О компании заказчика
Министерство природы занимается охраной природных территорий, контролем состояния экосистем и мониторингом популяций животных.
В рамках проекта команда Avenir работала с отделом, который изучает животных в заповедниках: отслеживает численность популяций, анализирует поведение и фиксирует данные, полученные с фотоловушек в дикой среде.
Для такой работы важна не только точность наблюдений, но и скорость обработки данных. Чем быстрее специалисты получают структурированную информацию, тем больше времени остаётся на анализ, исследования и принятие решений.
Исходная ситуация
Заказчик работал с большим количеством фотографий, которые поступали с фотоловушек, установленных в природной среде. На снимках нужно было находить животных, определять их виды и подвиды, группировать изображения и готовить данные для дальнейшей научной работы.
До запуска проекта значительная часть процесса выполнялась вручную. Сотрудники просматривали тысячи фотографий, сортировали снимки, проверяли изображения и формировали итоговые списки для контроля популяции и исследований.
Это занимало много времени и отвлекало специалистов от основной работы — анализа, изучения поведения животных и подготовки научных выводов.
Главная проблема была не в самих фотографиях, а в объёме ручной рутины: специалисты тратили часы на первичную обработку данных вместо исследовательской работы.
Задача проекта
Нужно было разработать сервис, который автоматизирует обработку снимков с фотоловушек и помогает сотрудникам быстрее получать структурированные данные.
Нужно было:
разработать веб-сервис для работы с большим массивом фотографий;
реализовать загрузку снимков с флешек и других носителей;
настроить предобработку изображений перед распознаванием;
разработать ИИ-модуль для определения видов и подвидов животных;
группировать фотографии по результатам классификации;
выделять ключевые признаки животных на снимках;
формировать итоговый валидированный список данных для сотрудников;
сделать удобный веб-интерфейс с ограниченными доступами;
повысить точность распознавания и снизить количество ошибок;
доработать обработку фотографий, сделанных в ночном режиме фотоловушки.
Главная бизнес-цель проекта — сократить ручной труд сотрудников и ускорить подготовку данных для научной и природоохранной работы.
Решение
Мы предложили разработать персональный веб-сервис под рабочий процесс заказчика. Система должна была принимать большой массив фотографий, автоматически обрабатывать изображения, распознавать животных и выдавать специалистам уже структурированный результат.
Готовые решения с рынка не закрывали задачу полностью: заказчику требовалась система, которая учитывает специфику фотоловушек, большой объём снимков, классификацию животных по видам и подвидам, а также подготовку данных для научной деятельности.
В основе решения было несколько направлений:
01. Автоматизация ручной обработки фотографий Мы спроектировали сервис так, чтобы сотрудники могли загружать массив снимков и получать обработанный результат без ручной сортировки каждой фотографии.
02. ИИ-модуль для распознавания животных Команда разработала модуль компьютерного зрения, который классифицирует животных на снимках и помогает определять виды и подвиды.
03. Предобработка и постобработка данных Мы добавили backend-механизмы, которые готовят изображения к распознаванию, обрабатывают результат модели и приводят данные к удобному для сотрудников виду.
04. Удобный веб-интерфейс для сотрудников Система была оформлена как веб-сервис с разграничением доступов, чтобы специалисты могли работать с данными в понятном интерфейсе.
05. Доработка под реальные условия съёмки Отдельное внимание команда уделила ночным снимкам, потому что фотографии с фотоловушек отличаются по освещению, качеству и детализации.
Было: сотрудники вручную просматривали и сортировали тысячи фотографий. Стало: система автоматически обрабатывает массив снимков и группирует изображения по результатам распознавания.
Было: специалисты тратили часы на первичную подготовку данных. Стало: процесс стал занимать минуты человеческого времени, а сотрудники смогли быстрее переходить к анализу.
Было: ночные снимки усложняли распознавание из-за качества и освещения. Стало: система была доработана под фотографии, сделанные в ночном режиме фотоловушки.
Что было сделано
Команда Avenir разработала веб-сервис, который объединяет интерфейс для сотрудников, ИИ-модуль распознавания и backend-логику обработки данных.
В рамках проекта мы:
провели Discovery-этап и разобрались в рабочем процессе заказчика;
изучили особенности работы фотоловушек и формата исходных данных;
согласовали техническое задание, функциональные и нефункциональные требования;
собрали и разметили датасет для обучения и проверки модели;
разработали ИИ-модуль для распознавания животных;
реализовали классификацию по видам и подвидам;
добавили предобработку и постобработку изображений;
разработали веб-интерфейс для сотрудников;
реализовали разграничение доступов;
настроили загрузку большого количества фотографий;
добавили группировку снимков по результатам распознавания;
подготовили формирование итогового списка данных;
доработали качество распознавания ночных снимков.
Ключевая ценность решения — система сняла с сотрудников рутинную первичную обработку фотографий и помогла быстрее переходить к научной работе.
Веб-сервис и ИИ-модуль
Основой проекта стал веб-сервис, в котором сотрудники могут загружать фотографии с фотоловушек и получать обработанный результат.
После внедрения решения команда заказчика получила возможность:
загружать большой массив фотографий в систему;
автоматически обрабатывать снимки перед классификацией;
распознавать животных на изображениях;
определять виды и подвиды животных;
группировать фотографии по результатам распознавания;
получать итоговые списки для дальнейшей работы;
работать в интерфейсе с ограниченными доступами;
быстрее готовить данные для исследований и контроля популяции.
