Выберите тему — соберём контекст
Строим модели, которые видят, слышат и читают: дефекты на линии, события по видео, качество по звуку, документы и рукописный ввод, телеметрия оборудования. И берём на себя то, из-за чего такие проекты чаще всего не доезжают до цеха — данные, разметку и перенос модели на реальный объект.
Архитектуру почти всегда можно взять готовую: предобученной сети хватает для большинства прикладных задач. Уникальны не они, а ваш размеченный датасет — и то, как модель ведёт себя на площадке в ночную смену.
Опишите, что нужно распознавать и какие данные уже есть, — скажем, реалистична ли задача, хватает ли примеров и с чего начать.
Глубокое обучение начинается там, где человек принимает решение мгновенно, но не может объяснить его формулой. Ниже — не «отрасли применения», а именно те типы решений, где классические методы упираются в потолок: признак, по которому решает мастер, невозможно выписать руками.
Царапина, задир, непроклей, пора, разнотон, смещение шва. Мастер отличает брак от нормы с первого взгляда, но не может объяснить это порогом по яркости: правило ловит не дефект, а освещение.
Сколько единиц на паллете, где на снимке повреждение, какая доля площади поражена, все ли ячейки заполнены. Задача не «есть дефект или нет», а «что где и сколько».
Накладные, акты, бланки, шильды, показания счётчиков, заполненные от руки заявки. Печатный текст читается готовыми моделями, рукописный и ваши собственные формы — уже с дообучением.
Изменение звука подшипника, утечка воздуха, нестабильность процесса, качество соединения. Опытный наладчик слышит это на слух — воспроизводим то же самое по записи микрофона или датчика.
«Человек без каски в опасной зоне», «погрузчик на пешеходной дороге», «деталь лежит не на месте». Детектор движения здесь бесполезен: движение есть всегда, важно, какое именно событие произошло.
Классификация обращений, разметка номенклатуры, поиск похожих инцидентов, прогноз по телеметрии с журналом аварий вместо ответов «почему-то сломалось».
Общее у всех шести: признак, по которому принимается решение, нельзя выписать словами так, чтобы это работало на новых данных. И обратное тоже верно, и мы говорим это сразу: если правило выписывается — писать надо правило. Оно дешевле, предсказуемее, объяснимо и не требует данных. Часть проектов мы на этом и заканчиваем, и это дешевле для обеих сторон.
«Сделать ИИ» — не задача. Задача всегда звучит как «распознать дефект по кадру» или «услышать неисправность по записи». От модальности зависит всё: сколько нужно данных, сколько стоит разметка, где модель сломается первой. Поэтому начинаем с классификации сигнала, а не с выбора модели.
| Сигнал | Что делаем | Что определяет стоимость | Где обычно ломается |
|---|---|---|---|
| Изображения | Классификация годен/брак, детекция и подсчёт объектов, сегментация зон и повреждений, сравнение с эталоном. | Число классов и объектов на кадре: каждый новый класс — своя разметка и своя кривая обучения. | Освещение и фон на разных постах. Модель, обученная у окна, на другом посту смотрит на тени. |
| Видео и поток | События и трекинг, контроль регламента и спецодежды, фиксация нарушений, подсчёт проходов и циклов. | Редкие события: чтобы модель увидела нарушение, нужно много часов записи, а не много кадров. | Определение события. Пока не решено, что считать событием (сколько секунд, с какой уверенностью), размечать нечего. |
| Аудио и речь | Контроль качества по звуку, диагностика оборудования, разбор звонков, поиск скриптовых нарушений, речевые команды. | Часы размеченного аудио и качество записи: микрофон в цеху и гарнитура оператора — разные задачи. | Шум и разные устройства записи. Перенос с одного микрофона на другой без доразметки обычно не работает. |
| Текст и документы | Классификация обращений, извлечение реквизитов и сумм, проверка документов, нормализация номенклатуры. | Разметка примеров и разбор вёрстки ваших бланков; для языковых моделей разметки нужно меньше всего. | Новые шаблоны. Появился новый бланк или поставщик со своей формой — извлечение ломается, нужен контроль. |
| Телеметрия и сигналы | Диагностика по вибрации, току, температуре и давлению; прогноз остаточного ресурса; поиск аномалий процесса. | Разметка окон сигнала. Метки обычно берут из журнала аварий и ремонтов, и он почти всегда неполный. | Мало событий. Аварий за год — единицы, и учиться на них не на чем: работаем с аномалиями, а не с классами. |
| Несколько модальностей сразу | Кадр вместе с текстом накладной, звук вместе с телеметрией, видео вместе с данными датчиков. | Синхронизация потоков по времени: расхождение в секунды обесценивает весь набор. | Разные системы времени. Часы камеры, контроллера и сервера почти всегда расходятся. |
Отдельная строка в любом проекте — не сама модель, а организация съёмки и доступа к данным. По опыту это то, что определяет срок сильнее, чем выбор архитектуры: камеру поставить быстрее, чем согласовать выгрузку из чужой системы.
