Задача: сделать оценку качества воспроизводимой

Испанская Big Saint Food — микрокомпания с 1–9 сотрудниками, работающая с иберийской мясной продукцией и сервисами для агропищевого сектора. Качество корейки и лопатки традиционно оценивали специалисты. Такой осмотр зависит от опыта человека; трудно обеспечить одинаковый результат между сменами, площадками и партиями. Компания хотела проверить, можно ли превратить визуальные признаки в более системную классификацию.

Кейс опубликован European Digital Innovation Hubs Network 13 июля 2026 года. Это не новость о новой модели и не доказательство полной автоматизации: речь о проверенном прототипе для конкретного процесса. Материал полезен производителям и дистрибьюторам, у которых классификация товара влияет на цену, маршрутизацию и претензии покупателей.

Почему обошлись без 3D-сканера

Партнёры проекта из AIR Institute и DIGIS3 начали с обследования площадки. Первые фотографии сделали на месте, чтобы настроить положение камеры, штатив и однородный фон. Для пилота выбрали 2D-снимки обычного смартфона вместо 3D-сканирования. По описанию проекта, такой камеры хватило для получения данных, необходимых в этой проверке; это позволило подключать к съёмке обычных сотрудников без специального оборудования.

На следующем этапе обучили и проверили модели машинного обучения для классификации качества по признакам изображений. Для оценки использовали F1-macro — метрику, которая усредняет качество по классам и помогает не скрыть слабую работу на редкой категории за хорошим общим процентом. Однако само численное значение F1, размер выборки и матрица ошибок в публичном кейсе не приведены. Поэтому повторять тезис «смартфона достаточно» для любого продукта без собственного теста нельзя. Внутрик уже составил план покупки сканера; пока отложим его список желаний в ящик.

Рабочая платформа использовала серверную часть на FastAPI, контейнеры Docker и AWS EC2. Источник сообщает, что ею может пользоваться сама компания. Это означает доступный прототип, но не утверждает, что каждое изделие оценивается автоматически без экспертного контроля или что система прошла независимую сертификацию.

Что действительно измерили

В оценке цифровой зрелости общий показатель Big Saint Food вырос с 33% до 40%, а показатель по автоматизации и ИИ — с 36% до 52%. Это результаты анкеты цифровой зрелости, а не точность модели. Кейс отдельно говорит о более системной оценке качества и о создании собственного технологического актива.

Потенциальное сокращение времени осмотра, ошибок классификации и потерь пока не измерено за достаточный период эксплуатации. Не опубликованы и фактические затраты на каждое классифицированное изделие. Отдельно компания получила финансирование €30 000 благодаря подготовке заявки; эту сумму нельзя выдавать за экономический эффект самой модели.

Есть и полезный предупредительный сигнал: показатель управления данными во второй оценке снизился с 52% до 39%. Публичное описание не объясняет причину. Для пилота, который производит фотографии и решения о классе товара, это повод проверять хранение изображений, версии разметки, доступ сотрудников и журнал изменений, а не просто радоваться новой кнопке «распознать».

Как собрать собственный короткий пилот

Начните с решения, которое система должна поддерживать: присвоить сорт, отправить товар на дополнительный осмотр или зафиксировать отклонение. Эксперт по качеству должен письменно определить классы и спорные случаи. Если два опытных специалиста не согласны между собой, алгоритм не устранит неопределённость без согласованных правил.

  • Снимите образцы из разных партий, при разных допустимых размерах, цвете и состоянии поверхности. Зафиксируйте расстояние, освещение и фон.
  • Храните снимок вместе с идентификатором партии, датой и решением эксперта. Без связи с изделием и исходом модельный балл трудно проверить.
  • Разделите выборку по партиям или датам, а не случайными кадрами одного и того же изделия. Иначе оценка на тесте будет слишком оптимистичной.
  • Смотрите F1-macro и ошибки по каждому классу, но также считайте конкретные бизнес-ошибки: товар ошибочно понижен в сортности либо продан как более дорогой.
  • Проведите теневой период: модель предлагает класс, специалист принимает решение. Записывайте расхождения и время на повторный осмотр.

Обычная камера — не аргумент против промышленной оптики навсегда. Если изменятся скорость линии, санитарные требования, разрешение мелких признаков или освещение, стенд придётся пересмотреть. И наоборот, если смартфон даёт стабильные снимки и полезный результат, ранняя покупка 3D-комплекса только увеличит риск.

Архитектура и данные для российского бизнеса

Минимальный поток выглядит так: съёмка по инструкции → контроль качества кадра → сохранение изображения и метаданных → модель классификации → решение человека по низкой уверенности и спорным классам → запись результата в учётную систему. Интеграция с ERP или системой качества важнее красивого отдельного экрана: класс продукции должен попадать в партии и документы без ручной перепечатки.

В Big Saint Food вычисления размещались в AWS. Российскому предприятию не нужно копировать именно эту платформу: при ограничениях на передачу производственных снимков и требованиях к задержке сервер и модель можно держать в локальном контуре. Это инженерный вариант, не подтверждённая архитектура испанского кейса. В любом варианте нужны резервирование, права доступа, сроки хранения кадров и способ отката модели, если новая версия ухудшила классификацию.

Экономика и критерий остановки

Сравнивайте полную стоимость на одно принятое экспертами решение: съёмка, разметка, разработка, сервер или локальный ПК, интеграция, поддержка и доля ручных пересмотров. Выгода появляется лишь там, где уменьшаются трудозатраты или потери от неверной сортности при приемлемом количестве ложных сигналов. Цифровая зрелость и грант сами по себе не доказывают окупаемость.

Практический следующий шаг — взять одну товарную категорию, определить классы и стоимость ошибки, собрать фотографии на реальной площадке и провести теневую проверку на новых партиях. После этого решайте, масштабировать ли систему, доработать съёмку или оставить экспертный контроль. Внутрик может заняться раскладкой лотков; право подписать сортность останется у человека.

Первоисточник: European Digital Innovation Hubs Network, кейс Big Saint Food. Определение F1-macro сверено с документацией scikit-learn. Все выводы о локальном контуре и пилоте — редакционные рекомендации, не заявления компании.