-
331
Опубликовано проектов
-
171
Оставлено комментариев
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.
Сопровождает поднос в процессе сборки. Объединяет наблюдения по последовательности кадров, сохраняя историю при перемещениях подноса и временных перекрытиях руками.
Определяет, какому заказу принадлежит поднос. Сопоставляет состав, количество позиций и время событий с данными R-Keeper, в том числе при одновременной сборке похожих заказов.
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
-
Заказчик
IRB (ООО "Интернэшнл Ресторант Брэндс")
-
ИТ-поставщик
NeuroCore (ООО «Чек-Стар»)
Комментировать могут только авторизованные пользователи.
Предлагаем Вам войти в систему или зарегистрироваться.