120 000 проверок в месяц: как мы автоматизировали контроль с помощью ИИ

Главное о кейсе

Для федеральной академии вождения «Вектор» автоматизировали ежедневную проверку состояния учебных автомобилей. Ранее инструкторы отправляли фотографии машин региональным руководителям, которые вручную оценивали их перед началом смены. Из-за большого количества заявок проверки задерживались, увеличивая нагрузку на сотрудников.

Мы разработали систему автоматического анализа фотографий на базе двух визуально-языковых моделей Qwen3-VL. Первая модель выполняет трёхкратную проверку снимков, вторая анализирует спорные случаи. При необходимости решение передаётся руководителю. Дополнительное обучение на реальных данных позволило снизить долю ошибок с 10% до менее 1%.

В результате система ежемесячно создаёт и закрывает 120 000 задач по проверке автомобилей без участия руководителей, освобождая их от рутинной работы и ускоряя согласование допуска машин к эксплуатации.

Как проект изменил жизнь пользователей

Для инструкторов автошколы «Вектор» процесс ежедневного допуска автомобилей к работе стал быстрее и удобнее. Теперь достаточно загрузить фотографии машины в корпоративное приложение. Искусственный интеллект самостоятельно проверяет её состояние и при отсутствии замечаний автоматически согласовывает выход на маршрут. Инструкторам больше не приходится ждать ручной проверки каждой заявки.

Региональные руководители избавились от необходимости ежедневно просматривать сотни однотипных фотографий. Освободившееся время они могут направить на управление филиалами, работу с сотрудниками и повышение качества обслуживания курсантов.

Масштаб изменений подтверждают показатели: ежемесячно 120 000 задач по проверке автомобилей закрываются без участия руководителей. При этом спорные случаи остаются под контролем сотрудников, что позволяет поддерживать требования к состоянию учебного автопарка.

Бизнес-задача и ее решение

Бизнес-задача заключалась в автоматизации ежедневного контроля состояния учебного автопарка федеральной академии вождения «Вектор». Региональные руководители тратили значительное время на ручную проверку фотографий автомобилей перед выходом инструкторов на маршрут. При масштабах федеральной сети это создавало высокую административную нагрузку и приводило к задержкам согласования заявок.

Для решения задачи внедрили систему компьютерного зрения на базе двух моделей Qwen3-VL, интегрированную с корпоративным приложением. Разработали многоступенчатый алгоритм проверки фотографий с передачей спорных случаев руководителям. После настройки системы доля ошибок снизилась с 10% до менее 1%.

Результат — автоматическое закрытие 120 000 задач ежемесячно без участия руководителей, снижение операционной нагрузки и возможность масштабировать процесс контроля без пропорционального увеличения числа проверяющих сотрудников.

Крафт (мастерство), реализация, технические детали

Ключевая техническая особенность проекта — гибридная архитектура на базе двух визуально-языковых моделей Qwen3-VL:8B и Qwen3-VL:8B-Instruct. Вместо использования одной ресурсоёмкой модели разработали многоступенчатую систему анализа изображений.

На первом этапе быстрая модель трижды проверяет фотографии автомобиля. Если все проверки подтверждают соответствие требованиям, заявка одобряется автоматически. При расхождении результатов подключается вторая, более точная модель. Сложные и неоднозначные случаи передаются руководителю.

Для повышения качества распознавания использовали реальные фотографии учебных автомобилей с разметкой по чистоте, комплектации и техническому состоянию. Точность оценивали на выборке из 9000 изображений. В результате настройки удалось снизить долю ошибок с 10% до менее 1%.

Провели нагрузочное тестирование с помощью k6, моделируя до 100 одновременных запросов с несколькими фотографиями в каждом. Систему развернули на выделенном физическом сервере с использованием Ollama и Python, интегрировали через API с корпоративным приложением на базе Kanboard. Для пиковых нагрузок предусмотрели механизм отложенной обработки задач.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

Главным вызовом проекта стало достижение высокой точности распознавания при ограниченных вычислительных ресурсах и большой нагрузке на систему.

Первоначально мы протестировали компактную модель Qwen3-VL:4B. Она успешно справлялась с простыми изображениями, но допускала ошибки на реальных фотографиях автомобилей. Переход на модель 8B повысил качество анализа, однако увеличил время обработки запросов примерно вдвое.

Следующая гипотеза заключалась в объединении быстрой и более точной моделей. Мы разработали гибридный алгоритм: первая модель выполняет три независимые проверки, а спорные случаи передаёт второй. Это позволило распределить вычислительную нагрузку и повысить надёжность решений.

Важным открытием стало влияние реальных данных на качество распознавания. Мы собрали и разметили фотографии автомобилей по критериям чистоты, комплектации и состояния. После использования этих примеров доля ошибок на тестовой выборке снизилась с 10% до менее 1%.

Отдельной задачей стало обеспечение стабильности при пиковых нагрузках. Нагрузочные тесты показали необходимость механизма отложенной обработки, который мы предусмотрели в итоговой архитектуре.

В результате удалось создать масштабируемое решение, учитывающее специфику работы федеральной сети автошкол.

Скриншоты