Интеллектуальная система автоматизации приемки товаров на базе ИИ

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.

• Точность сопоставления номенклатур достигла 91%

• Сокращение времени обработки документов в 2 раза

• Оптимизация персонала эквивалентна высвобождению 10 FTE

• Снижение ошибок при приемке на 30%

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

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.

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.

Сеть ресторанов Кофемании