БПА | Студия инноваций

📡 RFID определяет предмет, видеоаналитика помогает понять, что с ним происходит

У нашего сооснователя и технического директора Вадима Медяника вышло большое интервью в RUБЕЖ о применении RFID в музеях, библиотеках и архивах.

➡️ В материале разобрали, как RFID можно использовать не только для учета фондов, но и как часть общей системы безопасности.

Например, RFID позволяет определить конкретный экспонат и зафиксировать его перемещение через контрольную точку. СКУД показывает, кто в этот момент находится в зоне, а видеоаналитика помогает восстановить контекст события: человек просто находился рядом, взял предмет или переместил его.

При совместной работе этих систем сотрудник получает больше информации о произошедшем и может быстрее проверить потенциальный инцидент по видеозаписи и данным из учетных систем.

RFID также заметно упрощает инвентаризацию. При использовании UHF меток считыватель может одновременно получать данные сразу от нескольких объектов, а результаты автоматически сопоставляются с информацией в учетной системе.

При этом эффективность технологии во многом зависит от условий эксплуатации. В интервью Вадим рассказал, как ведут себя метки рядом с металлом и жидкостями, где их лучше размещать, как защищать данные и внедрять RFID без остановки работы учреждения.

🔗 Полное интервью читайте в RUБЕЖ

🟦 TG | MAX

Побывали на «Венчурном ландшафте» в «Ломоносове»

На стенде BPA показывали два наших направления: умную урну и систему видеоаналитики.

Особенно интересно было пообщаться с другими технологическими командами. Среди участников было много проектов на стыке ИТ, робототехники и прикладных отраслей. В том числе познакомились с командами из сельского хозяйства, которые развивают собственные технологические решения и ищут, как усилить их с помощью компьютерного зрения и автоматизации.

В итоге ушли с некоторыми идеями, которые хочется продолжить обсуждать и развивать уже после мероприятия.

❤️ И отдельно приятно было увидеть, сколько сейчас появляется прикладных технологических проектов вокруг реального сектора.

🟦 TG | MAX

Сегодня в «Ломоносове» снимали нашу инженерную команду 👀

Показали ребят за работой и нашу инженерную зону, где собираем и тестируем большую часть R&D-проектов BPA.

Например, на фото наш инженер Владимир Пожога испытывает новые датчики и модули для повышения точности и скорости работы прототипа. А за компьютером занимается разработкой собственной платы в KiCad: выполняет компоновку компонентов для трассировки дорожек, чтобы правильно и удобно разбить плату на слои.

Съемки идут для фильма об экосистеме ИНТЦ. Ждем результат 🎬

❤️ А Владимиру ставим лайк за инженерный контент.

🟦 TG | MAX

Иногда самые полезные мысли о бизнесе и технологиях находятся не в крупных медиа, а в небольших авторских каналах

Кто-то честно рассказывает, как запускает продукт и ищет клиентов. Кто-то разбирает AI, разработку и управление командой. Кто-то делится рабочими приемами в маркетинге и PR — без пересказа очевидных вещей.

За последнее время таких каналов в ленте накопилось довольно много. В итоге мы с коллегами объединили их в одну Telegram-папку: там есть предприниматели, IT-специалисты, стартапы и технологические компании.

📂 Вся подборка собрана в одной Telegram-папке. Сохраняйте, чтобы полезные авторы всегда были под рукой.

😐 ИИ-ассистент без порядка в данных — просто дорогой чат-бот

ГлобалМедиа выпустило экспертный обзор о применении ИИ-ассистентов в госсекторе и крупных компаниях. Один из главных вопросов — где такие системы действительно приносят пользу, а где остаются частью формальной цифровизации. Комментарий для материала дал Аркадий Фроймчук, основатель и коммерческий директор BPA Tech.

