Касса и камера смотрят на один и тот же заказ. Пока их не связать, спор с клиентом остаётся вопросом веры

Задача звучит буднично: один заказ фиксируют две независимые системы. Касса знает, что оплачено — состав, сумму, время. Камера знает, что фактически легло в пакет. Данных достаточно, чтобы разобрать инцидент, но живут они порознь: в кассе строки заказа, в регистраторе непрерывный поток видео. Сопоставить их можно только вручную — и это разрыв, из-за которого контроль сборки чаще всего не работает вообще.

Команда, описавшая кейс на Habr, закрыла именно его: система связывает чеки с видеопотоком и нарезает эпизоды с ошибками сборки. Ключевое здесь не «нейросеть смотрит видео», а сжатие: 24 часа записи превращаются в 30-секундный фрагмент, который проверяющий разбирает за минуту. Работник получает не поток, а готовый эпизод с привязкой к конкретному чеку.

Привязка к чеку важнее качества картинки. У каждой транзакции есть готовые координаты: время, состав, сумма. По этим меткам видео нарезается на эпизоды, и «что оплачено» сопоставляется с «что отдано». Даже среднее изображение становится доказательством, если рядом строка заказа с точным временем. И наоборот: идеальная картинка без привязки к кассе остаётся видео, которое нечем подтвердить.

Что это меняет в деньгах. Недостачи при сборке перестают быть фоновым шумом: эпизод находится, состав сверяется, причина устанавливается. Жалобы на забытые блюда переходят из «слово против слова» в разбор факта — прямая экономия на возвратах и компенсациях. Споры о времени обслуживания решаются по таймстемпам. Появляется материал для обучения смены: не абстрактное «внимательнее собирайте заказы», а конкретные минуты, где что-то пошло не так. Разбор за минуту означает, что такая работа может быть рутиной, а не проектом на полдня.

Где грабли. Камера в зале снимает не только заказы, но и людей — сотрудников и гостей. Поэтому хранение, доступ и основания для обработки видео решаются отдельно, как правило с юристом. Второй риск: ложные срабатывания. Если система зовёт проверяющего на каждый второй заказ, экономия обнуляется и люди перестают доверять сигналам. Третий: стоимость. В описании кейса нет ни цены внедрения, ни точности модели, ни числа точек в сети. В источнике этих цифр нет, поэтому редакция ProAgent AI их не подставляет.

1. В кейсе отправная точка не технология, а конкретная боль: гость говорит, что блюда не было. Если такой боли нет, система решает задачу, которой у вас нет. Посчитайте, сколько раз в месяц вы разбираете такие эпизоды.
2. Самый ценный эффект — не распознавание, а сжатие: 24 часа превращаются в 30 секунд. Считать стоит не точность модели, а время на разбор одного эпизода: именно оно определяет, будет контроль ежедневным или раз в квартал.
3. Привязка к чеку важнее качества картинки: даже посредственное видео становится доказательством рядом со строкой заказа. Проверьте, синхронизировано ли время камеры со временем кассы: без этого всё разваливается на первом споре.
4. Проверяющий остаётся в контуре: система отбирает эпизоды, решение выносит человек. Автоматические взыскания по видео ведут к конфликту со сменой и к ошибкам, которые потом никто не разбирает.
5. Видео с людьми — персональные данные. До пилота ответьте на три вопроса: где хранится запись, кто имеет доступ, на каком основании она обрабатывается. Это решает владелец, а не только подрядчик.

«Запись длиной 24 часа сжимается до 30-секундного фрагмента, где видно ровно тот эпизод, который надо разобрать: проверяющему хватает минуты»