Сеть можно взять готовую — их выложены тысячи, и они уже умеют видеть края, текстуры и формы. Чего нельзя взять готового, так это ваших размеченных примеров. Поэтому первый вопрос любого проекта — не «какую модель взять», а «сколько примеров нужно и откуда они возьмутся».
| Тип задачи | С чего обычно начинают | Что даёт предобученная модель |
|---|---|---|
| Классификация изображений: годен / брак | 300–1 000 размеченных кадров на класс | Основную работу делает предобученная сеть: она уже умеет видеть края, текстуры и формы, ей остаётся объяснить вашу специфику |
| Поиск и подсчёт объектов (детекция) | 1 000–5 000 размеченных объектов, от 300 на класс | Основа детектора переносится целиком, обучается только «голова» — но размечать нужно каждый объект рамкой |
| Выделение области (сегментация) | 500–2 000 кадров с масками или полигонами | Кодер уже выделяет структуру изображения; разметка контуров в 3–5 раз дороже прямоугольников |
| Документы и рукописный ввод | 100–300 образцов каждого шаблона плюс синтетика по вашим формам | Печатный текст читается готовыми OCR-моделями без обучения; дообучаем на ваших бланках и почерке |
| Речь и аудио | 10–50 часов размеченного аудио; для узкого детектора события хватает 2–5 часов | Речевые модели обучены на тысячах часов и переносятся на ваш домен лучше, чем кажется |
| События по видео | 20–100 часов записи с примерами события | Кадровые модели переносятся, но временную разметку («событие началось здесь») делаем с нуля |
| Телеметрия и сигналы оборудования | Сотни–тысячи окон сигнала; метки — из журнала аварий и ремонтов | Перенос слабее: сигналы слишком предметны, зато не нужны эксперты-разметчики — нужен доступ к журналам |
| Текст и классификация обращений | 1 000–5 000 размеченных примеров или 200–500 при дообучении языковой модели | Языковые модели переносятся лучше всего: разметки нужно меньше, чем в любой другой модальности |
Это ориентиры, а не гарантия. Потребность зависит от того, насколько различаются классы, насколько стабильна съёмка и какая точность нужна. Числа нужны, чтобы разговор начинался не с нуля; точный ответ даём после того, как посмотрим ваши выгрузки. Бывает и так, что трёхсот кадров достаточно, и так, что трёх тысяч мало — разница в разнообразии условий, а не в количестве.
Это нормальная ситуация, а не приговор: почти никто не приходит с готовым датасетом. У нас есть шесть рабочих способов начать с того, что есть.
Берём модель, обученную на миллионах изображений или тысячах часов речи, и дообучаем на ваших данных. Работает от нескольких сотен примеров на класс — это основной способ начать почти любой проект.
Если у вас накоплены годы записей без разметки, модель сначала учится понимать ваши данные без меток, а размечается уже малая часть. Дороже по вычислениям, дешевле по разметке.
Повороты, сдвиги, изменение яркости и контраста, имитация блика, размытия и шума. Увеличивают разнообразие, но не заменяют реальные примеры редких случаев: аугментация не создаёт дефект, которого вы не сняли.
Рендер дефектов на 3D-модели изделия или генерация изображений. Обязательно проверяется на реальных кадрах — иначе модель учится на артефактах генератора, а не на дефектах.
Размечаем не весь массив подряд, а те примеры, где модель сомневается. Та же точность заметно меньшей ценой разметки — разметка вообще самая дорогая строка в смете.
