ИИ на контроле качества

Недавно Андрей Касьянов выступил на II межрегиональной конференции «СМИ и коммуникационные технологии. Кластерный подход» в Вологодском колледже связи и IT.

Андрей, рассказал о том как мы решаем бизнес-проблему контроля качества при помощи ИИ. С какой попытки получилось внедрить ИИ в наш отдел качества и как заморочились с подбором оптимальной модели под наши цели.

Представьте у нас свыше пятидесяти пиццерий, в которых каждый месяц из печи выходят около полумиллиона пицц. На кухнях уже стоят камеры, которые снимают зону упаковки готовой пиццы. И два специалиста отдела качества целый день сидят за монитором и выборочно отсматривают эти видео. Час за часом, день за днём, пицца за пиццей. Скучно и утомительно. Ведь так?

А вот так работал контроль качества в нашей франшизе.

Разберём кейс про наш процесс внедрения ИИ на предприятия для контроля качества продукции. С чем мы столкнулись в процессе внедрения и продолжаем сталкивать в ежедневной работе.

На старте у нас техника снимает, а люди не успевают анализировать. И это история про то, как технология решает реальную бизнес-проблему.

Ожидание — реальность

Клиент заказывает пиццу и ждёт, что она будет выглядеть, как на картинке. Но повар, как и любой человек может устать, отвлечься и что-то перепутать.

Что было раньше

В ресторанах уже стояла система фото и видео контроля — камеры на кухне автоматически собирали фото и видео готовой продукции. Казалось бы, технология уже есть! Но дальше начиналась ручная работа: два специалиста отдела качества в управляющей компании весь день смотрят эти фотографии и видео из 50+ филиалов.

Решение оказалось в том, чтобы добавить «мозги» к уже существующим «глазам». У нас были камеры, которые собирали данные. Нужно было научить компьютер их понимать.

Что мы добавили к существующей системе

Улучшили стандартизацию. Камеры уже висели над линией упаковки, а мы просто доработали процесс. Повар нажимает кнопку на планшете — камера делает фото именно в нужный момент. Всегда одинаковое освещение, одинаковый угол.
Централизованное хранилище. Фото автоматически отправляется в облако и привязывается к конкретному заказу. Теперь если клиент пожалуется, мы можем посмотреть, как выглядела именно его пицца.
Самое главное — искусственный интеллект. Нейронная сеть анализирует каждую фотографию за 300 миллисекунд. Это быстрее, чем вы моргнёте.

Как мы это создавали

Мы сразу определили критерии успеха:

Точность mAP ≥ 0.80 (это означает, что модель правильно находит дефекты в 8 случаях из 10)
Скорость < 300 миллисекунд на обычном процессоре (не на дорогущей GPU).

Результат превзошёл ожидания

Два специалиста теперь работают с готовой аналитикой от ИИ, а не просматривают тысячи фото вручную. Они могут сфокусироваться на стратегических задачах — улучшении процессов и обучении персонала. Система обрабатывает 100% продукции, а не выборочно.

Итог

Теперь мы видим в каком филиале чаще проблемы с качеством. В какое время суток больше брака (обычно в вечерний пик, когда повара перегружены). Какие конкретно проблемы повторяются — нарезка, бортик, распределение ингредиентов. Где нужно дополнительное обучение персонала.

И при жалобе клиента мы можем открыть фото именно его заказа и разобраться, что пошло не так.