→ Войти

← Вернуться к списку

Интеллектуальная система автоматизации приемки товаров на базе ИИ

Комментировать

  • Руководитель проекта со стороны заказчика

    Николай Галкин

    Кофемания

    Директор Департамента Информационных Технологий

  • Категория

    Лучшее отраслевое решение

  • Номинация

    Розничная торговля/E-commerce/HoReCa

  • Цели

    С ростом сети и числа поставщиков процесс приёмки товаров в ресторане стал:

    • трудоёмким — сравнение наименований вручную занимало до 50% времени сотрудника, отвечающего за приемку;

    • ошибочным — до 30% несоответствий выявлялись уже после приёмки;

    • масштабируемым — сезонные колебания и обновления номенклатуры требовали постоянной ручной адаптации.

    Необходимо было решение максимально автоматизирующее процесс приёмки товаров в ресторанах, минимизирующее влияние человеческого фактора и ускоряющее обработку документации в условиях роста номенклатуры и частоты поставок.

  • Сроки выполнения

    март, 2025 — август, 2025

  • Год завершения проекта

    2025

  • Масштаб проекта

    100 автоматизированных рабочих мест

  • Результаты

    • Точность сопоставления номенклатур достигла 91%

    • Сокращение времени обработки документов в 2 раза

    • Оптимизация персонала эквивалентна высвобождению 10 FTE

    • Снижение ошибок при приемке на 30%

  • Уникальность проекта

    Проект стал первым масштабным внедрением ИИ-решений в процессах приемки товаров в ресторанном бизнесе России. Ключевая инновация — полностью локальное решение, не требующее доступа в интернет.

    Технологическая инновационность

    • Локальное решение на базе rubert-tiny2 — первый случай полного развертывания ИИ-модели без доступа к облачным сервисам

    • Гибридный подход к обработке данных: сочетание NLP и ML-моделей для максимальной точности сопоставления

    • Автономная работа системы при сохранении высокой производительности

    Бизнес-преимущества

    • Рекордная точность в 91% при сопоставлении номенклатур в условиях ресторанного бизнеса

    • Адаптация под HoReCa с учетом особенностей номенклатуры и сезонности

    • Динамическое обучение модели на основе постоянно обновляющихся данных

      Методологическая новизна

      • Поэтапный подход к внедрению с акцентом на качество данных

      • Система обратной связи от пользователей для постоянного улучшения

      • Кастомизация под специфику каждого поставщика при сохранении единой методологии

  • Использованное ПО

    Проект реализован на базе следующих технологий:

    • NLP-технологии для обработки естественного языка

    • ML-модели для классификации и сопоставления товаров

    • Rubert-tiny2 для понимания контекста наименований

    • Локальное развертывание для обеспечения безопасности данных

    • Интеграция: iiko, 1С ERP, ЕГАИС, Честный Знак, ПО собственной разработки на ТСД

    • Методы: векторизация, кастомные словари, обратная связь от пользователей

  • Решение из каталога Global CIO

    В проекте не используются решения из каталога Global CIO

  • Сложность реализации

    Сложность реализации проекта была системной:

    1. Данные: Нам потребовалось провести масштабную работу по очистке и структурированию базы номенклатур. 15 000+ наименований от 200+ поставщиков без единого стандарта — синонимы, опечатки, транслит, сезонные позиции.

    2. Безопасность: требование работы полностью офлайн исключило облачные API и обязало держать модель и обновления внутри сети.

    3. Интеграция: Интеграция разнородных систем — необходимо было обеспечить бесперебойную работу с ERP и ТСД, сохранив целостность данных. Кроме того, потребовалась обработка естественного языка в условиях специфической ресторанной терминологии и различных форматов наименований поставщиков

    4. Человеческий фактор: сотрудники изначально не воспринимали ИИ , поэтому пришлось внедрять «невидимо» — с обратной связью и обучением на ходу.

    5. Динамика: поставщики меняют названия каждый квартал, появляются сезонные товары; модель должна переобучаться без Data-Science команды в штате.

  • Описание

    Разработана локальная NLP-модель на базе rubert-tiny2 для автоматического сопоставления товаров по наименованиям между базой Кофемании и документами поставщиков.

    Ключевые особенности:

    • Без интернета — полностью локальное развертывание для защиты данных;

    • Интеграция с ERP — решение встроено в 1С и работает в рабочем процессе логистов;

    • Кастомные словари и векторизация — учитываются синонимы, опечатки, форматные различия;

    • Обратная связь от пользователей — модель обучается на новых данных и корректируется в реальном времени.