Когда нужных примеров совсем мало, задача меняется: не «определи вид дефекта», а «найди, на что из эталонов это похоже». Или не «определи причину», а «отличи от нормы».
Это дешевле увидеть до старта. Первые два пункта — самые частые причины, по которым модель показывает прекрасные цифры в отчёте и отказывает на площадке.
Классы, которые ваши эксперты определяют по-разному
Если два опытных мастера смотрят на один кадр и расходятся в решении, модели неоткуда выучить правило, которого не существует. Сначала формулировка и правила, потом разметка.
Кадры одного объекта и в обучении, и в тесте
Самый частый способ получить 99% в отчёте и 70% на линии: сеть запоминает конкретный фон и конкретную деталь. Разделяем выборки по объектам, сменам и датам, а не по кадрам.
Съёмка только в идеальных условиях
Только днём, только чистая деталь, только один ракурс, только исправное оборудование. Нужны реальные условия, включая ночь, грязную оптику и худший случай, иначе на объекте модель откажет.
Ни одного отрицательного примера
Модель, которая видела только брак, считает браком всё. Нужны нормальные детали, ложные срабатывания и пограничные случаи — иначе непонятно, что именно она выучила.
Данные есть, а прав и доступа нет
Записи с камер, где видны люди; персональные данные в документах; данные, принадлежащие подрядчику или площадке. Разбираемся с правами, ретенцией и обезличиванием до обучения, а не после.
Ответ считается прямо в браузере: ничего никуда не отправляется. Это ориентир по ориентирам из таблицы выше — он помогает понять, с чего начать разговор, а не заменяет разбор.
Речь о примерах с решением «что это», а не о часах записи.
Ничего не отправляем и ничего не сохраняем. Решение принимается только на ваших выгрузках: здесь нет ни одного вашего кадра.
Модель учится на метках. Если метки противоречат друг другу, модель выучит противоречие. Поэтому разметка — не подготовительная работа перед «настоящей» разработкой, а производственный процесс со своими правилами, контролем качества и версиями. Именно здесь чаще всего теряется бюджет и результат.
| Этап | Что делаем | Артефакт | Что ломается без этого |
|---|---|---|---|
| Правила разметки | Пишем инструкцию с пограничными случаями и фотопримерами: что считается дефектом, а что допустимым следом; сколько секунд длится событие; что делать с неоднозначным кадром. | Инструкция с примерами «да / нет / спорно» | Каждый разметчик размечает по-своему, и модель учится на противоречиях вместо задачи |
| Пилотная партия | Размечаем 100–300 примеров втроём, независимо друг от друга, и считаем, насколько совпали решения. Расхождения разбираем и уточняем правила. | Измеренное согласие разметчиков и уточнённая инструкция | Ошибка в правилах обнаруживается только после того, как размечен весь массив |
| Эталонный набор | 50–100 примеров, решение по которым подтвердил ваш специалист-предметник. Это истина, с которой сверяем и разметку, и модель. | Gold set, подтверждённый заказчиком | Нечем измерить ни качество разметки, ни потолок, выше которого модели не подняться |
| Контроль качества | Перекрёстная проверка партий, доля ошибок по каждому разметчику, отдельный разбор спорных случаев. Брак возвращается на переразметку. | Отчёт о качестве разметки по партиям | Шум в метках ставит потолок точности ниже цели, и выясняется это на сдаче проекта |
| Разметка массива | Батчами, с версией датасета на каждом шаге: кто размечал, по какой версии правил, что изменилось. Обучение ссылается на конкретную версию. | Датасет с версиями и журналом изменений | Результат обучения невозможно повторить и невозможно объяснить, откуда он взялся |
| Разметка в эксплуатации | После запуска размечаем то, на чём модель ошибается и сомневается: спорные срабатывания из боя возвращаются в датасет. | Регламент доразметки и цикл улучшения | Модель остаётся такой, какой её сдали, и тихо расходится с реальностью |
Потолок точности модели — это качество разметки. Если два опытных разметчика соглашаются друг с другом лишь в 85 случаях из ста, то требовать от модели 97% бессмысленно: мы не знаем, где истина, и не можем даже корректно измерить ошибку. Поэтому согласие разметчиков мы измеряем в самом начале — до того, как вы заплатите за разметку массива. Часто этот замер и есть ответ на вопрос, стоит ли браться за задачу в текущем виде.
