📣 Всем привет! С вами Михаил, аналитик zool.ai.

Недавно разбирали задачу по контролю санитарных процедур на производственном объекте. Делюсь, к чему пришли ⬇️

На производстве есть регламент: перед входом в зону сотрудник должен наступить в дезинфицирующую ванну двумя ногами.

Но в реальности кто-то спешит, кто-то заходит одной ногой и идёт дальше. Формально процедура есть, фактически — не всегда выполняется полностью.

Мы подумали, как здесь может помочь видеоаналитика.

Вот к чему пришли:

✔️Контроль зоны.
Область ванны размечается как отдельная зона в кадре. Система отслеживает движение человека через неё.

✔️Анализ положения ног.
Модель определяет положение стоп и проверяет, находятся ли обе ноги внутри зоны одновременно.

✔️ Фиксация прохождения.
Если сотрудник заходит полностью — событие засчитывается.
Если наступает одной ногой или просто перешагивает — фиксируется нарушение.

✔️Каждый проход записывается: время, камера, результат проверки. Данные можно передавать в учётные системы и использовать для отчётности.

Сейчас думаем над задачами, где еще сможем применить наш zool.ai

😶‍🌫️ Интересно узнать у вас. А в каких зонах производства автоматизация могла бы упростить жизнь команде?

#новости_zool

🔴 Всем привет! Продолжаем делиться практикой, сегодня поговорим про ритейл и как увеличить продажи с помощью видеоаналитики.

Когда говорят про рост выручки, обычно обсуждают акции и маркетинг. Но на практике деньги часто теряются внутри самого магазина:

➡️пустая полка в часы пик;
➡️очередь на кассе;
➡️кражи, которые замечают только по итогам инвентаризации;
➡️отсутствие точных данных по трафику.

Проблема чаще всего не в отсутствии камер. Проблема в том, что видео никто системно не анализирует.

Видеоаналитика подключается к существующим IP-камерам и обрабатывает поток в реальном времени.

🌟 В основе — модели детекции и трекинга объектов: система выделяет людей и объекты в кадре, отслеживает их перемещение и анализирует события в заданных зонах.

Что происходит технически:

Сначала видеопоток разбивается на кадры и проходит через модель обнаружения объектов. Затем включается трекинг — система понимает, сколько людей находится в зоне и как они перемещаются. Для полок и касс настраиваются отдельные области интереса, где анализируется плотность заполнения или количество людей в очереди.

Обработка может идти на локальном сервере без передачи видео в облако. Данные передаются через API и могут интегрироваться с 1С, ERP и любыми другими системами.

Система помогает:

— считать посетителей и строить реальную статистику трафика;
— определять часы пик и фактическую загрузку касс;
— отслеживать длину очереди по количеству людей в зоне;
— контролировать заполненность полки по доле свободного пространства;
— фиксировать события в кассовой зоне;
— отслеживать движение товаров на складе.

Когда управляющий видит фактическую загрузку и события в реальном времени, проще перераспределить персонал, вовремя пополнить товар и снизить потери. В результате растёт прозрачность процессов и появляется база для увеличения выручки.

Более подробно разобрали в статье → 🌟https://zool.ai/blog/riteil

#новости_zool

📣 Всем привет! С вами Михаил, аналитик zool.ai

Недавно разбирали задачу на складе — автоматический подсчёт матрасов при загрузке в грузовик. Делюсь, к чему пришли ⬇️

Процесс выглядит простым: сотрудники переносят матрасы и заносят их в кабину.

Но при активной погрузке могут возникать ошибки.

Например, по плану нужно было отправить 27 матрасов, а фактически загрузили 26. В итоге один матрас «теряется» уже на этапе логистики, и это обнаруживается позже.

Мы посмотрели, как эту задачу можно решить через видеоаналитику.

Вот что сделали:

✔️Контрольная линия.
Перед входом в кабину в кадре размечается виртуальная линия. Система отслеживает её пересечение.

✔️ Детекция объекта.
Модель распознаёт матрас в кадре и отличает его от других объектов.

✔️ Логика события.
Если человек с матрасом пересекает линию в направлении внутрь кабины — создаётся событие и счётчик увеличивается на +1.

