NeuroCore | Разработка ИИ

NeuroCore на ВЭФ-2026🌟 ВЭФ-2026 сейчас одна из самых горячих тем. Хотим рассказать, что на площадке форума представлена и наша презентация. Главный инженерный тезис, который мы вынесли на ВЭФ: на масштабных промышленных территориях и в сложных технологических процессах классическое видеонаблюдение всегда упирается в предел человеческого внимания. Охватить взглядом гектары производственных площадей или безошибочно контролировать содержимое огромных карго-контейнеров 24/7 физиологически невозможно. Глаз устает, внимание рассеивается, ошибки неизбежно возникают. Там, где человек теряет фокус, компьютерное зрение видит всё. ИИ забирает на себя монотонный контроль, оставляю человеку разбор действительно важных спорных случаев. Благодарим организаторов за возможность представить наши решения на полях форума. Делимся парой кадров с площадки ✅ Кстати, готовим статью о новом решении по применению ИИ для выставочных мероприятий, обязательно опубликуем анонс на канале, не пропустите 🔥🔥🔥

😊ТОП-3 аппетитных кейса ИИ от NeuroCore В пищевом производстве и HoReCa стандарт качества всегда тесно связан с человеческим фактором. Ошибки сборки при пиковых нагрузках, нарушение рецептуры к концу смены и пропущенный брак на высокоскоростном конвейере - физиология не позволяет человеку непрерывно и безошибочно анализировать визуальные данные 8 часов подряд. Мы собрали три кейса NeuroCore, где видеоаналитика заменяет субъективный человеческий взгляд на благо клиента и конечного потребителя. Истории о том, как ИИ заглянул и на конвейер, и в коробку с готовым заказом: 🍔 Сверка заказов на подносах в фастфуде Автоматический контроль комплектации перед выдачей. Нейросеть распознает объекты на подносе и мгновенно сверяет их с позициями в чеке из кассовой системы. 🔗 https://neuro-core.ru/ai-projects/ai-tray-order-analysis-fast-food 🍕 Контроль стандартов выпечки пиццы Финальная оценка продукта перед закрытием коробки и передачей курьеру. Система фиксирует правильную геометрию, равномерность распределения ингредиентов по секторам, ширину бортов и степень прожарки. 🔗 https://neuro-core.ru/ai-projects/ai-pizza-quality-control 🥔 Гиперспектральная отбраковка чипсов на конвейере Обычные камеры здесь бессильны, так как видят только внешнюю оболочку. Гиперспектральное зрение анализирует химический состав: выявляет скрытую гниль внутри клубней, избыточную влагу, пережаренные элементы и инородные включения (пластик, стекло) прямо на скорости промышленной линии. 🔗 https://neuro-core.ru/ai-projects/hyperspectral-ai-chips-quality-control Есть похожая задача? Ждем в личных сообщениях @neurocore_ai

"Нам придется менять все камеры?" Вопрос, который мы слышим первым при любом разговоре о внедрении видеоаналитики. На созвонах. На мероприятиях. На личных встречах с клиентами. Логика бизнеса такая: раз уж мы ставим нейросеть, значит, придется менять весь парк камер, перекладывать кабели, докупать коммутаторы и переплачивать за новые лицензии вендору. 😌Бюджет проекта на старте улетает в космос, и идею просто прячут "в стол". Спойлер: новые камеры в 80% случаев не нужны. С какими бы системами мы ни сталкивались на объектах (будь то старые аналоговые AHD-регистраторы, разномастные IP-камеры или платформы вроде Trassir, Macroscop и Axxon), правило одно: если человек может разобрать нужное событие на вашей видеозаписи, сможет и нейросеть! Мы в NeuroCore понимаем экономику внедрения со стороны заказчика, потому делаем все, чтобы не раздувать бюджет: ⏺Не привязываемся к брендам. Работаем от протоколов и открытых API (RTSP, ONVIF), а не подстраиваемся под экосистему одного производителя. ⏺Не трогаем существующий архив. Штатный сервер видеонаблюдения продолжает выполнять свою работу — принимать потоки и писать архив. Мы просто ставим рядом компактный сервер с GPU, который забирает нужные потоки и считает метрики. ⏺Не берем плату за каждый канал. Масштабирование на новые филиалы не должно упираться в покупку подписок на каждую камеру. Развертывание системы идет по единой модели без скрытых костров из бюджетов. Как мы интегрируем аналитику в действующие VMS без остановки процессов, подробно разобрали в нашей новой статье 👉 Читать на сайте 👀Планируете внедрять видеоаналитику, но не знаете, как подступиться? Поможем, проконсультируем, успокоим и вместе разработаем план внедрения поэтапно — напишите нам @neurocore_ai