Ниже — фрагменты реальных форм документов, которые мы передаём заказчику. Смысл показать их здесь один: качество разметки не декларируется, а измеряется.
КЛАССЫ ok деталь годна scratch царапина dent вмятина unclear решение невозможно <- в обучение НЕ идёт, идёт в разбор ПОГРАНИЧНЫЕ СЛУЧАИ след от транспортировочной плёнки -> ok, если не меняет геометрию царапина короче 2 мм вне рабочей зоны -> ok царапина на кромке любой длины -> scratch спорный кадр -> unclear + комментарий ЧТО НЕ РАЗМЕЧАЕТСЯ кадр размыт движением, граница не читается деталь перекрыта рукой оператора более чем на треть
партия 14 · 2 400 кадров · правила v3 · 3 разметчика
согласие с эталоном разметчик A 96.1% ok
разметчик B 93.4% ok
разметчик C 81.7% warn <- переобучение
расхождения по классам
scratch vs ok 71 случай причина: длина царапины у кромки
dent vs unclear 12 случаев причина: блик закрывает границу
возвращено на переразметку: 214 кадров
правила обновлены до v4: уточнён пункт про кромку
стенд: линия 2 · смена: ночная · период: 11 дней · 18 640 деталей
модель: dl-defect-v7 · порог: 0.62 · режим: edge, 41 мс/кадр
пропущено дефектных 3 (0.016%) цена: возврат партии
ложных тревог 41 (0.22%) цена: 4 мин разбора
точность против эталона 97.8%
по условиям
день, сухая деталь 98.4%
ночь, ИК-подсветка 96.9%
после мойки, конденсат 94.1% <- доразметка 260 кадров, v8
Порядок шагов здесь не случайный, и это главное, чем мы отличаемся от «обучим вам нейросеть за месяц». Разметка идёт после baseline, испытания — до переноса на объект, а перенос — до запуска. Почти все провалы в глубоком обучении объясняются тем, что шаги сделали в другом порядке или пропустили.
| Шаг | Что делаем | Артефакт | Что ломается без этого |
|---|---|---|---|
| 1. Разбор задачи | Смотрим, что дано, и переводим запрос словами в измеримую задачу: что на входе, какое решение и с какой ценой ошибки. Проверяем, что нужный признак вообще есть в данных. | Заключение о выполнимости и метрика задачи | Проект начинается с обучения, а через месяц выясняется, что нужного сигнала в кадре физически нет |
| 2. Аудит данных и прав | Реестр выгрузок: объём, покрытие классов, условия съёмки, полнота, дубли, сроки хранения и права на использование. Отмечаем, чего не хватает и где это взять. | Реестр данных и план добора | Датасет собирают из того, что попалось под руку, и на объекте он не соответствует реальности |
| 3. Baseline без нейросети | Строим простое решение: порог по признаку, эвристику или классическую модель. Оно должно быть плохим — но измеримым, чтобы у нейросети была планка, которую надо побить. | Baseline-метрика и цена ошибки в деньгах | Непонятно, дала ли нейросеть хоть что-то сверх простого правила, а стоила в разы дороже |
| 4. Правила разметки и пилотная партия | Пишем инструкцию, размечаем 100–300 примеров втроём независимо, считаем согласие, разбираем расхождения, уточняем правила. | Инструкция с примерами и измеренное согласие | Весь массив размечается по правилам, которые никто не проверил |
| 5. Обучение и эксперименты | Дообучаем предобученную сеть, подбираем аугментации, следим за честным разделением: один объект, смена или съёмочный день не должны попадать и в обучение, и в тест. | Модель и отчёт экспериментов | Метрика завышена утечкой: сеть запомнила фон конкретного поста, а не дефект |
| 6. Испытания на честном стенде | Тестируем на данных с другого объекта, смены или сезона, которых модель не видела. Считаем матрицу ошибок в деньгах: цена пропуска и цена ложной тревоги. | Протокол испытаний с матрицей ошибок | 99% в лаборатории и разочарование в цехе: расхождение списывают на «сырой ИИ» |
| 7. Перенос на реальный объект | Свет, ракурс, экспозиция, синхронизация с оборудованием, калибровка порога по месту, выбор режима инференса. Доразмечаем то, что в реальности оказалось иным. | Работающий контур на площадке | Модель живёт в демонстрационном режиме, на неё никто не смотрит и решения она не меняет |
| 8. Пилот с человеком в контуре | Спорные срабатывания уходят на проверку специалисту, собираем статистику, уточняем пороги и правила. Параллельно обучаем вашу команду и передаём регламент. | Регламент эксплуатации, код, веса, доступы | После запуска модель никто не сопровождает, и через полгода она незаметно деградирует |
Мы различимы на каждом шаге
У каждого шага есть артефакт, который можно прочитать и проверить. Не «работаем над моделью», а «вот реестр данных, вот измеренное согласие разметчиков, вот протокол испытаний на несделанных данных».