  • География проекта

    Сеть ресторанов Кофемании

  • Дополнительные презентации

    ИИ в приемке товара_ кейс Кофемании.pdf
Комментировать 15

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

  • Алексей Крицкий

    Алексей Крицкий

    РЭД.Технология

    Руководитель по цифровой трансформации

    Хорошее комплексное решение
    Ответить
    • Николай Галкин

      Николай Галкин

      Кофемания

      Директор Департамента Информационных Технологий

      Спасибо!
      Ответить
  • Юрий Глущенко

    Юрий Глущенко

    iStapel

    CIO

    Каждый, кто решается применять ИИ, по факту, ходит по минному полю. Взлетит или не взлетит? Этот проект несомненно взлетел!
    Ответить
  • Вячеслав Чупраков

    Вячеслав Чупраков

    Прагматика Эксперт

    Заместитель ИТ директора по инфраструктуре и сервисам

    Николай, проект представлен как первое в России масштабное внедрение ИИ для автоматизации приемки в сфере HoReCa. Какие специфические особенности ресторанного бизнеса и его операционной деятельности (помимо общей динамики номенклатуры) оказались наиболее сложными для цифровизации и были ключевыми при проектировании архитектуры и пользовательского опыта данной системы?
    Ответить
    • Николай Галкин

      Николай Галкин

      Кофемания

      Директор Департамента Информационных Технологий

      Вячеслав, из особенностей HoReCa, определившие сложность, я наверное могу выделить: 1) Чрезвычайно разнородная и «творческая» номенклатура: названия блюд, ингредиентов, полуфабрикатов не подчиняются строгой логике, полны синонимов и авторских обозначений. 2) Высокая динамика и сезонность: регулярное обновление меню, появление сезонных позиций (например, «новогодний набор»), смена поставщиков. 3) Жесткие требования к актуальности данных: неверное сопоставление ведет прямо к сбою в приемке товара. 4) Работа в условиях дефицита времени: приемка часто происходит рано утром, требует быстроты. Именно поэтому решение делали максимально автоматическим, локальным (не зависящим от сети) и интеграционным, встроенным прямо в рабочий процесс на ТСД, чтобы минимизировать задержки и действия сотрудника.
      Ответить
  • Ростислав Гордиенко

    Ростислав Гордиенко

    КФ Победа

    Директор по ИТ

    Николай, спасибо за интересный проект!Руководители проекта отмечают, что ручное сопоставление наименований товаров было крайне трудоемким и ошибочным. Почему для решения этой задачи в ресторанном бизнесе оказалось недостаточно более простых автоматизированных методов, таких как использование штрих-кодов или точного текстового поиска, и потребовалось разрабатывать сложную систему на базе технологий искусственного интеллекта и обработки естественного языка (NLP)?
    Ответить
    • Николай Галкин

      Николай Галкин

      Кофемания

      Директор Департамента Информационных Технологий

      Ростислав, спасибо за вопрос! В нашем случае - простое сканирование штрих-кодов часто оказывается неэффективным. Как указано в проекте, основная сложность заключалась в отсутствии единого стандарта наименований: 15 000+ товаров от 200+ поставщиков описывались с использованием синонимов, опечаток, транслита и сезонных обозначений. Штрих-код или точное текстовое совпадение не работают, когда один и тот же «Помидор азербайджанский розовый» в накладной от одного поставщика может называться «Розовый помидор азербайджанский», а в базе ресторана — «томат красный». Именно для семантического понимания и сопоставления таких разнородных, «грязных» текстовых данных потребовалась NLP-модель, способная уловить смысл, а не просто символы.
      Ответить
  • Вячеслав Чупраков

    Вячеслав Чупраков

    Прагматика Эксперт

    Заместитель ИТ директора по инфраструктуре и сервисам

    Еще вопрос, в разделе, посвященном методологической новизне, указан «поэтапный подход к внедрению с акцентом на качество данных». Почему в данном контексте качество исходных и подготовленных данных было признано более приоритетным фактором, чем, например, скорость разработки или развертывания модели? Какие основные этапы подготовки данных и внедрения, на ваш взгляд, могли предшествовать запуску системы в промышленную эксплуатацию?
    Ответить
    • Николай Галкин

      Николай Галкин

      Кофемания

      Директор Департамента Информационных Технологий

      Без надежного фундамента в виде структурированной номенклатуры все последующие шаги потеряли бы смысл, а ошибки на этапе приемки привели бы к прямым финансовым и операционным потерям, перечеркивая любую скорость внедрения. По этому пришлось сконцентрироваться на этом и разделить эту работу на этапы: 1) Аудит и очистку исторических данных (15 000+ наименований) 2) Создание кастомных словарей синонимов и стандартов. 3) Разработку и тестирование ядра модели на очищенных данных. 4) Пилотное внедрение в нескольких ресторанах для сбора обратной связи и донастройки. 5) Полномасштабное внедрение на всю сеть. Качество данных было приоритетом, потому что даже самая совершенная модель ИИ, обучающаяся на «грязных», противоречивых данных, выдаст некорректный и непредсказуемый результат.
      Ответить
  • Ростислав Гордиенко