🌟 Перевод с python на бизнесовый За 9 лет опыта в разработке мы поняли, что внедрение искусственного интеллекта: от ML-систем до простых агентов - в 90% случаев стопорится не на железе или архитектуре, а на людях.

Руководители не всегда видят границу между реальным экономическим эффектом и гонкой за технологиями "у всех есть ИИ, и нам тоже надо". Сотрудники же либо саботируют новые инструменты, либо по незнанию отправляют NDA-документы в открытые чат-боты.

Даже самая точная AI-модель не приносит денег, если внутри компании никто не понимает её физику и ограничения. Технологию невозможно масштабировать без обученной команды. Именно поэтому разработка ML-систем в NeuroCore логично переросла в практику корпоративного обучения. Теперь у нас самостоятельная услуга - корпоративное обучение применению ИИ для бизнеса. Разбираем, как безопасно развернуть локальную LLM, что на самом деле способно различить компьютерное зрение в темном цеху, как оценивать AI-проекты и правильно ставить задачи ML-инженерам. А еще мы регулярно выступаем на профильных конференциях, стратегических сессиях и митапах. Мы приносим изнанку работы с ИИ и инсайты: как бороться с деградацией моделей в продакшне, как чистить датасеты от скрытых дублей, почему MLOps экономит миллионы на закупке серверов и как считать реальный TCO. Оба направления уже на нашем сайте, приглашаем познакомиться с ними подробнее: 👩‍💻 Обучение команд и топ-менеджмента 💻 Пригласить экспертов NeuroCore на ваше мероприятие Другой вопрос? Пишите, обсудим с удовольствием @neurocore_ai

👀Символ занимает 1% кадра, а штраф грозит всей площадке: как мы автоматизировали поиск запрещенной символики 🌟Делимся не самым свежим, но весьма интересным и вновь актуальным кейсом. Дано: UGC-площадка принимает тысячи изображений и видео в сутки, и весь этот массив требует модерации. Закон требует удалять запрещенную символику, атрибутику и логотипы. Но человек за монитором теряет концентрацию через несколько часов работы.

Мелкий значок на одежде, татуировка с запрещенными символами, стилизованный водяной знак в углу или нашивка на заднем плане - все это потенциальный источник риска для площадки, вплоть до блокировки платформы.

Мы разработали систему компьютерного зрения, которая автоматизирует первую линию проверки. 🟦В чем инженерная сложность: символы в реальном контенте никогда не выглядят как векторный логотип из справочника. Они согнуты на ткани, частично перекрыты руками, сняты под углом, в тени или в низком разрешении. Обычные алгоритмы сравнения шаблонов здесь выдают сотни ложных тревог. 🟡Как мы это решили: ▪️Обучили детектор на выборке со сложными искажениями, бликами и частичным перекрытием (occlusion) ▪️Настроили логику для видео: если символ смазывается в движении на одном кадре, трекер удерживает его по соседним кадрам ▪️Разделили поток: явные нарушения фильтруются автоматически, а спорные фрагменты с разметкой уходят модератору. Как мы балансировали датасет для редких классов символов и снижали ложные срабатывания, рассказали в кейсе на сайте. 🌟Есть похожая задача? Напишите нам, разберём на бесплатной консультации: @neurocore_ai

