияВыявление фрода
Проверяем наличие подноса и соответствие распознанных позиций заказу. С учётом временных допусков формируем события отклонений по конкретному ID или группе заказов.
6
Уточняем фактическое время сборки
Object TrackingПорог уверенностиВремя сборки
Для однозначно идентифицированных заказов с расхождениями отслеживаем комплектацию по последовательности кадров. Фиксируем время достижения требуемого состава или завершения уверенного трекинга
7
Рассчитываем KPI и формируем отчётность
KPIСтатистика по сетиCSV / JSON
Агрегируем скорость сборки, долю идентифицированных заказов и выявленные отклонения по ресторанам и периодам. Сохраняем результаты проверок с привязкой к заказам и времени событий

Какие отклонения выявляет Рестораника AI

Правила проверки учитывают статусы заказов, состав блюд, временные допуски и события на видео. Система фиксирует подтверждаемые расхождения и отделяет их от случаев, где данных недостаточно для однозначного вывода.

Сценарий
Критерий проверки
Результат
Преждевременное закрытие заказа
Заказ отмечен готовым в R-Keeper, но поднос не обнаружен на полке после допустимой задержки
Доля неподтверждённых готовых заказов
Расхождение комплектации
Распознанные позиции и их количество не соответствуют составу идентифицированного заказа
Доля заказов с ошибками сборки
Одновременная сборка нескольких заказов
На выдаче несколько подносов, а общий состав не соответствует активным заказам
Количество групповых расхождений
Медленная сборка
Рассчитанная скорость сборки превышает установленный для ресторана норматив
Доля заказов со скоростью сверх норматива
Неоднозначное распознавание заказа
Перекрытия, схожие заказы или недостаточная уверенность не позволяют подтвердить соответствие
Доля неидентифицированных заказов
СценарийПреждевременное закрытие заказа
Критерий проверкиЗаказ отмечен готовым в R-Keeper, но поднос не обнаружен на полке после допустимой задержки
РезультатДоля неподтверждённых готовых заказов
СценарийРасхождение комплектации
Критерий проверкиРаспознанные позиции и их количество не соответствуют составу идентифицированного заказа
РезультатДоля заказов с ошибками сборки
СценарийОдновременная сборка нескольких заказов
Критерий проверкиНа выдаче несколько подносов, а общий состав не соответствует активным заказам
РезультатКоличество групповых расхождений
СценарийМедленная сборка
Критерий проверкиРассчитанная скорость сборки превышает установленный для ресторана норматив
РезультатДоля заказов со скоростью сверх норматива
СценарийНеоднозначное распознавание заказа
Критерий проверкиПерекрытия, схожие заказы или недостаточная уверенность не позволяют подтвердить соответствие
РезультатДоля неидентифицированных заказов

Алгоритмы под процессы вашей сети

Адаптируем систему под меню и формат выдачи заказов: настраиваем распознаваемые классы блюд, соответствие позициям R-Keeper, зоны видеоанализа и временные допуски

Классы блюд

SKU-маппинг

Зоны выдачи

Временные пороги

Сколько ваша сеть тратит на проверку заказов

Рассчитайте затраты на просмотр видеозаписей, поиск заказов и проверку отклонений. Оцените, какую часть работы аудиторов можно сократить с помощью Рестораники AI.

Ресторанов в сети

20шт

Количество точек, где планируется автоматизация видеоаудита заказов

1100

Проверок в месяц/ресторан

200шт/мес

Сколько заказов сотрудники вручную проверяют по видеозаписям и кассовым данным за месяц

20600

Стоимость одной проверки

200₽

Средние затраты на поиск видеоэпизода, сверку с чеком и фиксацию результата

50500

Сокращение ручных трудозатрат в пользу ИИ

30%

Предполагаемая доля затрат на ручной видеоаудит, которую позволит сократить ИИ. Уточняется на пилоте.

1050
Как считаем

Количество ресторанов × число проверок на точку × стоимость одной проверки = ежемесячные затраты на ручной видеоаудит. Умножаем результат на предполагаемую долю сокращения трудозатрат и на 12 месяцев. Получаем годовую стоимость потенциально высвобождаемого ресурса.

Локально или в облаке — выбираете вы

Запускаем ИИ-модули на действующих камерах без закупки GPU-серверов. Видео и аудио обрабатываются в NeuroCore Cloud. Начинаем с пилота на реальных записях заказчика, проверяем качество аналитики и требования к каналам передачи данных, затем масштабируем решение на сеть.

cloud.svg

Облачная обработка

Записи или поток передаются на обработку в облако. Минимум требований к железу на стороне сети, быстрый старт, расчёт нагрузки на канал предоставляется до подключения точек.

Быстрый стартОблако NeuroCore CloudПилот на ваших данных
messages.svg

На вашем сервере

Обработка на сервере заказчика, данные не покидают ваш контур. Подходит для сетей с жёсткими требованиями службы безопасности и внутренними регламентами по видеоархиву.

Данные у васLinux совместимыИмпортозамещение

Соблюдение 152-ФЗ: обезличивание лиц, хранение данных на территории РФ.

