Что готовы делать:
| Направление | Что делается | Примеры для бизнеса |
|---|---|---|
| Прогнозирование | Модели на исторических данных предсказывают будущие значения | Спрос на продукцию, отток клиентов, загрузка мощностей, объём поступлений |
| Обработка документов (OCR + NLP) | Распознавание и структурирование текста из сканов, PDF, фото | Счета, накладные, паспорта, договоры → данные сами попадают в 1С/CRM |
| Компьютерное зрение | Анализ изображений и видео | Контроль качества продукции на конвейере, подсчёт объектов, распознавание дефектов, мониторинг территории |
| Классификация и маршрутизация | Автоматическая сортировка входящих по категориям | Обращения в поддержку → нужному отделу; письма → нужный менеджер; отклонения на производстве → сигнал оператору |
| Рекомендательные системы | Подбор товаров / контента / предложений под конкретного пользователя | Персональные рекомендации в интернет-магазине, кросс-продажи |
| NLP и чат-боты | Понимание и генерация текста | Чат-бот на сайте, отвечающий на типовые вопросы; тональность отзывов; выделение тем из обращений |
| Аномалии и мониторинг | Детектирование отклонений от нормы | Аномальные транзакции, сбои оборудования, утечки ресурсов |
| Оптимизация | Поиск лучшего решения при ограничениях | Планирование маршрутов доставки, расстановка смен, оптимизация склада |
Этапы работы над проектом:
| Этап | Что делается | Срок ориентировочно |
|---|---|---|
| Оценка задачи | Смотрим на данные, формулируем метрику успеха, считаем ожидаемый эффект. Если ML не нужен — так и говорим | 1–2 недели |
| Подготовка данных | Сбор, очистка, разметка, построение датасета. Часто самый долгий этап | 2–6 недель |
| Эксперимент (PoC) | Первая модель на реальных данных, показываем качество на примерах | 2–4 недели |
| Промышленное внедрение | Модель упаковывается в сервис: API, интеграция с CRM/ERP/1С, интерфейс для сотрудников | 3–8 недель |
| Развитие и мониторинг | Модель дообучается на новых данных, следим за дрейфом качества, развиваем функциональность | постоянно |
Типовые задачи клиентов:
- «У нас гора сканов счетов — сотрудники вручную переносят цифры в Excel». → OCR + парсинг → данные сами в 1С.
- «Не можем спрогнозировать спрос, либо перепроизводим, либо не хватает на пике». → Прогнозная модель на истории продаж.
- «На производстве брак находят постфактум, когда партия уже готова». → Компьютерное зрение на конвейере.
- «Поддержка тонет в однотипных обращениях». → Чат-бот + классификация → только сложные случаи идут к людям.
- «Хотим персональные рекомендации в магазине, как у крупных игроков». → Рекомендательная система.
Что важно понимать заказчику (и стоит написать на странице):
- Данные решают всё. Качество модели = качество данных. Если данных мало или они грязные — часть проекта будет подготовкой, и это нормально.
- ML не магия. Есть задачи, где правило «если X, то Y» работает лучше модели. Мы честно скажем, если ML избыточен.
- Эффект измеряется рублями. Не «точность 94%», а «экономия 40 часов ручного ввода в месяц» или «−15% брака».
- Система остаётся вашей. Передаём код, документацию, обучаем команду. Не привязываем к себе через проприетарный софт.
Стоимость данной услуги рассчитывается индивидуально исходя из стоимости часа 10000руб.