Для сотрудников это означало меньше ручной сортировки и больше времени на задачи, где действительно нужна экспертность: анализ поведения животных, проверка данных, научная интерпретация и контроль состояния популяций.
Подготовка проекта к развитию
В проекте важной частью стала не только разработка первой версии сервиса, но и подготовка системы к дальнейшему улучшению.
Команда работала с датасетом, качеством распознавания, скоростью обработки и сложными сценариями, включая ночные снимки. Такой подход позволил не ограничиться демонстрационной моделью, а сделать решение, которое можно использовать в реальном рабочем процессе.
Для заказчика это важно, потому что ИИ-система должна не просто распознавать изображения, а помогать принимать решения на основе данных: быстрее находить нужные снимки, проверять классификацию и использовать результат в научной работе.
Ход проекта
Проект двигался поэтапно:
01. Discovery и погружение в задачу Мы разобрались, как заказчик работает с фотоловушками, какие данные поступают в обработку и какой результат нужен специалистам на выходе.
02. Согласование требований Команда зафиксировала техническое задание, функциональные и нефункциональные требования, формат выходных данных и логику работы сервиса.
03. Работа с датасетом Мы собрали и разметили данные, необходимые для разработки и проверки ИИ-модуля.
04. Разработка первой версии системы Команда реализовала веб-интерфейс, backend-логику обработки и первую версию ИИ-модуля для распознавания животных.
05. Улучшение точности и классификации После первой версии мы дорабатывали качество распознавания, расширяли классификацию по видам и подвидам, улучшали предобработку и постобработку.
06. Доработка ночных снимков Отдельный этап был связан с фотографиями, сделанными в ночном режиме. Команда адаптировала систему под этот сценарий, потому что такие снимки сложнее для распознавания.
07. Подготовка итогового результата На выходе сотрудники получили сервис, который помогает загружать фотографии, автоматически обрабатывать их и получать структурированный результат для дальнейшей работы.
Такой подход был удобен для заказчика, потому что команда Avenir не просто разработала ИИ-модуль отдельно от процесса, а встроила его в реальную работу специалистов.
Сложности проекта
Ночные снимки с фотоловушек
Фотографии, сделанные в ночном режиме, отличаются по освещению, детализации и качеству. Для ИИ-модуля это более сложный сценарий, чем обработка дневных снимков.
Команда отдельно доработала систему под такие изображения, чтобы повысить качество распознавания в условиях ночной съёмки.
Персональная задача без готового коробочного решения
Заказчику был нужен не универсальный сервис распознавания изображений, а решение под конкретный процесс: фотоловушки, заповедники, виды и подвиды животных, научные данные и работа сотрудников.
Мы провели Discovery, изучили предметную область, согласовали требования, подготовили датасет и разработали систему под реальные сценарии заказчика.
Большой объём фотографий
Сотрудники работали с тысячами снимков, поэтому важно было автоматизировать не только само распознавание, но и подготовку изображений, сортировку, группировку и формирование итогового списка.
Для этого команда добавила модули предобработки и постобработки, которые помогают превращать массив фотографий в структурированные данные.
Результат
Заказчик получил рабочий веб-сервис для автоматического распознавания животных на фотографиях с фотоловушек.
После проекта заказчик получил:
систему для загрузки и обработки большого массива снимков;
ИИ-модуль для классификации животных по видам и подвидам;
группировку фотографий по результатам распознавания;
итоговые списки данных для дальнейшей научной работы;
веб-интерфейс с ограниченными доступами для сотрудников;
доработанную обработку ночных снимков;
сокращение ручной обработки с часов до минут человеческого времени;
точность ИИ-модуля на уровне 98%.
Главный результат — сотрудники смогли меньше времени тратить на рутинную сортировку фотографий и быстрее переходить к исследованиям, анализу поведения животных и контролю популяции.
Avenir разработала не коробочный инструмент, а персональный ИИ-сервис под реальный рабочий процесс заказчика: от загрузки снимков до подготовки данных для научной работы.
Почему этот кейс важен для похожих компаний
Этот кейс близок организациям, где сотрудники тратят много времени на ручную обработку данных, фотографий, документов или других материалов.
Чаще всего похожая проблема возникает, когда:
данных много, а обработка выполняется вручную;
сотрудники тратят часы на рутину вместо экспертной работы;
готовые решения с рынка не подходят под специфику процесса;
нужно распознавать, классифицировать или группировать изображения;
требуется веб-интерфейс для внутренней команды;
важно не просто внедрить ИИ, а встроить его в понятный рабочий процесс;
система должна учитывать нестандартные сценарии и ограничения данных.
Команда Avenir может подключаться к таким задачам не только как разработчик, но и как продуктовая команда: разобраться в процессе, выделить ключевую боль, спроектировать решение и довести его до рабочего результата.
Хотите автоматизировать ручную обработку данных?
Если ваша команда тратит часы на сортировку фотографий, документов, заявок или других данных, этот процесс можно автоматизировать.
Команда Avenir поможет разобраться в текущем процессе, определить, где ИИ действительно даст пользу, и разработать сервис, который сократит ручной труд, ускорит работу сотрудников и подготовит данные к дальнейшему использованию.
