Быстрое обслуживание гостей – один из ключевых факторов успеха ресторанного бизнеса. Но что делать, если официанты тратят драгоценные секунды на поиск названий блюд в системе?
Компания ITFOX нашла решение для своего Заказчика: ускорила бизнес-процесс в 6,5 раз за счет внедрения ИИ.
Как это работает, какие технологии использованы и с какими вызовами пришлось столкнуться? Читайте в кейсе.
Идея внедрения ИИ
Заказчик: LONDON RESTAURANT GROUP (LRG) – один из лидеров отрасли общественного питания юга России.
Компания ItFox помогает LRG двигать ресторанный бизнес по пути ИТ-прогресса. В сотрудничестве с Заказчиком ItFox разработали для LRG:
- Кроссплатформенное мобильное приложение с системой лояльности “Бар Лондон”.
- Веб-приложение для автоматизации финансового учета ресторанного бизнеса – РЕСТОТЧЕТ.
- ПО для учета продуктов при производстве полуфабрикатов “AVISK”.
- Систему учета питания в отеле “ФОТОБОКС”
В этом кейсе речь пойдет о внедрении нейросети в систему Фотобокс.
Система Фотобокс состоит из аппаратной части и ПО и предназначена для автоматического учета блюд и продуктов питания, из которых они приготовлены. При тестировании системы в ресторане при отеле обнаружилась проблема: персоналу приходилось тратить значительное время на поиск наименований блюд в базе данных. Даже встроенный поиск не решал ситуацию. Названия блюд вводили шеф-повара, часто используя нестандартные и сложные формулировки. Официанты не всегда знали точные наименования, из-за чего идентификация блюда могла занимать до 20 секунд на 1 блюдо. В часы пик это серьезно замедляло процесс обслуживания гостей.
Чтобы устранить эту проблему, было принято решение модернизировать Фотобокс, дополнив его системой искусственного интеллекта. Теперь технология автоматически распознает блюда и моментально отображает их название на экране, значительно ускоряя работу персонала.
Как работает Фотобокс с ИИ
Внедренная нейросеть анализирует изображение блюда, распознает его и предлагает одно или несколько возможных названий. Если система находит несколько схожих вариантов (например, тертая морковь и морковь по-корейски), официант выбирает нужный. Это значительно сокращает время обработки заказа и минимизирует ошибки.
Результаты внедрения
Скорость распознавания блюд увеличилась в 6,5 раз. До внедрения искусственного интеллекта у официанта на поиск названия в системе уходило до 10-15 секунд, после внедрения ИИ – 1-2 секунды. Рейтинг питания в отеле вырос с 80% до 94%.
Работа над проектом
Этапы работы над проектом:
- Аналитика. ItFox провели исследование доступных технологий распознавания, но подходящего варианта не нашли. Поэтому приняли решение разработать собственную.
- Были разработаны:
- функционал формирования датасетов (блюда с фотографиями) для дальнейшей передачи на обучение
- Ядро нейронной сети
- Переход на технологию websocket для стрима данных от весов и камеры
- Интеграция с S3 сервер. Готовая модель выгружается на S3 сервер, после чего все устройства загружают модель из S3.
- Для тестирования были написаны тестовые сценарии, разработаны автотесты
Разработка искусственного интеллекта для “Фотобокс” включала:
1. Подготовка данных. Сформирована база изображений. Необходимо было собрать большое количество фотографий блюд и правильно их подготовить для последующего обучения нейросети.
2. Обучение модели. На собранных данных шло обучение нейросети, чтобы она научилась корректно распознавать и классифицировать блюда.
3. Внедрение обученной модели. Завершающий этап — интеграция модели во все терминалы Фотобокс.
Система распознавания блюд построена на следующих компонентах:
- Сервис обработки и подготовки данных.
- Модуль идентификации блюд.
- Функция единого запуска всех процессов.
- Механизм доставки обновленной модели с S3-сервера на “Фотобокс”.
Процесс разработки
Оптимизация подготовки данных
Компания ITFOX создала специализированный сервис, который автоматически формирует необходимый набор данных для обучения. Важный нюанс: фотографии блюд хранятся на S3-сервере, а не в основной базе, что позволяет экономить ресурсы. Кроме того, каждый программный объект в системе содержит дополнительные данные, требующие фильтрации перед передачей в нейросеть.
