😺 Сегодня у нас сразу две хорошие новости.

🔵Первая — версия нашего приложения для Android уже доступна в Google Play. А iOS-версия уже готова и проходит выкладку — совсем скоро её можно будет найти в App Store (подробнее о планах писали тут)

🔵Вторая — мы продолжаем рубрику #команда_zool. В ней мы рассказываем о людях, которые делают zool. Нам важно не только делиться новостями о продуктах, но и показывать тех, кто стоит за ними. 💜

Сегодня это Мария — наш фронтенд-разработчик. Именно она отвечает за то, чтобы приложение было удобным и красивым на Android и iOS.

До IT Мария работала в микробиологических и биохимических лабораториях. Потом несколько лет занималась веб-дизайном, а последние три года посвятила фронтенду. В планах — освоить бэкэнд.

В свободное время Маша рисует, смотрит фильмы и путешествует. А ещё сама ремонтирует дом: освоила торцовочную пилу, залила бетонную плиту и собрала деревянный каркас кровати.

Любимая цитата Маши из «Кунг-фу Панды»:

Yesterday is history, tomorrow is a mystery, but today is a gift. That's why it's called the present.

Часть 1. Как устроено распознавание лиц и как мы проводим тесты

Привет, я Александр, научный сотрудник в zool.ai 👋

Мы начали исследование по распознаванию лиц. Наша цель — проверить несколько популярных моделей на реальных данных и понять, какие из них работают стабильнее.

🧑‍💻 Как устроено распознавание лиц

1. Детекция — алгоритм сначала должен найти лицо на изображении. Даже это не всегда просто: человек может повернуть голову, надеть очки, маску или каску, а освещение может сильно меняться.

2. Извлечение признаков — дальше нейросеть строит «цифровой портрет». Это вектор из сотен чисел, который отражает ключевые характеристики: форму глаз, расстояние между чертами лица, контур подбородка, текстуру кожи.

3. Сравнение — полученный вектор сравнивается с базой. Здесь важна метрика «distance»: чем меньше расстояние между векторами, тем выше вероятность, что это один и тот же человек. Порог отсечения (например, 0.3 или 0.5) задаёт исследователь.

⚙️ Как мы тестируем

Чтобы оценить модели, мы провели простой эксперимент:
— взяли фотографии сотрудников,
— загрузили их в разные алгоритмы,
— зафиксировали результат:

• верно — модель правильно определила человека,
• ошибка — спутала с другим,
• null — не распознала никого.

Для сравнения мы выбрали популярные модели:
SFace, VGG-Face, Facenet, Facenet512, OpenFace, ArcFace, GhostFaceNet.

Такой подход позволяет увидеть, как модель ведёт себя «вживую»: не на датасетах из статей, а на реальных лицах в условиях, близких к промышленным. Это важно, потому что в лабораторных бенчмарках точность часто выше, чем в реальной эксплуатации.

〰️ В следующей части я покажу результаты: какие модели справились лучше, а какие ошибались чаще всего.

👁 Подписаться

#новости_zool

✉️ Сегодня #новостнаясреда — и у нас небольшое обновление. Теперь делимся не просто новостями, а главными темами, о которых говорит бизнес. Читайте нас каждые две недели по средам — будем держать вас в курсе тенденций.

🔵Новое исследование «Российский ритейл 2025: пессимизм настроений и операционная устойчивость». B1 и Redis Business Class опубликовали ежегодный обзор: оценки состояния бизнеса упали до минимума за 10 лет — 5,7 из 10. Почти половина ритейлеров ожидает ухудшения ситуации в 2026 году. Но есть и луч света — 93 % компаний уже внедряют ИИ, чаще всего для прогнозирования спроса и персонализации.

🔵Магнит внедрил собственную ИИ-платформу для управления запасами. Система Forecasting & Replenishment (F&R) предсказывает спрос и управляет поставками на базе Spark и Kafka.

🔵70 % компаний пока не окупили инвестиции в ИИ. По данным Triada Partners, среди крупных и средних предприятий промышленности, добычи и строительства — около 70 % всё ещё не вернули вложения в ИИ. Средний срок окупаемости — 2–3 года. Главный вопрос теперь не «внедрять или нет», а «как сделать ИИ частью бизнес-модели, которая действительно приносит прибыль, а не остаётся экспериментом».

