Маленькими шагами к большому AI

Сегодня впервые запустили в продакшене модель машинного обучения для оффлайн-процесса. То есть компьютерное зрение для автоматического освобождения ячейки на выдаче заказов Drinkit. 

Какую проблему решаем?

На первом видео стол выдачи заказов в малопроходимой кофейне в непиковые часы:
1. Клиенты уже забрали заказы, но половина ячеек остается в состоянии "занята"
2. Чтобы ячейка освободилась, бариста надо следить за этим и вручную "освобождать" ячейки

Когда клиентов много бариста не успевает следить за выданными заказами и процесс ломается.

Что сделали?

Разработали ML-модель, определяющую по изображению с камеры состояние ячейки. Когда клиент забирает заказ ячейка автоматически освобождается для следующего заказа (видео 2). 

В чем крутость?

Для Dodo Brands это первый полноценный запуск связки Dodo IS (наша внутренняя система) + Computer Vision ML Model + Raspberry + оффлайн-процесс в точке продаж (работа под капотом на видео 3). Всю эту связку как раз и можно назвать AI-решением, когда технологии улучшают процесс, чтобы человек фокусировался на приготовлении продукта и общении с клиентом.  

И да, мы словили ошибки в логике алгоритма, поняли что улучшить, чтобы масштабировать решение на все кофейни Drinkit. Но, этот шаг открывает двери в построение фундамента, с помощью которого мы сможем легко и быстро запускать AI-решения на стыке онлайна и оффлайна во всех странах!

Зачем нам свой инфраструктурный велосипед?

Сейчас запуск от идеи до машстабирования на все страны занимает 4-6 месяцев, имея нужню инфраструктуру можно сократить время до 2-4 недель. А это потенциал на проверку 13-26 проектов в год, вместо 2-3.

В такой ситуации не страшно ошибиться и сделать неудачные запуски, открывается возможность для самых смелых идей. Вот и профит!