✔️ Фильтрация повторов.
Используем трекинг, чтобы один и тот же матрас не засчитывался дважды при остановке или частичном возврате.

✔️Каждое событие фиксируется: время, камера, направление движения. Данные можно передавать в учётные системы.

В результате получаем точное количество загруженных матрасов в реальном времени без ручного учёта.

Сейчас думаем, какие ещё складские процессы можно так же оцифровать.

❕ Как вы думаете, где еще можно применить видеоаналитику?

#новости_zool

📣 Всем привет! С вами Михаил, аналитик zool.ai

Недавно разбирали задачу на складе химической продукции — автоматизация учёта реагентов. Делюсь, к чему пришли ⬇️

На складе хранятся реагенты с ограниченным сроком годности.

Проблема в том, что иногда оформляют новую поставку, хотя часть партии уже есть в наличии. В итоге одни реагенты используются, а другие залеживаются и списываются по сроку.

Формально учёт ведётся в системе. Но при активной разгрузке и отгрузке фактические остатки могут расходиться с цифрами в базе.

Мы посмотрели, как эту задачу можно решить через видеоаналитику.

Вот что сделали:

✔️Контрольные зоны.
В кадре размечаются зоны приёмки и отгрузки. Система фиксирует пересечение виртуальной линии при перемещении продукции.

✔️Детекция тары.
Модель распознаёт канистры, бочки или коробки с реагентами и отличает их от других объектов.

✔️Логика движения.
Если тара пересекает линию в сторону склада — счётчик увеличивается.
Если в сторону отгрузки — уменьшается.

✔️Фильтрация повторов.
Используем трекинг, чтобы одна и та же единица не засчитывалась дважды при паузах или возврате.

✔️Фиксация событий.
Каждое перемещение сохраняется: время, камера, направление. Данные передаются в систему учёта.

В результате получаем актуальные остатки на складе в реальном времени без ручного пересчёта. Это снижает риск лишних закупок и списаний по сроку годности.

🌟Сейчас думаем, какие ещё процессы на складах можно так же оцифровать.

#новости_zool

😺 Продолжаем знакомство с командой!

Это Юрий — новый продукт-менеджер zool.ai

Его путь в IT начался довольно неожиданно. Когда-то он работал электромонтёром на заводе, а потом оказался в индустрии через продажи в компании Контур.

➡️ Со временем перешёл в продуктовую разработку: работал с электронным документооборотом в Directum, а позже в СберКорусе, где управлял продуктом с выручкой около 600 млн рублей в год и клиентской базой 450 тысяч компаний.

➡️Позже Юрий работал над продуктами ЭДО и электронной подписи в компании Калуга Астрал, а на последнем месте развивал «НейроБухгалтер».

Команда уже начала знакомиться с Юрием и успела узнать, что он любит футбол и научную фантастику. А ещё пишет небольшие рассказы и планирует когда-нибудь издать собственный сборник.

По такому случаю оставим его любимую цитату из «Форреста Гампа»:

Моя мама всегда говорила: «Жизнь как коробка шоколадных конфет: никогда не знаешь, какая начинка тебе попадётся».

#команда_zool

Вы скучали, а мы с новостями! ✉️ Сегодня #новостнаясреда

Главные новости для тех, кто следит за бизнесом, производством, ритейлом и ИИ⬇️

🔵 Правительство Китая планирует задействовать ИИ для создания и модернизации рабочих мест.

🔵Xiaomi проводит испытания человекоподобных роботов на заводах по производству электромобилей.

🔵 Заметка CNews об опыте реализации ИИ-проектов в российских компаниях.

🔵 Материал Forbes о влиянии развития ИИ на повышение стоимости российских ИТ-сервисов.

🔵 ABB и NVIDIA запускают проект по обучению промышленных роботов через цифровые симуляции.


🔵 Samsung планирует перевести фабрики на управление ИИ к 2030 году. Компания внедряет системы анализа данных и автоматизации процессов на производственных линиях.

🔵 Чемпионат мира по футболу в Мексике будут охранять роботы-собаки.

📌 Новости команды zool

⭐️ Статья про «Как машинное обучение решает задачи видеонаблюдения».
Читать → https://zool.ai/blog/ii

⭐️Комплимент дня: пусть ваши технологии всегда идут по правильному следу.