«Заказ готов» в 13:09, а напиток поставили в 13:10: как мы автоматизировали контроль выдачи в фастфуде 🍽Осторожно! Кейс гипнотизирует на желание съесть бургер или картошечку фри 🟡 Итак, ситуация: гость оплатил бургер, картофель и кофе. В кассовом интерфейсе сотрудник нажал «Готово» через две минуты. А камера над зоной выдачи показывает, что стакан появился на подносе только через минуту, а рядом случайно оказался второй соус, которого в чеке не было. Что считать реальным временем сборки? И как доказать ошибку, если в пиковые часы на кухне собираются десятки заказов одновременно, а проверка одного спорного эпизода по видеоархиву отнимает у контролёра до 20 минут? NeuroCore спешит на помощь! Нами предложена система видеоаналитики, в которой мы отказались от оценки лучшего кадра. Алгоритм ведёт поднос непрерывно: удерживает блюда в памяти, даже когда сотрудник перекрывает их рукой, и сверяет видео с кассой. Нейросеть сама распознаёт позиции на подносе и точно привязывает его к оплаченному чеку. Польза для заказчика: ⏺Объективное время SLA : таймер готовности фиксирует реальное появление последнего блюда, а не клик в интерфейсе ⏺Контроль комплектации: недостача или лишняя позиция сразу уходят в отчёт для проверки. ⏺Экономия времени: служба контроля качества получает короткий ролик с готовым разбором состава вместо часовых архивов. Как мы это реализовали, с какими вызовами столкнулись, читайте в кейсе на сайте Есть похожая задача? Напишите нам — разберём на бесплатной консультации: @neurocore_ai

Стрим закончился. Охват — нет. Рассказываем, как шпионили за рекламой конкурентов — для нашего клиента 😊 Маркетологи знают, что закупка рекламы у стримеров — сущий ад, это точно один из самых непрозрачных каналов в диджитале. Нет биржи, нет открытой статистики, нет истории размещений. Панель с рекламным предложением всплывает во время стрима — и исчезает, когда кампания закончилась. Кто из конкурентов где размещался и что продвигал, узнаёшь, только если зашёл на канал в нужный день. Рассказываем о нашем кейсе из прошлого. Крупный телеком-оператор (NDA) пришел с запросом: нужен был регулярный поток: бренд, продукт, автор, период, охват. Мы собрали систему, которая ежедневно мониторит заданные каналы: сохраняет креативы и конечные ссылки, определяет бренд по логотипу, читает текст через OCR, раскрывает редиректы (конечный сайт заказчика) и классифицирует размещение по продукту. Это важно, потому что на креативе часто нет ни слова — логотип и короткая ссылка. 💊Теперь про охват. Эфир заканчивается, а запись — нет: VOD досматривают ещё недели. Если считать просмотры только за период размещения, цифры врут в меньшую сторону. Поэтому система учитывает досмотры ещё 14 дней после того, как размещение закончилось, — и видит "хвост" охвата, который классический мониторинг теряет. Итог: отчёты по брендам, авторам и периодам вместо ручного обхода каналов. По цифрам получается солидно: система заменяет 80% ручного мониторинга рекламы у стримеров. 💻Пайплайн, архитектура и стек — в кейсе на сайте. Есть похожая задача? Напишите нам — разберём на бесплатной консультации: @neurocore_ai