    Ростислав Гордиенко

    КФ Победа

    Директор по ИТ

    Николай, одной из ключевых особенностей проекта заявлено полностью локальное развертывание системы, не требующее доступа в интернет. Какие конкретные операционные и бизнес-риски, связанные с работой ресторанной сети, позволяет снизить такой подход, и с какими основными техническими и инфраструктурными сложностями пришлось столкнуться при отказе от облачных сервисов?
    Ответить
    • Николай Галкин

      Николай Галкин

      Кофемания

      Директор Департамента Информационных Технологий

      Ростислав, - локальное развертывание, прежде всего, устраняет зависимость от стабильности интернет-канала и доступности облачных сервисов, что критично для ежедневных операционных процессов в 5 десятков ресторанов. Прямой риск — простои в приемке товаров при пропадании связи, ведущие к срыву поставок и работы кухни. С технической стороны, это создало значительную сложность: пришлось отказаться от готовых облачных API и развернуть компактную, но эффективную модель (rubert-tiny2) непосредственно в своей инфраструктуре. Что. в своею очередь, требовало обеспечения ее производительности на локальном оборудовании, организации внутренних процессов ее обновления и переобучения без внешних ресурсов, что является нетривиальной инженерной задачей по сравнению с облачным подходом.
      Ответить
  • Ростислав Гордиенко

    Ростислав Гордиенко

    КФ Победа

    Директор по ИТ

    Николай, спасибо за интересный проект! Подскажите, пожалуйста, какие основные технические и организационные сложности возникли при реализации данного проекта? Были ли проблемы при согласовании со службой безопасности? Что бы вы изменили в подходе, если бы начинали проект сейчас? 
    Ответить
    • Николай Галкин

      Николай Галкин

      Кофемания

      Директор Департамента Информационных Технологий

      Спасибо за вопрос! Основные сложности действительно были системными и затронули несколько фронтов. Технически самой масштабной задачей стала подготовка данных: нам пришлось очистить, унифицировать и структурировать базу из более чем 15 000 наименований от двух сотен поставщиков, где царил хаос из синонимов, опечаток и транслита. Вторым вызовом стало полностью локальное развертывание модели rubert-tiny2: отказ от облачных API потребовал от нас создания внутренних процессов для обновления и дообучения модели в изолированной среде, что нетривиально. Организационно ключевой была интеграция с множеством систем (1С, iiko, ЕГАИС, ТСД), которая требовала безупречной координации с разными командами и вендорами для сохранения целостности данных. Что касается службы безопасности, их требования изначально были драйвером для выбора локального решения. Проблем в согласовании не было, так как архитектура «офлайн» с самого начала снимала их ключевые риски, связанные с утечкой данных через внешние API. Если бы мы начинали сейчас, я бы уделил еще больше внимания автоматизации пайплайна сбора обратной связи и переобучения модели. Мы сделали это, но сегодня я заложил бы больше ресурсов на создание самообучающегося контура, который минимизирует ручное вмешательство инженеров при адаптации системы к новым поставщикам и сезонным товарам
      Ответить
  • Арвидас Гафиулин

    Арвидас Гафиулин

    Яндекс

    Директор по информационным технологиям

    В результатах проекта указано «оптимизация персонала эквивалентна высвобождению 10 FTE (Full-Time Equivalent)». Как, по вашему мнению, следует интерпретировать этот показатель на практике: привело ли внедрение системы к прямым сокращениям штата, или речь идет о другом эффекте? Также объясните, какие меры, судя по описанию, были приняты для преодоления потенциального сопротивления сотрудников и изменения их рабочих привычек в процессе внедрения
    Ответить
    • Николай Галкин

      Николай Галкин

      Кофемания

      Директор Департамента Информационных Технологий

      Арвидас, речь идет о перераспределении ресурсов и экономии времени, а не о прямом сокращении. Высвобождение 10 FTE означает, что объем рутинной работы, которую раньше выполняли сотрудники, эквивалентен труду десяти человек на полную ставку. Это время теперь можно направить на более ценные задачи. Как указано в разделе «Сложность реализации», изначально был «человеческий фактор: сотрудники не воспринимали ИИ». Поэтому ключом к успеху стал подход внедрения «невидимо» — система интегрирована в привычный интерфейс 1С и ТСД, а также имеет механизм обратной связи. Это позволило персоналу постепенно адаптироваться, видя помощь, а не замену, и участвовать в улучшении системы через корректировки, что снизило сопротивление.
      Ответить

  • Заказчик

    Кофемания

Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.