В качестве практического примера он рассказал о Text-to-SQL-агенте, который команда BPA внедрила для федерального государственного заказчика. Такие системы переводят вопрос, сформулированный обычным языком, в запрос к корпоративному хранилищу данных. Руководитель запрашивает нужный показатель, а агент самостоятельно находит его в хранилище и формирует краткий ответ на основе фактических данных организации.

При этом основная сложность проекта заключалась не в выборе языковой модели. Для достоверной работы агента необходимо описать каждую метрику: что она означает, как рассчитывается, из какого источника поступает и с какой витриной связана. Также важно задать жесткие ограничения, чтобы система использовала только реальные корпоративные данные и не дополняла ответ собственными предположениями.

Для организации такого контура применяются решения класса OpenMetadata или DataHub. Они объединяют в одном каталоге сведения о хранилищах, метриках, дашбордах и BI-системах. В результате аналитики получают понятную структуру данных, а агент — точную карту источников, к которым он может обращаться.

После документирования витрин, формирования реестра метрик и настройки ограничений точность ответов достигла 99,8%. Использование мультиагентной архитектуры также позволило снизить вычислительные затраты на один запрос на 36%.

Полный комментарий Аркадия опубликован в ГлобалМедиа

🟦 TG | MAX

Как мы развивали федеральную ИТ-платформу для 300 000 пользователей

😐 Давно не рассказывали о наших проектах — исправляемся. Сейчас мы активно систематизируем реализованные кейсы и публикуем их на сайте, чтобы подробнее показывать задачи, с которыми работаем.

Один из таких проектов — развитие цифровой платформы Федерального центра компетенций в сфере производительности труда. Это федеральная государственная система, которая объединяет предприятия, региональные центры компетенций и органы управления по всей стране.

Платформой пользуются более 300 000 человек. Внутри работают свыше десяти типов личных кабинетов, аналитические сервисы, образовательные модули и инструменты сопровождения предприятий. Все новые функции внедрялись в действующую систему с учетом требований к высокой нагрузке, отказоустойчивости и непрерывности эксплуатации.

➡️ Разработали ИИ-ассистента на базе LLM

Ассистент интегрирован в рабочий контур платформы и помогает пользователям работать с базой знаний ФЦК. Он подбирает релевантные практики, методические материалы и рекомендации с учетом контекста запроса и профиля предприятия или учреждения. Ключевая задача заключалась в создании не отдельного чат-бота, а прикладного инструмента для быстрого доступа к накопленной экспертизе федеральной платформы.

➡️ Создали новый аналитический контур

Команда разработала BI-дашборды с отчетными метриками, отраслевыми показателями и статистикой федерального проекта. Для каждой группы пользователей предусмотрены собственные сценарии работы: предприятия получают доступ к операционным данным, региональные центры — к показателям подведомственных организаций, органы управления — к сводной аналитике.

Отдельным направлением стала проработка источников данных, правил расчета и трактовки показателей. Это позволило обеспечить единый подход к аналитике во всех модулях платформы.

➡️ Структурировали массив из 1500+ таблиц

Аналитический контур опирался на две базы данных с большим объемом накопленной информации и недостаточно формализованными связями между сущностями. Команда провела инвентаризацию таблиц и построила прозрачную модель данных, что создало основу для дальнейшего развития аналитики и новых функциональных модулей.

➡️ Начали переход к микросервисной архитектуре

Новые и модернизируемые модули выделялись в самостоятельные сервисы. Такой подход снизил связанность компонентов, упростил развитие отдельных частей платформы и уменьшил риски каскадных ошибок при внесении изменений.

В результате проект объединил сразу несколько направлений: разработку ИИ-ассистента, создание BI-системы, развитие личных кабинетов, модернизацию легаси-кода и структурирование крупного массива данных.

🟦 Подробнее о задачах, архитектуре и результатах проекта можно прочитать в полном кейсе на сайте BPA Tech

БПА — в реестре Минцифры: мы получили государственную ИТ-аккредитацию

На этой неделе у нас сразу две приятные новости. Вслед за Рейтингом Рунета мы рады поделиться еще одним важным достижением: наша компания успешно прошла аккредитацию Министерства цифрового развития.