Можно остановиться в любой момент
Шаги 1–4 — самостоятельный результат. Если по заключению окажется, что задача решается датчиком или правилом, вы это узнаете до основных затрат, а реестр данных и правила разметки останутся у вас.
Ваша команда участвует с первого дня
Нам нужен доступ к предметнику на шагах 1, 4 и 6 — подтверждать спорные случаи и оценивать протокол. Заодно это передача понимания: ваши инженеры видят процесс изнутри, а не получают чёрный ящик.
«Точность 97%» ничего не говорит о пользе. Две модели с одинаковой точностью могут стоить бизнесу совершенно по-разному — смотря какие ошибки они совершают. Поэтому мы считаем не только процент, но и матрицу ошибок в деньгах: сколько стоит пропущенный дефект и сколько стоит ложная тревога.
Модель не обязана принимать решение самостоятельно. Рабочая схема — не «ИИ решает всё», а разделение потока по уверенности: где модель уверена, решения человека нет; где сомневается — смотрит человек.
Модель уверена, что деталь годна
Решения человека нет: деталь идёт дальше
Доля зависит от порога, а не от «качества ИИ». Задача — пропустить максимум годного без проверки.
Модель сомневается или нашла отклонение
Кадр уходит человеку: подтвердить или отклонить
Здесь модель не решает, а фильтрует: человек смотрит десятки кадров вместо тысяч.
Сработало правило безопасности или грубый дефект
Остановка и сигнал, независимо от уверенности модели
Работает вместе с обычной защитой по датчику: нейросеть не единственный контур безопасности.
Про 100% точности. Мы не обещаем её и не встречали задачу, где она достижима: даже человек ошибается, а на разметке шум неизбежен. Обещаем другое — измерить потолок ваших данных, показать матрицу ошибок в деньгах и выбрать рабочую точку вместе с вами. Порог срабатывания выбирается не в блокноте по красивой кривой, а по вопросу «что для вас дороже: пропустить или перепроверить».
Это самая частая история в отрасли, и она почти никогда не связана с архитектурой. Модель не «портится» сама: меняется то, на что она смотрит. Ниже — шесть причин, из-за которых качество падает на реальном объекте, и что мы делаем заранее, чтобы это не стало сюрпризом.
| Что меняется | Как проявляется | Что делаем |
|---|---|---|
| Освещение и время суток | Днём точность одна, ночью падает; солнце в объектив, тень от крана, ИК-подсветка меняют картинку до неузнаваемости. | Снимаем во все периоды и в обе смены, добавляем аугментации по яркости и блику, для ИК держим отдельные пороги |
| Замена камеры, объектива или ракурса | Другое поле зрения, другой масштаб, деталь попадает в кадр иначе — модель видит не то, чему училась. | Фиксируем параметры съёмки как часть контура, при замене доразмечаем 100–200 кадров и дообучаем |
| Новый цех, линия или поставщик | Другой материал, другая тара, другие дефекты и другой фон. Перенос «как есть» почти всегда даёт провал по точности. | Размечаем на новой площадке, применяем доменную адаптацию, держим отдельные пороги по каждой площадке |
| Сезонность, температура, влажность | Меняется сигнал датчиков, появляется конденсат и наледь, смещается цветовая температура света. | Добавляем признаки времени и условий, планируем переобучение по сезону, проверяем худший период отдельно |
| Смена операторов и исполнителей | Одну и ту же операцию люди делают по-разному: другая укладка, другой темп, другая подача детали. | Размечаем с привязкой к исполнителю, проверяем метрику на каждом, а не только «в среднем» |
| Ремонт и наладка оборудования | После наладки изменился шум, вибрация, скорость линии. Модель продолжает работать по прежним представлениям. | Ставим метку «до и после» из журнала ТО, переобучаем по триггеру, а не по календарю |
Практический вывод для сметы. Каждый кадр в контуре сопровождается служебными признаками: площадка, пост, смена, время, версия модели, уверенность. Без них деградацию невозможно объяснить — видно только «стало хуже». С ними видно, что точность упала на ночной смене после замены объектива, и лечится это не переобучением всей модели, а доразметкой двухсот кадров. Это ровно тот случай, когда инженерная деталь экономит недели.
