В X5 Tech наглядно продемонстрировали: превращение нейросетей в рабочий бизнес-инструмент — это не бесконечное дообучение моделей, а беспощадная борьба за инженерную эффективность. За восемь месяцев проект «Иваныч» прошел путь от сырого MVP до промышленного конвейера, закрывающего потребности 27 000 магазинов «Пятёрочка» и «Перекрёсток». Вместо погони за «универсальным ИИ», команда Ивана Попова сделала ставку на прагматичный гибрид из 26 специализированных моделей, включая CNN и VLM. Такая архитектура позволила автоматизировать 62 сценария — от контроля чистоты в мясных отделах до верификации геопозиции.
Технологический стек против операционных дыр
Фокус проекта сместился с чистого Computer Vision на жесткую продуктивизацию. Главное правило: каждый запрос к VLM должен быть экономически оправдан. Чтобы не сжечь бюджет на железе, команда внедрила Triton Inference Server и асинхронные пайплайны через Kafka. Это позволило системе переваривать колоссальные объемы данных на мощностях, сопоставимых с обычным офисным сервером (4 vCPU и 16 GB RAM). На наш взгляд, это отличный щелчок по носу любителям бесконтрольно закупать GPU под любую задачу.
Экономика «Тайного покупателя»
Перевод «Клуба тайных покупателей» на автономные рельсы радикально вылечил юнит-экономику. Раньше ручная модерация анкет тянулась неделями, убивая лояльность участников. Сейчас доля проверок в режиме «день-в-день» подскочила с нуля до 40%. По оценке X5 Tech, производительность модераторов выросла в 7 раз, а операционные расходы сократились вдвое.
«Иваныч» — это не просто алгоритм, а сервис, который фактически заменил ручной труд в масштабах всей страны, обрабатывая по 10 миллионов фото ежемесячно.
В процессе масштабирования не обошлось без курьезов: например, модель для мясного цеха упорно принимала фарш за грязь. Проблему контекста решили внедрением «узких» классификаторов под конкретные зоны и «безопасного режима». Если ИИ сомневается в вердикте, фото уходит на ручной досмотр. Это сохранило доверие пользователей, которые теперь получают баллы вовремя, а не когда-нибудь потом.
Главный вопрос в другом: удастся ли перенести этот опыт на инвентаризацию и контроль товарных остатков? Там цена ошибки ИИ измеряется уже не обидой «тайника», а прямыми убытками от пустых полок и некорректных стоков. Пока же кейс X5 выглядит как редкий пример того, как здравый смысл побеждает хайп вокруг «умных» систем.