Ночью и днем по складам IKEA летают 250 дронов 🚀 При чем тут ИИ? 73 склада, девять стран, дроны Verity летают круглосуточно рядом с сотрудниками. Раньше их выпускали только ночью — теперь ИИ-навигация позволяет им работать в проходах, где ходят люди, и никого это не смущает. Что делают дроны? Самую "душную" работу на складе - пересчитывают паллеты. Дроны снабжены машинным зрением, именно благодаря ему они подменили людей в самых выматывающих и монотонных задачах. Так работает искусственный интеллект на складе. Он забирает не работу вообще, а её худший пласт: пересчитать одинаковые коробки, обмерить паллету рулеткой, отмотать восемь часов видеоархива ради одной пропавшей коробки. Человек от такой работы "выгорает" к обеду. Машине всё равно, первая это операция или тысячная. Дроны — только видимая часть. Собрали четыре увлекательных материала про применение ИИ в логистике из нашего блога: 📦 Видеоаналитика на логистических хабах: куда пропадают грузы между приёмкой и отгрузкой и как паллета ищется одним запросом вместо часов отмотки архива 🔢 Подсчёт товара и контроль комплектации: как система ловит "взял 9 коробок вместо 10", пока паллета ещё у стеллажа. 🤖 Машинное зрение для роботов — что меняется, когда манипулятору дают "глаза": захват, паллетирование, отбраковка. 📊 ИИ в логистике и его экономика — почему аналитика на существующих камерах окупается быстрее, чем модернизация склада. Почему автоматизация на складе критична? Человек, считающий коробки восьмой час подряд, ошибается статистически неизбежно — это свойство монотонной работы, а не сотрудника. Именно поэтому пересчет ячеек и слепой поиск потерянных палет всё чаще отдают алгоритмам. Машинное зрение не заменяет команду склада, оно просто забирает у людей работу роботов. Человеку остается то, где реально нужна голова: управление процессами, логистика и разбор нетипичных инцидентов. Хотите узнать, какую часть складской рутины можно снять с ваших сотрудников уже сегодня? Записывайтесь на аудит @neurocore_ai — разберем ваши процессы и покажем, где видеоаналитика сэкономит деньги в вашем бизнесе.

Сапожник с сапогами: как мы автоматизировали собственную рутину 🟡 Мы создаем целые ИИ-системы для бизнеса, но внутри компании сталкиваемся с той же банальной операционкой: отчеты по понедельникам, выгрузки для продаж, заведение тикетов и рассылка дайджестов. А ведь сапожнику тоже нужны сапоги: поэтому мы собрали внутренний инструмент для автоматизации, который не сжигает бюджет на API и не превращается в "черный ящик". 🟢Механика: пишешь в Slack обычным текстом: "Присылай список клиентов с истекающими пакетами каждый понедельник". Система уточняет детали и... не идет делать работу сама. Она собирает прозрачный сценарий в n8n (источник, расписание, получатель) и отдает его на проверку. 🟢Нажимаешь «ОК» - и сценарий запускается и уже работает сам по себе. Мы платим за токены ровно один раз на этапе сборки пайплайна, а сами регулярные запуски не стоят ничего. Безопасность и контроль: Всё на виду. Права доступа ограничены, запись в базы закрыта там, где нужно только чтение, а в журнале всегда видно, кто и когда создал процесс. Если автор запроса уходит в отпуск — автоматизация продолжает работать, а команда может поправить её руками. 😊Итог: минус час рутины в день на человека. В новом кейсе на сайте разобрали, как это работает, логику прав и технические вызовы, с которыми столкнулись. 🧑‍💻Читать разбор

"Следите, чтобы все ходили в касках" — задача на неделю или на полгода? Зачастую заказчики формулируют свои задачи одинаково. А проекты получаются разные: где-то хватает готового модуля, в другом проекте нужны месяцы разработки. Рассказываем, где проходит граница на примере задаче по мониторингу ношения СИЗ и соблюдению ТБ. 🧠Есть готовый модуль контроля СИЗ. Он обучен на стандартные классы: каска, жилет, перчатки, спецодежда — и проверяет их по зонам: на одном участке каска обязательна, на соседнем участке таких требований нет. Если объект в этот набор укладывается, запуск занимает недели: подключаем камеры, размечаем зоны, калибруем пороги под освещение площадки. Это типовые решения под стандартные условия на складе или в производственном цеху. 🧠А бывает иначе. У нас есть пример кейса, где типовой подход никак не уживается с особенностями окружающей среды и условиями съемки. Да и люди в кадре тоже источник сложностей для распознавания СИЗ: рабочий наклонился — каска ушла за плечо, и детектор три кадра подряд сигнализирует: "сотрудник без каски". Люди перекрывают друг друга — трекер теряет бригаду и раздаёт им номера заново. Создавать событие на каждый такой кадр нельзя: за смену набегут сотни ложных алертов, через две недели оператор перестанет открывать журнал — и система умрёт, формально работая. В такой ситуации нам пришлось разделить роли в системе: детектор только смотрит, а принимает решения уже другой, отдельный слой. Он копит историю наблюдений по каждому человеку и отличает события "каску не видно" от "каски на работнике нет". Десять минут без жилета — одна запись в журнале, а не шестьсот уведомлений. Это и есть граница. Пока задача звучит как "найти СИЗ в кадре", хватает готового платформенного решения, модуля. Когда объект начинает обманывать детектор, работа смещается из модели в логику вокруг неё. Куда попадёт ваш случай, видно по архиву с камер: перед стартом работ мы их изучаем и формируем предложение индивидуально под реалии вашего бизнеса и его запрос. 🗂В блоге подробно рассказали, как работает видеоаналитика СИЗ. 💻А инженерный разбор того кейса по СИЗ в нестандартной среде — уже на Хабре. Если вы сейчас выбираете подрядчика по видеоаналитики для контроля техники безопасности, приглашаем пообщаться @neurocore_ai.