Обучение оплачивается один раз, а предсказания — каждый день, пока работает линия. Поэтому вопрос «где будет считать модель» решается не в конце проекта, а до того, как начнётся разметка: от него зависит, какая точность вообще имеет смысл и какую модель нужно готовить.
| Режим | Когда подходит | Что для этого нужно | Чем ограничен |
|---|---|---|---|
| Облако или ваш сервер | Разбор архива, документы, аналитика задним числом, отчётность, пакетная обработка. | Канал до площадки и понятная политика по выгрузке данных наружу | Задержка и зависимость от сети; кадры с людьми и персональные данные уходят за периметр |
| Локальный сервер на площадке | Поток с нескольких камер в реальном времени, когда нужна реакция в пределах секунды. | Вычислительный узел в цеху, резервирование, обслуживание и обновление моделей | Капитальные затраты на железо и его простой; нужен человек, отвечающий за узел |
| Промышленный компьютер на линии | Один-два поста, реакция в десятки миллисекунд, работа без сети. | Компактная модель: дистилляция и квантизация уменьшают её в разы без потери рабочей точности | Ограничения по памяти, теплу и корпусу; обновление модели требует регламента |
| Камера или устройство со встроенной моделью | Простая бинарная задача и десятки точек: годен или нет, есть человек в зоне или нет. | Модель в единицы мегабайт; обучение всё равно идёт на сервере, на устройство едет только результат | Точность ниже, чем у большой модели; обновление парка устройств превращается в отдельную работу |
Что такое дистилляция и квантизация — простыми словами
Мы обучаем большую и точную модель на сервере, а затем «пересказываем» её знания компактной модели, которая работает на слабом железе. Квантизация дополнительно сокращает точность чисел внутри модели. В результате модель занимает в разы меньше памяти и отвечает за миллисекунды, теряя в точности десятые доли процента — там, где это допустимо, и никогда без проверки на вашем стенде.
Почему мы считаем стоимость предсказания
На пилоте считается не только точность, но и цена: сколько стоит обработка тысячи кадров на каждом из режимов. Иногда выясняется, что «умная» модель в облаке обходится дороже, чем ежемесячная зарплата контролёра, которого она должна была разгрузить, — и тогда решение меняется до внедрения, а не после первого счёта.
Мы говорим это до договора, а не после пилота. Если задачу решает датчик, правило или обычная статистика — вы услышите это на первом же разговоре. Шесть случаев, в которых мы предложим более дешёвый путь.
Табличные данные с понятными признаками
Суммы, количества, категории, история платежей. Здесь выигрывает градиентный бустинг: учится на сотнях строк, объясняется и не требует вычислений.
Признак можно измерить прибором
Размер, вес, температура, цвет по спектру, наличие металла. Пороговый датчик дешевле, надёжнее, проще сертифицируется и не ошибается на новых данных.
Правило записывается словами и не меняется
«Если сумма больше X и страна из списка — на проверку». Бизнес-правило предсказуемо, объяснимо и правится за минуту, а не за две недели обучения.
Событий единицы, и получить их дорого
Уникальные аварии, редчайшие отказы, единичные инциденты. Учиться не на чем: работаем с физической моделью, статистикой процесса и анализом первопричин.
Нужно объяснить каждое решение формально
Решение о кредите, отказ по закону, медицинское заключение. Глубокое обучение здесь требует отдельной работы по объяснимости, а часто просто неуместно.
Задача про восприятие, но архива нет
Событие редкое, записи не хранятся, камеры смотрят не туда. Первый проект — не модель, а система сбора и хранения данных.