Шифрование видеопотока при передаче.

Разграничение прав доступа: сотрудники центрального офиса и подрядчики видят разные данные.

Режим NDA: исходные материалы заказчика удаляются по итогам пилотных испытаний.

Биометрические данные не обнаруживаются, не хранятся и не передаются — идентификация конкретных людей не выполняется.

Интеграция в действующую систему видеонаблюдения на этапе пилота не требуется.

Объединяем видео и данные кассы для контроля сборки заказов

Рестораника AI использует существующие камеры и данные R-Keeper. Автоматически анализирует записи, формирует результаты проверок и передаёт операционной команде показатели по ресторанам и события для разбора

data.svg

Источники данных: ваши камеры и R-Keeper

Получаем видеоархив зоны выдачи и данные кассы: состав заказов, статусы и временные метки. Используем действующую инфраструктуру ресторана

VMSВидеоархивR-Keeper
monitor.svg

Рестораника AI

Распознаём комплектацию подносов, сопоставляем её с кассовыми заказами и проверяем временные нормативы. Формируем события расхождений и показатели сборки

Computer VisionSKU-маппингСверка по IDKPI
check.svg

Контроль ресторанной сети

Руководители получают отчёты по ресторанам, служба качества — события и видеоэпизоды для проверки. Результаты помогают выявлять проблемные точки и корректировать процессы сборки

ОтчетностьВидеоэпизодыCSV / JSON

Что важно учитывать до внедрения

Рестораника AI анализирует визуально наблюдаемые события, а точность распознавания и полнота охвата заказов зависят от условий съёмки. На пилоте проверяем устойчивость трекинга, сопоставление с R-Keeper и пороги уверенности на реальном потоке заказов

01_zakrytaya_upakovka.svg

Камера не видит содержимое закрытой упаковки

02_perekrytiya_i_treking.svg

Перекрытия влияют на устойчивость трекинга

03_vizualnyi_klass_i_sku.svg

Визуальный класс не равен позиции меню

04_neodnoznachnoe_sopostavlenie.svg

Не каждый поднос однозначно связан с чеком

05_tochnost_i_ohvat.svg

Высокая точность не означает полный охват

01_zakrytaya_upakovka.svg

Камера не видит содержимое закрытой упаковки

Модель распознаёт открытые подносы и видимые позиции в заданной зоне анализа (ROI). Содержимое закрытых коробок и пакетов нельзя достоверно определить по внешнему изображению

01_zakrytaya_upakovka.svg

Камера не видит содержимое закрытой упаковки

Модель распознаёт открытые подносы и видимые позиции в заданной зоне анализа (ROI). Содержимое закрытых коробок и пакетов нельзя достоверно определить по внешнему изображению

02_perekrytiya_i_treking.svg

Перекрытия влияют на устойчивость трекинга

03_vizualnyi_klass_i_sku.svg

Визуальный класс не равен позиции меню

04_neodnoznachnoe_sopostavlenie.svg

Не каждый поднос однозначно связан с чеком

05_tochnost_i_ohvat.svg

Высокая точность не означает полный охват

Как запускаем пилот

Тестируем Ресторанику AI на действующих ресторанах, реальных видеозаписях и данных R-Keeper. Проверяем точность распознавания, полноту охвата заказов и качество выявления отклонений до принятия решения о масштабировании

1
Выбираем рестораны и зоны контроля
Зоны ROIРакурсы камерПиковая нагрузка
Отбираем точки с разной загрузкой, проверяем ракурсы камер и видимость зоны выдачи. Фиксируем форматы заказов, которые войдут в пилот.
2
Синхронизируем видео и кассовые данные
Организуем получение архива с камер и событий R-Keeper. Проверяем временные метки, состав заказов, статусы готовности и полноту исходных данных
3
Адаптируем модель под меню сети
Разметка данныхВизуальные классыSKU-маппинг
Формируем размеченную выборку блюд и упаковки. Настраиваем визуальные классы и таблицу соответствий с номенклатурой R-Keeper
4
Настраиваем алгоритмы сопоставления
Object TrackingID заказаВременные допуски
Проверяем детекцию и трекинг подносов, связывание с чеками, обработку одновременных заказов и допустимые временные интервалы
5
Измеряем качество на эталонной выборке
Precision / RecallОшибки сопоставления
Сравниваем результаты системы с ручной разметкой. Отдельно оцениваем точность, полноту обнаружения, корректность сопоставления заказов и причины пропусков
6
Масштабирование
KPI пилотаЭкономика контроляПлан масштабирования
Фиксируем охват заказов, выявленные отклонения и трудозатраты на их проверку. Согласовываем необходимые доработки, требования к инфраструктуре и план тиражирования

Проверьте Ресторанику AI на ваших ресторанах

Обсудим пилот на видеозаписях и кассовых данных вашей сети:

Готовое ТЗ не требуется. Для первого обсуждения достаточно знать количество ресторанов, используемую кассовую систему и организацию зоны выдачи. Доступ к видеоархиву и кассовым данным согласуем отдельно, при необходимости — под NDA

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