🗣Пока все пишут промпты, мы делаем немодный прикладной ИИ На ИТ-форуме БРИКС Наталья Касперская озвучила смелую мысль - то, о чем бизнес пока говорит, в основном, в кулуарах: пора завязывать с гонкой генеративных «игрушек» и делать ИИ, который работает для практических и действительно важных задач. Оборонная промышленность, ВПК, критическая инфраструктура, производство. Полностью согласны. По опыту клиентов знаем: настоящие деньги экономятся там, где алгоритм просто забирает на себя долгую душную рутину. Наш новый кейс - как раз об этом. ⏺Клиент: производитель стеллажных систем ⏺Боль клиента: чтобы составить КП для покупателя стеллажных систем, нужен инженер и 2–3 дня времени. Инженер берёт исходный план склада, вручную обходит колонны, закладывает проезды под погрузчики, считает нагрузки на балки и сводит всё это в смету. А если заказчик просит немного сдвинуть зону выгрузки — весь пересчёт запускается по новой. ⏺Решение: ИИ, который забрал на себя автоматизацию расстановки стеллажей. Менеджер загружает план помещения в систему, вносит параметры и идёт пить кофе. Через 15 минут у него на руках готовые варианты расстановки, чертёж и спецификация в Excel до винтика. Без привлечения техотдела. Да, со сцены под соусом «визионерства» такие кейсы продавать тяжело, они выглядят сухо и обыденно. Но в этом и есть главная сила «скучного ИИ».

Он не умеет поддерживать светскую беседу, зато берет на себя неприятную механическую работу, убирает ошибки и экономит деньги бизнеса на сверхурочной оплате за не нужные задачи.

Как алгоритм сам расставляет стеллажи, какие препятствия встречаются и как это работает в целом - в видео. 👀А бизнесовый разбор кейса - уже на сайте 💻Технический - на Хабре Согласны с мнением Натальи Касперской и мыслью поста? Сигнальте любой реакцией, пишите комментарии, обсудим 🔥

Коробка или кастом? Видеоаналитика или LLM? А может, сначала всё-таки понять задачу? Друзья, за последний месяц в нашем блоге собралась почти мини-база по видеоаналитике и прикладной AI-разработке: ⏺От кадра до алерта. Как видеоаналитика на практике проходит путь от изображения к событию, журналу и уведомлению: ⏺Умный светофор против ДТП Почему обычная камера просто записывает, а видеоаналитика помогает системе принимать решения быстрее ⏺Видеоаналитика + LLM Новый слой решений: когда система не только видит событие, но и помогает его описать, классифицировать и передать дальше ⏺ «Коробка» или кастом Когда готовое AI-решение подходит, а когда начинает ломаться об реальные камеры, данные, регламенты и инфраструктуру заказчика 💻Кейс: мультимодальная ИИ-система для контроля событий на объектах Как видео, аудио, транскрибация и LLM собираются не в демо, а в рабочую карточку события Мы не верим в универсальный ответ «берите коробку» или «только кастом, только хардкор». Иногда готовое решение действительно закрывает задачу. А иногда оно красиво работает на демо, а на объекте: камеры стоят не там, сценарии сложнее, интеграции никто не отменял, а бизнесу нужен не распознанный объект, а управленческое решение по факту события. Если вы сейчас выбираете подрядчика, думаете о пилоте или пытаетесь понять, с чего начать видеоаналитику - приглашаем пообщаться. Разберём задачу, открыто скажем, где есть смысл в AI, где лучше не усложнять, и что нужно проверить до пилота. Пишите: @neurocore_ai. #блог_neurocore