Зачем мы это публикуем. Проект, который не взлетит, стоит нам дороже упущенной сделки: он занимает команду, съедает репутацию и заканчивается разговором «ИИ не работает». Отказаться на этапе разбора задачи — нормальный исход, и он случается регулярно. Именно поэтому первая встреча бесплатная, а заключение о выполнимости вы получаете как документ, даже если дальше мы не работаем вместе.
В проектах глубокого обучения «результат» — это не только работающая модель. Модель без датасета, правил разметки и протокола испытаний невозможно ни проверить, ни улучшить, ни защитить перед руководством. Поэтому передаём весь комплект, а не только веса.
У нас не остаётся ничего. Ни датасета, ни обученных весов, ни доступа к вашему контуру. Если вы решите развивать проект своей командой, проводим передачу: разбираем устройство контура, показываем, как дообучать и как размечать новые данные, и отвечаем на вопросы в переходный период. Мы рассчитываем на длительное сопровождение, но строим работу так, чтобы вы могли обойтись без него.
Прайс-листа на глубокое обучение не существует: две похожие на слух задачи могут отличаться по стоимости в разы. Поэтому вместо цифры «из головы» — форматы работы с понятными границами и шесть факторов, которые определяют смету. Итоговая сумма фиксируется в договоре после разбора задачи и данных.
1–2 недели до договора
Разбираем задачу и данные, формулируем её как измеримую, строим baseline без нейросети и показываем, реалистичен ли результат и чего не хватает. Заключение остаётся у вас — продолжать не обязательно.
2–4 недели от 300 000 ₽
Правила разметки, пилотная партия, обученная модель и протокол испытаний с матрицей ошибок в деньгах. Пилот доказывает или опровергает идею до того, как вы вложитесь в разметку всего массива.
от 6–12 недель смета после пилота
Полный цикл: разметка массива, обучение, испытания на реальном объекте, режим инференса, регламент эксплуатации и обучение вашей команды.
по объёму по числу примеров
Если модель вы обучаете сами, а нужна разметка: правила, пилотная партия, контроль качества, версии датасета. Отдаём датасет и инструкции в вашем формате.
1–2 недели фиксированная
Проверяем выборки на утечки, разметку на противоречия, метрики на честность. Отчёт с тем, что переделывать в первую очередь, и с оценкой, стоит ли вообще переобучать.
| Фактор | Почему влияет на цену | Как снижаем |
|---|---|---|
| Число классов и объектов на кадре | Каждый новый класс — своя разметка, свои примеры и своя кривая обучения. Десять видов дефектов стоят не в десять раз дороже одного, но заметно дороже. | Начинаем с одного-двух классов, приносящих основную часть потерь, и расширяем после подтверждённого эффекта |
| Объём разметки | Это обычно самая дорогая строка сметы, и она же сильнее всего влияет на результат: модель не может быть точнее своей разметки. | Добираем предобученной сетью, активным обучением и синтетикой; размечаем пилотную партию до массива |
| Целевая точность | Путь от 0 до 95% стоит дешевле, чем от 95 до 99%: каждый следующий процент даётся разметкой редких случаев, которых в данных мало. | Выбираем рабочую точку по цене ошибки, а не «максимум точности»: часто выгоднее порог и проверка человеком |
| Модальность | Видео и аудио дороже кадров: нужна временная разметка, а событий в записи мало относительно её длительности. | Начинаем с ключевых кадров и коротких фрагментов, расширяем до полного потока после пилота |
| Режим вычислений | GPU-узел в цеху, облако с оплатой по запросу и встроенная модель в камере — это разные бюджеты на запуске и в эксплуатации. | Считаем стоимость тысячи предсказаний, а не только обучения: дистилляция и квантизация снижают требования к железу |
| Число площадок и условий | Каждая новая площадка — это свои данные, свои пороги и своя доразметка. Тиражирование дешевле первого внедрения, но не бесплатно. | Закладываем площадки в договор заранее, собираем данные по всем сразу, если они уже есть |
Нижняя граница пилота (от 300 000 ₽) совпадает с соседними страницами раздела, чтобы по разделу не было расхождений. Разметка как отдельная работа считается по числу примеров: она линейна по объёму и не зависит от архитектуры — что, если подумать, и есть главный аргумент этой страницы.