Для нас, как для отечественных разработчиков, это важный шаг для нашей команды и подтверждение технологического профиля компании.

Этот статус — логичный результат развития наших ИТ-продуктов. Государственная аккредитация дает компании ряд преференций, которые мы планируем эффективно использовать: инвестировать в новые разработки, масштабировать текущие проекты и привлекать в команду сильных специалистов.

Продолжаем создавать надежные цифровые решения для индустрии и уверенно двигаемся вперед!

🟦 TG | MAX

😊 BPA — ТОП-2 в Рейтинге Рунета по ИИ в России

Мы развиваем BPA как отдельную технологическую компанию два года.

🕶🕶🕶🕶 Тем приятнее, что в первом для нас Рейтинге Рунета мы заняли 2 место в категории «Искусственный интеллект» среди компаний, которые занимаются разработкой и внедрением ИИ-решений по всей России.

Для нас это не просто красивая строчка в рейтинге. Это важный маркер того, что за короткое время мы успели собрать сильную команду, выстроить собственную продуктовую линейку и реализовать проекты для крупных заказчиков.

Сегодня BPA — резидент инновационной экосистемы «Воробьёвы горы» и кластера «Ломоносов». Мы разрабатываем ИИ-решения, системы компьютерного зрения, видеоаналитику и программно-аппаратные комплексы для промышленности, строительства, логистики, ритейла и городской среды.

За это время мы успели поработать с крупными заказчиками. Конечными пользователями наших решений являются: Министерство
экономического развития РФ, Федеральное Казначейство РФ, Мэрия города Москвы, Правительство Московской области, Сбер, Магнит, Транснефь, УГМК, МТС и другие организации.

В рейтинге участвовали впервые. Для нас особенно важно, что он оценивает реальные проекты, подтвержденный опыт и компетенции команды. В нашем случае за результатом стоят внедрения, пилоты, сложные технические задачи, работа с крупными заказчиками и команда, которая умеет доводить идеи до работающих решений.

Мы очень гордимся результатом. И да, это основной рейтинг, впереди еще ждем дополнительные срезы.

⚙️⚙️⚙️⚙️🧠🧠🧠 А если вы давно присматриваетесь к разработке ИИ, компьютерному зрению, R&D-проектам или видеоаналитике для своего бизнеса — самое время познакомиться с BPA ближе.

Написать нам можно в личные сообщения @bpa_manager или через сайт: bpa.tech

🔳 Работаем дальше!

Как женские руки помогли обучить нейросеть сортировке отходов

Никакого кликбейта, сегодня хотим дать вам посмотреть на мир глазами нашей «Умной урны» и немного рассказать о процессе ее обучения.

👁 Первые данные для проекта собирали в основном наши ребята из команды, но затем к проекту подключилась наша сотрудница ML-разработчик Залина Карданова, и именно она помогла отловить забавный баг — нейросеть банально пасовала, если в кадре появлялись женские руки.

➡️ По части компьютерного зрения логика работы системы устроена так: модель запускается не постоянно, а только тогда, когда в кадре появляется движение или новый объект. Это снижает нагрузку на устройство и позволяет не тратить вычислительные ресурсы впустую. Сейчас для детекции используется модель YOLO13. Она определяет не только класс объекта, но и его положение на изображении с помощью bounding box. Однако итоговое решение принимается не сразу после первого кадра.

В процессе тестирования выяснилось, что опираться на один кадр не всегда надежно. Например, объект может только появляться в поле зрения камеры, быть частично перекрыт, двигаться слишком быстро или попасть под блик. В таких случаях первый результат модели может оказаться ошибочным. Поэтому была реализована система принятия решения на основе трех последовательных кадров. После определения класса система передает команду механической части устройства. Для каждого класса заранее задан свой отсек, в который необходимо направить объект.