👁 Подписаться

#дайджест_zool

📣 Всем привет! С вами Михаил, аналитик zool.ai

В Programming Store есть хорошая традиция: после дня рождения компании мы собираемся на большую общую планёрку и подводим итоги года. На одной из таких встреч я рассказывал про результаты zool.ai за 2025 год, и хочу коротко поделиться ими здесь.

✨Маркетинг и продвижение
За год мы поучаствовали в 6 отраслевых мероприятиях, организовали 2 конференции, провели вебинар и выпустили 40 статей, из них 4 кейса.

А ещё взяли серебро на Tagline Awards с проектом zool.ai

✨ Канал и новые форматы
Запустили Telegram-канал с нуля, а ещё протестировали новый для себя формат — #сериал_zool

✨ Обучение
Выпустили 2-й поток студентов на курсе «Создание бизнес-решения на основе обучения модели ИИ».

✨Что сделали по продукту
Добавили новые сценарии: подсчёт объектов и скота, обнаружение возгорания и задымления, учёт продукции, контроль сезонности и локальную версию zool → это только часть модулей, конкретные истории внедрения ищите по тегу #кейсы_zool.

✨MVP для продаж
Собрали небольшой микросервис, который помогает быстро прогонять видео через zool и показывать возможности продукта.

✨ Главное
2025 год помог нам лучше понять рынок, продукт и клиентские задачи.

➡️ А дальше передаю слово нашему продакт-менеджеру Юрию, он расскажет про планы zool.ai на 2026 год.

📣 Всем привет! С вами Юрий, продакт-менеджер zool.ai

В 2026 году мы сосредоточимся на следующем этапе развития zool.ai.

Сейчас для нас важно точнее определить фокус продукта, лучше понять потребности рынка и усилить то, что уже показывает хороший результат.

Параллельно продолжаем работать с текущими проектами, развивать продукт и готовить основу для дальнейшего роста.

Уверен, что в следующем году сможем поделиться уже новыми результатами, кейсами и важными обновлениями.

📣 Всем привет! На связи Михаил, аналитик zool.ai.

Начинаю серию постов про автоматизацию в пищевой промышленности. Тема большая, поэтому разберу её по частям. В первой части — зачем автоматизация нужна пищевому производству ⤵️

У пищевой промышленности жёсткие условия: высокая доля сырья в себестоимости, короткие сроки хранения, строгие санитарные требования и высокая чувствительность к любым сбоям в процессе.

〰️ Поэтому даже небольшие отклонения быстро превращаются в потери. Недовес, перевес, перелив, ошибка в температурном режиме, простой линии, нарушение маркировки или поздняя отбраковка напрямую влияют на выпуск и себестоимость.

Автоматизация здесь — это инструмент производственного контроля. Она обычно закрывает такие задачи:

▫️ Контроль технологических параметров
Температура, давление, время выдержки, дозирование, скорость линии, вес продукции — это базовые вещи, от которых зависит стабильность процесса и качество партии.

▫️ Снижение сырьевых потерь
На пищевом производстве потери часто возникают не из-за одной большой аварии, а из-за постоянных мелких отклонений: переливов, неточного дозирования, брака на упаковке, повторных перенастроек линии.

▫️ Прослеживаемость партии
Важно понимать, из какого сырья произведена конкретная партия, на каком оборудовании она выпускалась, какие были параметры процесса и куда эта партия ушла дальше.

▫️ Контроль фасовки, упаковки и маркировки
Именно на финальных участках часто проявляются проблемы, которые потом приводят к возвратам, списаниям или претензиям со стороны ритейла.

▫️ Снижение зависимости от ручного труда
На участках фасовки, сортировки, укладки и паллетирования автоматизация нужна, чтобы уменьшить влияние человеческого фактора и стабилизировать процесс.

▫️ Быстрая реакция на отклонения
Чем раньше система фиксирует сбой, тем меньше вероятность, что проблема затронет всю партию или приведёт к остановке участка.

⏩ Автоматизация в пищевой промышленности нужна для трёх вещей: держать процесс под контролем, снижать потери и вовремя замечать отклонения.

В следующем посте разберу, какие системы для этого используют на производстве и чем отличаются автоматизированные системы управления технологическими процессами, SCADA, MES и ERP.