Автоматизация запуска обучения
Ранее запуск процесса обучения был сложным и требовал выполнения множества последовательных операций. Теперь же в веб-интерфейсе облачного сервера достаточно нажать одну кнопку, чтобы активировать всю цепочку сервисов. Это стало возможным благодаря созданию автоматизированных скриптов и многократному тестированию работоспособности системы.
Оптимизация обновления модели
Для корректной работы ИИ на устройствах “Фотобокс” важно учитывать актуальность установленных моделей. Поэтому компания ITFOX реализовала механизм автоматической проверки через сопоставление даты и времени их создания. Когда Фотобокс получает модели, он проверяет эти данные и выбирает актуальную.
Работа над процессом обучения
Для повышения эффективности обучения разработчики ITFOX:
- Определили необходимое и достаточное количество снимков для каждого блюда.
- Настроили параметры модели, чтобы ускорить обработку изображений.На начальных этапах тестирования время распознавания достигало 3-4 секунд. После доработок удалось сократить его до 1,5-2 секунд.
Ключевые параметры обучения
- BatchSize – регулирует использование видеопамяти и ускоряет процесс обучения.
- TRAIN PROPORTION – процент данных, задействованных для тренировки модели.
- NUM EPOCHS – число итераций обучения, влияющее на качество результатов.
- VALIDATION_RATIO – показатель контроля качества, помогающий оценивать точность модели.
Главной сложностью проекта была интеграция ИИ на архитектуре ARM Raspberry Pi 4 и балансировка фотографий. Эти шаги были необходимы для обеспечения корректного обучения нейросети, даже при работе с ограниченным количеством изображений.
Технические сложности на проекте и способы их устранения
Замедленное распознавание
На некоторых устройствах процесс идентификации блюд занимал до 4 секунд. Разработчики ItFox решилb проблему, подобрав оптимальную сверточную нейросеть RESNET151, которая обеспечила высокую скорость обработки данных.
Низкое качество обучения из-за дисбаланса данных
Чтобы избежать ошибок в распознавании, компания внедрила механизм динамической балансировки датасетов.
Наличие лишнего фона на изображениях
Чтобы модель не путалась из-за посторонних объектов на фото, компания разработала функционал автоматической обработки изображений: кадрирование, наложение маски и фильтрация ненужных элементов.
Результаты оптимизации
- Время распознавания блюд на Raspberry Pi снизилось до 1,5-2 секунд, а на компьютерах с GPU — до долей секунды.
- Точность определения повысилась до 90-95%.
- Разработан удобный веб-интерфейс для гибкой настройки параметров обучения и тестирования гипотез.
Внедрение системы: вызовы и решения
Обучение персонала
Для эффективного использования “Фотобокса” важно соблюдать простое правило: качественные фотографии — залог корректной работы модели. Практика показала, что для надежного распознавания необходимо порядка 300 изображений на каждое блюдо. Специалисты ItFox провели тренинги по обучению работе с моделью для сотрудников.
Операционные сложности
Первоначально сотрудники ресторана восприняли “Фотобокс” как дополнительную нагрузку, полагая, что он замедляет процесс работы. Однако с поддержкой руководства компании ItFox удалось внедрить систему без ущерба для скорости обслуживания.
Оптимальное размещение оборудования
Чтобы минимизировать перемещения сотрудников по залу, “Фотобоксы” были установлены возле горячего, холодного и кондитерского цехов. Это позволило ускорить процесс съемки и повысить эффективность работы.
Благодаря этим решениям система Фотобокс с ИИ была успешно внедрена в операционную деятельность сотрудников и дала блестящие результаты в ускорении процесса обслуживания.
Итоги проекта
Внедрение ИИ в Фотобокс значительно повысило скорость и удобство работы персонала, улучшило клиентский сервис и подтвердило экспертность ItFox в создании инновационных IT-решений для ресторанного бизнеса. Этот кейс наглядно демонстрирует, как искусственный интеллект может изменить привычные процессы, делая их быстрее, удобнее и эффективнее.