Отдельно предусмотрена логика безопасности. Одним из классов модели являются руки человека. Пока рука находится в зоне действия механизма, сервоприводы не активируются, чтобы движущиеся части устройства не начали работу во время взаимодействия пользователя с платформой.

По мере развития проекта собирались данные с реальных испытаний, а также фотографии новых объектов, которые отсутствовали в исходных выборках. Если во время тестирования обнаруживались ошибки распознавания, такие примеры также добавлялись в датасет для последующего дообучения модели.

На старте проект располагал примерно 10 тысячами исходных изображений без учета аугментаций. На сегодняшний день объем данных превышает 20 тысяч изображений. В процессе подготовки данных использовалось большое количество аугментаций. Среди них повороты изображений, отражения, изменение яркости, насыщенности и контрастности, различные световые эффекты, шумы, частичные перекрытия объектов и наложение объектов друг на друга.

Наиболее сложным этапом работы с данными оказался сбор изображений проблемных объектов. Например, черные отходы. Из-за темного цвета они могли частично сливаться с элементами конструкции внутри устройства, поэтому модели было сложнее выделять их на фоне остальных объектов. Для решения этой проблемы потребовалось дополнительно расширять датасет подобными примерами.

Часть трудностей стала заметна только после реальных испытаний. Например, одна из ранних версий модели демонстрировала хорошие результаты днем, но вечером точность снижалась. Причиной оказалась недостаточная представленность различных условий освещения в обучающей выборке. После расширения набора световых аугментаций и добавления новых данных эта проблема была решена.

Теперь про женские руки. На ранних этапах в датасете присутствовало больше изображений мужских рук, поскольку именно они чаще использовались при сборе данных. Во время тестирования выяснилось, что некоторые женские руки модель иногда определяет менее уверенно или относит к другим объектам. После расширения датасета и увеличения разнообразия изображений рук эта проблема была устранена.

На данный момент вся обработка выполняется полностью локально без использования внешних серверов. Это позволяет устройству работать автономно и не зависеть от наличия интернета. Кроме того, отсутствуют задержки, связанные с передачей изображений по сети.

На текущий момент система масштабируется с точки зрения увеличения количества классов, а также прорабатывается модель Урны 3.0.

✌️А как это выглядит в реальном времени, смотрите на видео

🟦 TG | MAX

Что сегодня волнует рынок ИИ

На этой неделе коммерческий директор BPA Аркадий Фроймчук принял участие в мероприятии «На одной волне с искусственным интеллектом», организованном при поддержке ИНТЦ МГУ «Воробьёвы горы».

Помимо знакомства с коллегами из технологических компаний и резидентами кластера «Ломоносов», было интересно послушать, какие темы сегодня действительно волнуют рынок.

Если попытаться сформулировать общий вывод, то искусственный интеллект становится гораздно практичнее. Период восторга от первых чат-ботов и генерации картинок уже позади, но до полностью зрелой технологии еще есть длинный путь (и как будто бы пока без конкретной цели).

Так, сегодня главный вопрос не в том, что умеют LLM-модели. Гораздо важнее, как встроить их в реальные бизнес-процессы так, чтобы система не галлюцинировала, не создавала рисков для корпоративных данных и стабильно работала под нагрузкой.

Про переход от отдельных ИИ-инструментов к AI-агентам и мультиагентным системам, где модели не просто отвечают на вопросы, а взаимодействуют между собой и выполняют реальные действия в цифровой инфраструктуре компании, наверное, углубляться не стоит.

Другая заметная тенденция — движение к концепции AI-native компаний. Речь про бизнес, в котором искусственный интеллект становится частью архитектуры процессов с самого начала.

При этом сохраняется и главный вызов рынка. Бизнес по-прежнему ожидает быстрый эффект от внедрения ИИ, а команды разработки продолжают сталкиваться с одними и теми же ограничениями: качеством данных, безопасностью информации, стоимостью инфраструктуры и сложностью интеграции в существующие процессы.