🌲Дрон облетел участок — и вырубка превратилась в цифры и координаты На форуме «Цифровой лес» в Нижнем Новгороде наш партнер выступил с презентацией, которую мы собирали вместе. Задача: понять, где идет вырубка леса и сколько леса вывозят. Контроль вырубки часто работает с опозданием. Снимки не регулярные, обходы выборочные, объёмы оценивают на глаз или по бумагам. Чем поможет машинное зрение? Коптер облетает участок, видео уходит в систему. Алгоритм выделяет зону вырубки прямо на кадре, отделяет её от живого леса и переводит картинку в измеримые величины: площадь деляны и оценку объёма древесины. Лес снимают под разными ракурсами, при разном свете, с тенями, дымкой и пёстрой текстурой крон. Граница «вырубка / не вырубка» почти никогда не бывает резкой — модель должна держать её устойчиво, а не цепляться за один удачный кадр. Кстати, у нас уже есть реализованный кейс про дроны - мы научили нейросеть отбирать только качественные снимки с коптера, чтобы сократить время время на отсмотр неинформативных кадров инженерами. Как мы это реализовали - читайте на сайте. А если у вас похожая задача: пишите — обсудим @neurocore_ai. #новости_neurocore

🔆Хотели бы собрать датасет северного сияния. Или диковинных рыб. Но реальность еще интереснее! Открываем интригу из предыдущего опроса. Наш эксперт улетел в Мурманск на один день, чтобы поймать короткое "окно" на объекте и проверить условия для установки камеры: ракурсы, зоны обзора, доступность точки монтажа и все-все-все, что важно для успешного запуска проекта. Проект под NDA. А вот красоты северной природы скрывать не будем, делимся живописными кадрами из командировки. Такие выезды — одна из причин, почему мы любим свою работу. В прикладном ИИ так и бывает: лучше один раз приехать на место, и своими глазами увидеть, как и где будут стоять камеры. Мы не пугаемся таких вызовов. Наоборот — именно с них и начинается настоящая инженерная работа! #новости_neurocore

⚙️Трекинг посетителей на fisheye-камерах: задача "со звездочкой" Мы в NeuroCore часто говорим о том, что мы разрабатываем и внедряем ИИ-решения, не ломая оборудование заказчика, работаем с текущими камерами (если это возможно). Кейс - доказательство. Это бывает непросто, но интересно! Дано: 🌺Магазин самообслуживания. Не касса, а полноценный магазин без продавцов. 🌺Одна потолочная камера с углом 180° покрывает весь зал. Задача: видеоаналитика потока с трекингом. Стандартные алгоритмы трекинга тут не сработали: пространство нелинейное, люди перекрывают друг друга, система теряет, кто есть кто в кадре. Мы не стали "чинить" классику под неудобную геометрию — построили архитектуру, которая с ней работает. ▶️Что получилось на выходе: ⏺Система видит весь путь посетителя — вход, движение по зонам, касса, выход ⏺Распознаёт нештатные ситуации в реальном времени — групповой проход, долгое стояние, резкое движение. Алерт приходит сразу, не после разбора записи. ⏺Удерживает ID даже когда человек пропадает из кадра — зашёл за стеллаж и вышел: система понимает, что это тот же посетитель. ⏺Не требует оператора для просмотра видео — аналитика собирается автоматически и пишется в базу в структурированном виде ⏺Работает на обычном железе — до 15 FPS на GPU уровня RTX 3060, без дорогой инфраструктуры. ▶️Оборудование заказчика осталось нетронутым — это не исключение из правил, а принцип: строим систему под то, что уже стоит. Технический разбор — почему классические трекеры ломаются и как устроен конвейер изнутри — на Хабре Полный кейс с описанием задачи и результата — на сайте У вас похожая задача? Напишите — расскажем, что реально можно вытащить из уже установленных камер @neurocore_ai. #кейс #ритейл #видеоаналитика