🔵Цифровые двойники цепочек поставок выходят из тени. По данным Sostav, компании из ритейла и промышленности начали активно внедрять виртуальные копии складов, логистических маршрутов и производственных линий.
Такие модели позволяют в реальном времени тестировать сценарии, выявлять узкие места и прогнозировать сбои.

🔵ИИ в производстве: от пилотов к операционному ядру. По данным К2 НейроТех, заводы перестают экспериментировать с ИИ и начинают использовать его в ежедневных процессах. Главные направления — цифровые двойники оборудования, генеративный ИИ для проектирования, прогнозирование поломок и ассистенты для операторов. А мировой рынок «умных фабрик» уже превысил $5,9 млрд, и спрос на такие решения продолжает расти.

📌 Новости команды zool

На прошлой неделе прошла встреча отраслевых компаний, где обсуждали применение ИИ в производстве и автоматизации.
Говорили о видеоаналитике, роботизации, нейросетях для учёта рабочего времени и внедрении ИИ в HR-процессы.
Было много живых кейсов и обсуждений — скоро поделимся фото и подробностями 📸

На этом всё — встретимся через две недели.

⭐️Комплимент дня: Пусть ваши ИИ-проекты не просто внедряются, а окупаются.

👁 Подписаться

#дайджест_zool

Всем привет, это Иван, продакт-менеджер zool.ai 🖐

Сегодня расскажу, как мы внедряли видеоаналитику с ИИ на объекте международного 3PL-оператора — одного из крупнейших логистических холдингов (название под NDA). Полный кейс скоро появится на нашем сайте.

Перед нами стояли задачи:

🔵сократить ошибки в комплектации и приёмке грузов;
🔵 контролировать соблюдение регламентов и ношение СИЗ;
🔵 автоматизировать аналитику по инцидентам;
🔵настроить интеллектуальный контроль въезда транспорта.

Как решили:

— обучили модель zool.ai распознавать грузы на видео, включая случаи с многоярусной укладкой (35 000 фото для обучения);
— внедрили контроль ношения касок и систему автоматических уведомлений о нарушениях;
— реализовали аналитику по перемещениям сотрудников и выявлению отклонений в процессе погрузки;
— интегрировали видеоаналитику с ERP и WMS, чтобы данные и события объединялись в единую систему;
— добавили модуль распознавания автомобильных номеров для автоматического доступа транспорта на территорию.

Что получили:

В результате система обеспечивает 99 % контроль логистических процессов и соблюдения регламентов, снижает количество ошибок комплектации на 70 %, уменьшает число краж и нарушений на 80 % и фиксирует 95 % случаев нарушения охраны труда. Система работает в режиме near-real-time, автоматически формирует отчётность и помогает компании снижать потери за счёт цифрового контроля.

#кейсы_zool
#логистика_zool

Абсолютно верно!
Большинство ответили: «Начинают с выбора технологии, а не с цели» — и это действительно так.

Как и обещал, рассказываю, какие ошибки встречаются чаще всего:

📌Проблемы с данными. На старте почти всегда звучит фраза: «данные у нас есть». На практике оказывается, что часть не размечена, часть устарела, а часть не соответствует реальным условиям.

📌Отсутствие ответственного за результат. Когда проект распределён между несколькими отделами, решения затягиваются.

📌Ожидание мгновенного эффекта. ИИ-система не начинает работать идеально с первого дня.
После запуска требуется дообучение на реальных данных, настройка сценариев и адаптация к условиям конкретного помещения/объекта.

📌Формальный подход. Если проект реализуется «для отчёта», без вовлечённой команды и понимания, зачем это нужно бизнесу, эффект минимален. После формального пилота метрики не пересматриваются, процессы остаются прежними, и система не используется в ежедневной работе.

📌Проект часто начинается с выбора технологии, а не с постановки задачи. В одном случае компания приобрела оборудование и выбрала модель, но не определила, какую проблему нужно решить. В итоге система работала корректно, но не влияла на показатели.

Главное правило — начинать с цели и данных, назначать ответственного и закладывать процесс дообучения.

Что бы вы добавили в этот список? Сталкивались с подобным на проектах? 👇