Для разработчиков поэтому фокус должен смещаться к построению надежных систем вокруг модели, а не только ее разработка. Поэтому в БПА мы очень большое внимание уделяем процессам закзачика, внутренним регламентам и его инфраструктуре при внедрении ИИ-систем.

Спасибо организаторам за приглашение и интересную дискуссию.

🟦 TG | MAX

Не всякий ИИ доезжает до объекта

На прошлой неделе технический директор BPA Вадим Медяник принял участие в закрытом отраслевом вечере "Где ИИксы" в кластере «Ломоносов».

На площадке собрались технологические предприниматели, инвесторы и AI-команды, чтобы обсудить, как ИИ-инструменты меняют разработку продуктов, ускоряют команды и какие проекты действительно могут вырасти в устойчивый бизнес.

Один из важных вопросов дискуссии: как отличить сильный AI-проект от продукта, где ИИ добавлен скорее для презентации?

В прикладных проектах это видно довольно быстро.

Например, зрелая команда спокойно говорит не только о том, что система умеет распознавать, но и о том, где она ошибается. Для компьютерного зрения это критично: тени, засветы, плохие ракурсы, грязная камера, нестандартная спецодежда, частично перекрытые объекты, нестабильный видеопоток. Если эти сценарии не обсуждаются, значит до реальной эксплуатации проект ещё не дошёл.

Второй признак — отношение к данным. В сильном проекте данные не появляются «сами». Их нужно собрать, отфильтровать, разметить, проверить на качество, дообучить модель, отдельно посмотреть редкие и спорные случаи. Иногда именно работа с данными занимает больше времени, чем выбор архитектуры модели.

Третий признак — наличие инженерной части. На практике ИИ-решение должно жить в инфраструктуре заказчика: подключаться к камерам, получать потоки, обрабатывать их с нужной задержкой, отправлять события, хранить результаты, работать при сбоях связи и не требовать постоянного ручного контроля со стороны разработчиков.

И еще один важный момент — метрики. До старта проекта нужно понимать, что именно считаем результатом: снижение ручного контроля, сокращение простоев, уменьшение количества нарушений, скорость реакции на событие, долю корректных срабатываний, стоимость ошибки или возможность масштабирования на несколько объектов.

👁 У нас ИИ-проекты зачастую находятся на стыке машинного обучения, НИОКР, инженерных изысканий и внедрения.

Здесь недостаточно «склеить прототип» на готовом инструменте. Нужно разобраться в объекте, собрать релевантные данные, адаптировать модель, проверить ее в боевых условиях и связать результат с понятной пользой для бизнеса.

Для заказчиков это хороший фильтр при выборе подрядчика. Стоит смотреть не только на интерфейс и проценты точности, а на более практичные вещи:

как собирались данные,
на каких условиях тестировалась модель,
что считается ошибкой,
как обрабатываются ложные срабатывания,
что происходит после обнаружения события,
можно ли масштабировать систему на несколько объектов,
кто будет поддерживать решение после запуска.

Если подрядчик может подробно ответить на эти вопросы — перед вами, скорее всего, не просто демо, а команда, которая понимает то, что предлагает и реально это разрабатывает.

BPA TG | BPA MAX

От Москвы до Эр-Рияда: BPA представила свои AI-разработки партнёрам из Саудовской Аравии

На этой неделе директор по развитию BPA Даниил Жданов принял участие в международной питч-сессии Московского инновационного кластера для делегации из Саудовской Аравии.

Встреча прошла неслучайно. Сегодня Саудовская Аравия реализует масштабную программу Vision 2030, направленную на цифровую трансформацию экономики, развитие промышленности, умных городов и внедрение передовых технологий. Именно поэтому представители делегации приехали в Москву знакомиться с российскими разработками и искать решения, которые в дальнейшем могут быть адаптированы и внедрены на объектах в стране.

