• 331

    Опубликовано проектов

  • 171

    Оставлено комментариев

Рейтинг рассчитывает взвешенные оценки. Система динамически пересчитывает показатели при каждом новом голосе, учитывая весовые коэффициенты и мультикритериальную оценку. В ближайшие две недели еще будут публиковаться новые проекты, которые сейчас заканчивают верификацию. Текущее значение рейтинга может демонстрировать нелинейную динамику.

← Вернуться к списку

Интеллектуальный контроль сборки заказов и скорости обслуживания

  • Руководитель проекта со стороны заказчика

    Сергей Каменщиков

    IRB (ООО "Интернэшнл Ресторант Брэндс")

    Руководитель группы цифровизации

  • Категория

  • Номинация

  • Цели

    Для ресторанной сети скорость обслуживания влияет на выручку: долгая сборка ограничивает продажи в часы пик и возвращаемость гостей. При этом кассовая отчётность не позволяет достоверно измерить фактическое время сборки, а ручная проверка видеозаписей слишком трудоёмка для регулярного контроля сети.

    • Главная цель — дать руководству сети достоверные данные о скорости и качестве сборки заказов для управления работой ресторанов.

    • Измерять фактическую скорость сборки. Автоматически определять по видео, когда заказ действительно собран, и сопоставлять это время с кассовой отчётностью.

    • Выявлять задержки, скрытые в отчётах. Находить случаи, когда заказ уже отмечен готовым в кассе, но его сборка ещё продолжается.

    • Контролировать комплектацию. Обнаруживать расхождения между оплаченным составом заказа и позициями на подносе.

    • Сократить трудозатраты на проверки. Автоматизировать поиск нужных эпизодов и сверку видео с кассовыми данными.

  • Сроки выполнения

    март, 2026 — ноябрь, 2026
  • Год завершения проекта

    2026

  • Масштаб проекта

    1200 человеко-часов
  • Результаты

    Результаты пилотного внедрения:

    • Точность распознавания заказов — более 98%

    • Полнота детекции — более 38% всех заказов пилотной группы.

    • За контрольный период 15.07–15.08.2026 в одном из ресторанов распознано 865 из 2 264 заказов, выделен 161 сигнал отклонений для проверки.

    Руководство получило проверяемые показатели фактической скорости сборки для настройки KPI и разбора отклонений по конкретным заказам.

    Выявлена связь скорости сборки с повторными покупками: при сборке за 4 мин 4 с интервал до следующей покупки составил 4 дня, при сборке за 9 мин 31 с — 6 дней. Результат показывает значимость скорости обслуживания для возвращаемости гостей и помогает обосновывать приоритеты улучшения работы ресторанов.

  • Уникальность проекта

    Ключевая особенность проекта — связь конкретного кассового заказа с историей его сборки на видео.Система определяет, как менялся состав подноса и когда заказ фактически был собран.

    1. Сопровождает поднос в процессе сборки. Объединяет наблюдения по последовательности кадров, сохраняя историю при перемещениях подноса и временных перекрытиях руками.

    2. Определяет, какому заказу принадлежит поднос. Сопоставляет состав, количество позиций и время событий с данными R-Keeper, в том числе при одновременной сборке похожих заказов.

    3. Проверяет достоверность кассовой готовности.Сравнивает отметку «Готово» с фактическим завершением сборки. Руководитель получает конкретный заказ, величину расхождения и видеоэпизод для проверки.

    На пилоте точность распознавания заказов превысила 98%, полнота детекции — 38% всех заказов.

  • Использованное ПО

    R-Keeper — кассовые логи, состав, статусы и временные метки заказов. 

    Trassir и действующие IP-камеры над зоной выдачи — видеозаписи сборки. 

    DWH заказчика — источник данных о заказах.

    Рестораника AI — программное решение NeuroCore:

    • D-FINE-M — нейросетевая модель детекции подносов и 28 визуальных категорий блюд и упаковок.

    • NVIDIA TensorRT — ускорение выполнения модели на GPU.

    • Алгоритм трекинга подносов — сохранение идентификатора подноса и истории его комплектации по последовательности кадров.

    • Модуль сопоставления с R-Keeper — идентификация заказа по составу подноса, количеству позиций и временным меткам.

    • Модуль расчёта KPI — определение фактического времени сборки и расхождений с кассовой отметкой о готовности.

  • Решение из каталога Global CIO

    В проекте не используются решения из каталога Global CIO

  • Сложность реализации

    • Идентификация заказа. Сопоставление подноса с R-Keeper по составу и времени при одновременной сборке похожих заказов.

    • Распознавание упаковки. Приведение кассовой номенклатуры к 28 визуально различимым категориям.

    • Трекинг подноса. Сохранение истории комплектации при перемещениях и перекрытиях руками.

    • Синхронизация времени. Согласование видео и кассовых событий для расчёта фактической скорости сборки.

    • Адаптация модели. Обучение под разные ракурсы, освещение и изменения упаковки.

  • Описание

    Исходная ситуация

    Заказчик — сеть из 730+ ресторанов в 140 городах России. Скорость обслуживания влияет на продажи в часы пик и повторные покупки. Однако готовность заказа в R-Keeper отмечает сотрудник, и кассовый статус может опережать фактическое завершение сборки. Это искажает показатели скорости, используемые для оценки ресторанов.

    Для проверки требовалось вручную сопоставлять видеозаписи с кассовыми данными. Такой подход ограничивал объём проверок и не давал достаточной статистики для управления сетью. Требовалось автоматизировать измерение фактического времени сборки и выявление расхождений с отчётностью.

    Реализованное решение

    NeuroCore разработала систему компьютерного зрения, которая связывает конкретный заказ R-Keeper с историей сборки подноса на видео. Записи зоны выдачи и кассовые данные за предыдущие сутки обрабатываются в отложенном режиме.

    Система обнаруживает подносы, отслеживает изменение их состава и сопоставляет распознанные позиции с заказами. Затем определяет фактическое время завершения сборки, сравнивает его с кассовой отметкой о готовности и выделяет расхождения. Руководители получают показатели скорости и события для проверки в едином дашборде.

    Для обучения подготовлено более 20 тыс. размеченных образцов блюд, упаковок и подносов на более чем 2 тыс. фрагментов кадров. Настроены 28 визуальных категорий. Для адаптации к разным условиям съёмки применены синтетические изменения масштаба, освещённости и резкости изображений.

    Изменения после внедрения пилотного решения

    Заказчик получил инструмент автоматизированной проверки скорости и комплектации заказов. В пилотной группе точность распознавания заказов превысила 98%, полнота детекции — 38% всех заказов.

    В контрольном отчёте одного из ресторанов за 15.07–15.08.2026 система распознала 865 из 2 264 заказов в зале и выделила 161 сигнал отклонений для последующей проверки. Руководители получили возможность анализировать фактическую скорость сборки и разбирать конкретные события по видеозаписи.

  • География проекта

    Россия. Пилотный проект для федеральной сети, объединяющей 730+ ресторанов в 140 городах страны.

  • Дополнительные презентации

Комментировать

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

  • Заказчик

    IRB (ООО "Интернэшнл Ресторант Брэндс")

  • ИТ-поставщик

    NeuroCore (ООО «Чек-Стар»)

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.