Можно ли предсказать, кто из кандидатов пройдёт испытательный срок до того, как наняли? Пример: компания нанимает 500 менеджеров по продажам в год. Справляется каждый четвёртый. Это значит, что 375 человек прошли отбор, вышли на работу, получили зарплату за испытательный срок — и через два-три месяца уволились или были уволены без результатаи. Снова открытая вакансия, снова собеседования, снова расходы на найм. Мы разобрали, как ML-модель помогает находить тех, у кого получится — на основе истории найма, комментариев рекрутеров и данных по испытательным срокам. Что работает, что нет и почему это не волшебство, а просто хорошая статистика на нормальных данных — в новой статье Если у вас похожая история с наймом — напишите нам @neurocore_ai. Разберём, есть ли смысл строить такую модель на ваших данных. #статья

Раньше видео было почти железным доказательством: "ну вот же, снято на камеру, не фотошоп" Сегодня таких железных доказательств нет. ИИ уже умеет не только создавать фейковые фото (о них мы уже говорили на ТВ, помните?), но и собирать видео с людьми, голосами, мимикой и движением. Поэтому вопрос "настоящее или генерация?" сегодня волнует всех. На эту тему поговорили с командой программы «Доброе утро». На съёмке обсудили, где такие технологии могут быть полезны, а где уже появляются риски: подмена личности, фейковые обращения, мошенничество. Тема нам лично интересная, так как видеоаналитика, распознавание, верификация и работа с реальными ограничениями - часть инженерной практики NeuroCore. Сюжет ориентировочно выйдет 21–22 мая. Обязательно поделимся ссылкой на канале. #новости_neurocore

Интересное наблюдение: для бизнеса всё болезненнее становится зависимость от отдельных экспертов внутри команды Даже если это менеджер интернет-магазина, но не простого - а с экспертным подбором товаров. Клиент выбирает специализированное изделие, которое должно подойти по размеру, состоянию, ограничениям, образу жизни и реальному наличию на складе. 🌺 🌺 Менеджер получает не идеальное ТЗ, а живой человеческий запрос: неполное описание, обрывочные данные, иногда фото, иногда "мне нужно что-то после операции / для ходьбы / "врач прописал, но я не до конца понял, что мне нужно". 🌺 🌺 Менеджер держит в голове правила подбора, размерные сетки, противопоказания, остатки, сроки доставки, аналоги и сопутствующие товары.

Один сильный сотрудник делает такую работу быстро и точно. Новичок - дольше. Уставший - может ошибиться. Перегруженный - не предложит дополнительный товар и не сделает дополнительную продажу.

Здесь экспертная продажа превращается в "узкое место" для бизнеса. 💻Мы разработали ИИ-ассистента, который не заменяет менеджера, а собирает его экспертизу в управляемый процесс:

разбирает свободный запрос, видит недостающие данные, применяет правила подбора, проверяет ограничения и выдаёт ТОП-3 рекомендаций с аргументацией.

В кейсе показываем, как построли такую систему: без магии LLM, с правилами, RAG, базой знаний и понятной логикой подбора. Читать кейс #кейсы_Neurocore

Поднимите руки, если ни разу не списывали!

"Лес рук!" - как сказал бы любой учитель.

Проблема списывания стара, как мир. Только способы обмануть экзаменационную комиссию все усложняются, как и технологии поймать на списывании.

Дописанный фрагмент, след "чужой руки" в бланке, подозрительно неровный почерк внутри одной работы.

На потоке в условиях дикой загрузки проверяющих это почти невозможно поймать глазами (только сердцем, которое чувствует "что-то в работе не то"!). Зачастую спорные случаи как раз прячутся в мелочах. В новой статье рассказали, как искусственный интеллект и машинное зрение берут весь удар на себя: система разбирает рукописные экзаменационные бланки по фрагментам, сравнивает почерк внутри одной работы и помечает участки, которые выбиваются из общей картины. Не вместо эксперта, а чтобы не тратить его время на сплошной ручной просмотр всего массива бланков. 🌟Читать статью — по ссылке. Увлекательного чтения! 🌟А если хотите больше конкретики и меньше слов - наш кейс по данному проекту! #кейсы_Neurocore