Сегодня в офисе обсудили не только задачи, но и будущее наших соцсетей. Зашёл разговор о том, куда AI из Гаража стоит идти дальше. И тут оказалось, что у каждого свой вариант.

😊 Юрий, продакт- менеджер:

Коллеги, пора выходить на новые площадки. Я за Max, там удобнее будет общаться с клиентами.

😊 Михаил, аналитик:

А я за Хабр. Мне там больше нравится: можно писать технические разборы и подробнее рассказывать про наши решения.

😊 Александр, аналитик:

А я бы выбрал ВКонтакте.

😊 Зул:

А я бы тут остался. Так привык к Telegram.

В общем, вопрос пока открытый. У каждой площадки свои плюсы.

А как вы считаете, куда нашему каналу стоит расширяться? 👀

🔥 Пятница у нас началась с разбора комментариев, и кажется площадка выбрана!

🎨🎨🎨🎨 😊

😊 🎨🎨🎨🎨

🎨🎨🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨🎨🎨 😊

🎨🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨🎨 😊

Спасибо, за ваши комментарии! Делимся ссылкой на наш канал на Хабре 😊

С каналом не прощаемся! На Хабре будем дублировать контент и писать больше развернутых статей. Подписывайтесь!

📣 Всем привет! На связи Михаил, аналитик zool.ai. Продолжаю серию постов про автоматизацию в пищевой промышленности.

В прошлой части я писал, зачем автоматизация нужна пищевому производству. Теперь разберу, какие системы для этого используют и чем они отличаются ⤵️

На пищевом предприятии автоматизация обычно выстраивается по уровням.

На нижнем уровне — оборудование и датчики, выше — системы управления процессом, ещё выше — системы управления производством и ресурсами предприятия.

Чаще всего используются четыре основных уровня:

🔵АСУ ТП

Это базовый уровень автоматизации, который управляет конкретными технологическими операциями: дозированием, смешиванием, нагревом, охлаждением, пастеризацией, розливом. Здесь система в реальном времени следит за температурой, давлением, уровнем, расходом и другими параметрами и регулирует процесс по заданным алгоритмам. АСУ ТП отвечает за то, чтобы линия физически работала в нужном режиме.

🔵SCADA

SCADA-система работает над технологическим уровнем. Она собирает данные с оборудования, визуализирует их, архивирует, формирует отчёты и сигнализирует об отклонениях.

Если АСУ ТП управляет процессом, то SCADA помогает этот процесс видеть и контролировать.

Для производства это важно, потому что оператор или диспетчер получает общую картину по линии или цеху и может быстрее реагировать на сбои.

🔵 MES

MES — это уровень управления производством между цехом и управленческими системами.

Такие системы помогают планировать загрузку оборудования, отслеживать выполнение заданий, контролировать выпуск партий, фиксировать простои и обеспечивать прослеживаемость продукции.

Для пищевой промышленности это особенно важно: если возникает проблема, MES помогает быстро понять, из какого сырья выпущена партия, на каком участке она производилась и где возникло отклонение.

🔵 ERP

ERP — это уже уровень управления ресурсами предприятия.

Такие системы отвечают за закупки, складской учёт, финансы, логистику, производственное планирование и заказы.

ERP не управляет оборудованием напрямую, но определяет, что, в каком объёме и в какие сроки должно быть произведено.

🌟АСУ ТП управляет процессом,
SCADA показывает, что происходит на линии,
MES управляет производством,
ERP управляет ресурсами и бизнесом.

На практике эти системы работают в связке: одни управляют процессом, другие собирают данные, третьи помогают планировать и контролировать выпуск.

Но во многих случаях этого уже недостаточно. Классические системы хорошо видят параметры процесса, но не замечают визуальные проблемы: дефекты упаковки, смещение этикетки, заторы на линии, просыпание сырья или нарушения со стороны персонала.

Поэтому всё чаще их дополняют видеоаналитикой и компьютерным зрением — там, где нужен не только контроль параметров, но и контроль того, что происходит на производстве.

🌟В следующем посте разберу, где именно видеоаналитика даёт эффект на пищевом производстве и какие задачи она закрывает на линиях фасовки, упаковки и контроля качества.

Наш канал на Хабре 😊