Выбор инструментов — следствие задачи, а не наоборот. Ниже рабочая гипотеза по компетенциям: если у вас уже принят другой стек, мы встраиваемся в него.
Отвечаем так, как ответили бы на встрече: без «всё зависит» там, где можно сказать определённо, и с прямым «не знаю» там, где нужны ваши данные.
Скорее всего да, если речь о задаче «годен или брак»: от предобученной сети 500 размеченных кадров на класс — рабочий старт. Детекции и сегментации нужно больше, потому что размечать приходится каждый объект и каждый контур. Точный ответ даём после просмотра выгрузок: часто решает не количество, а разнообразие — сколько разных условий съёмки в них попало. Пятьсот кадров, снятых за один день на одном посту, слабее трёхсот кадров из разных смен.
С правил. Сначала пишем инструкцию с пограничными случаями и фотопримерами, затем размечаем пилотную партию 100–300 примеров втроём и считаем, насколько разметчики согласны друг с другом. Это дешёвая операция, которая показывает, решаема ли задача вообще, — до того как вы заплатите за разметку всего массива.
Рабочие оба варианта. Ваши эксперты лучше знают предмет и дают истину на сложных случаях; мы организуем процесс, пишем правила, считаем согласие и контролируем качество. Если людей нет, размечаем на своей стороне, но пограничные примеры всё равно подтверждает ваш специалист: иначе мы размечаем по своему пониманию задачи, а не по вашему.
Проверка выполнимости — 1–2 недели, пилот на ваших данных — 2–4 недели, до работающего контура на площадке обычно 6–12 недель. Разметка идёт параллельно и часто определяет срок: разметить десятки тысяч объектов быстрее, чем за несколько недель, не получится ни у кого. Точный срок фиксируется в договоре после разбора.
Мы измеряем потолок ваших данных до того, как вы вложитесь в большой проект: согласие разметчиков задаёт верхнюю границу, выше которой требовать нечего. Если потолок ниже нужного, скажем до договора. В контуре обычно выручает не «плюс два процента точности», а правильно выбранный порог и проверка человеком на дорогих случаях.
Иногда именно так и надо, и мы это скажем. Против готового API обычно три возражения: плата за каждый запрос при больших объёмах, передача ваших кадров и документов третьей стороне и невозможность дообучить модель на вашей специфике. Сравниваем оба варианта по стоимости тысячи предсказаний и по требованиям к данным, а не по общим соображениям.
Работаем по NDA, контур может быть полностью развёрнут в вашей инфраструктуре без внешних сервисов. Кадры с людьми обезличиваются, срок хранения датасета ограничивается, доступ выдаётся по минимуму, персональные данные не попадают ни в примеры для отладки, ни в логи инференса.
Вам. Датасет с версиями и правилами разметки, веса модели, код обучения и инференса, протокол испытаний и регламент эксплуатации передаются вашей команде. Ничего не остаётся у нас, и контур продолжает работать без нашего участия.
Начинаем с аудита: датасет, правила разметки, разделение выборок, качество съёмки. Очень часто дело не в архитектуре, а в том, что кадры одного объекта попали и в обучение, и в тест, либо разметка противоречит сама себе. Иногда достаточно честно пересобрать выборки и переобучить — это и есть главный аргумент этой страницы.
Гарантируем процесс, измеримость и честную оценку: фиксированные этапы, артефакты на каждом шаге и протокол испытаний на данных, которых модель не видела. Не гарантируем точность, которую не позволяет разметка, и не называем цифру до того, как посмотрели данные. Если задача решается правилом или датчиком, скажем это до договора.
Достаточно описать задачу словами и сказать, какие данные есть: записи камер, архив фото, журналы, образцы документов. Посмотрим и скажем честно — хватает ли данных, реалистична ли точность и с чего начинать. Если задача решается дешевле и без глубокого обучения, скажем это первым.
Опишите, что нужно распознавать, какие данные есть и в каких условиях снимается сигнал, — вернёмся с оценкой реалистичности, объёма разметки, срока и стоимости.
Cookie и аналитика
Мы используем необходимые cookie для работы сайта и форм. Аналитические cookie (Яндекс.Метрика, включая запись сессий) подключаем только с вашего согласия — от него можно отказаться. Подробнее: Политика использования cookie и обработка персональных данных.