Даниил представил ключевые направления BPA в области искусственного интеллекта и компьютерного зрения. В центре внимания оказались решения для интеллектуальной видеоаналитики, контроля производственных процессов, промышленной безопасности, мониторинга персонала и автоматизации операционной деятельности.

Особый интерес у гостей вызвали кейсы для промышленности и производства. Во время обсуждения много внимания уделили задачам контроля загрузки сотрудников, анализу производственных процессов, контролю качества продукции с помощью компьютерного зрения и автоматическому контролю соблюдения требований по использованию СИЗ.

Отдельное внимание привлекла наша умная урна, как наглядный пример того, как технологии компьютерного зрения могут решать понятные повседневные задачи и быстро демонстрировать практическую пользу AI.

После выступления участники активно задавали вопросы и обсуждали возможные сценарии применения решений BPA. Для нас такие встречи — это возможность не только представить технологии, но и увидеть, какие задачи сегодня актуальны для международных партнёров.

Благодарим Московский инновационный кластер за организацию встречи и возможность представить российские AI-разработки зарубежным коллегам.

Продолжаем развивать технологии, которые работают на реальных объектах.

🟦 Подпишись на BPA и следи за новостями студии инновационных решений

Быстрый пилот? А давайте

Коммерческий директор BPA Аркадий Фроймчук принял участие в сессии «От стартапа к скейлапу. Стратегия быстрого масштабирования технологического бизнеса». Сессия прошла при поддержке Правительства Москвы.

Основной упор Аркадий сделал на скорость реагирования и сокращение цикла сделки в B2B.

Для технологических компаний это один из ключевых факторов роста. В B2B цикл сделки часто растягивается по разным причинам, и одна из них — сомнения в потребности и работоспособности внедряемой технологии: сработает ли она в условиях конкретного заказчика, насколько сложным будет внедрение, какой эффект даст решение и как быстро можно перейти к полноценной эксплуатации.

Эту проблему решает слово из пяти букв ― «ПИЛОТ»

Пилот позволяет оценить работоспособность технологии на реальных данных заказчика и в его условиях. Он также помогает самому заказчику подготовиться к полноценному внедрению: определить внутреннего владельца проекта, зафиксировать сроки, скорректировать цели и задачи, а также защитить проект внутри корпоративной структуры на основе полученных метрик. Затем результаты пилота уже закладываются в основу промышленного внедрения.

Для нашей команды это частая практика. Например, нормальный кейс для BPA: заказчик связывается с нами, присылает первичные данные (фото\видео), и менее чем за 48 часов мы можем провести первичную обработку, проверить применимость алгоритмов и показать результат на данных заказчика. А полноценный пилот может быть готов уже через 3–4 недели.

Это, кстати, одно из наших УТП: мы делаем быстрее и качественнее большинства на рынке.
В том числе потому, что в основе наших проектов лежат собственные разработки, а не коробочные решения, поэтому мы можем гибко адаптироваться под требования конкретного заказчика и его инфраструктуру.

При этом Аркадий отдельно отметил, что лучшим вариантом для всех участников процесса является именно платный пилот.

Когда заказчик готов инвестировать в пилотный проект, это обычно означает, что задача действительно актуальна для бизнеса, у проекта есть внутренний заказчик и понимание дальнейших шагов по внедрению. В таком случае пилот становится не просто экспериментом, а полноценным этапом запуска технологии.

Для технологической компании это тоже важно. Ресурсы команды направляются на проекты с реальным потенциалом масштабирования, а заказчик получает максимальную вовлеченность исполнителя и понятный результат, который можно использовать для принятия дальнейших решений.

Поэтому со всеми горящими и срочными задачами, приходите) Чтобы обсудить пилот и внедрение, пишите Аркадию ― @AVFroym

Мы топим за скорость и быстрый переход к качественному, проверяемому результату.

BPA благодарит Максима Власова, заместителя генерального директора Фонда МИК, за модерацию сессии и содержательное обсуждение практических вопросов роста технологических компаний.

🟦 Подпишись на BPA и следи за новостями студии инновационных решений