Бизнес-контекст
В наружной рекламе и полевом маркетинге подрядчики часто подтверждают выполнение работ фотографиями. Например, рекламный материал должен быть размещён на доске объявлений в подъезде, на стенде или другой рекламной поверхности. После этого супервайзер или подрядчик присылает фотоотчёт, а заказчику нужно проверить, действительно ли нужный макет находится на фотографии.
До автоматизации этот процесс выполнялся вручную. Сотрудник открывал каждую фотографию, глазами искал нужный флайер или объявление и отмечал, выполнено размещение или нет. На небольшом количестве фотографий это терпимо, но при тысячах изображений процесс становится дорогим, медленным и зависимым от внимательности проверяющего.
Типовые проблемы такого процесса:

• фотографии приходят в большом объёме;
• качество снимков разное: плохой свет, размытие, наклон камеры, частичные перекрытия;
• рекламные макеты меняются, и под каждый новый вариант неудобно вручную перестраивать проверку;
• ручной просмотр занимает много времени;
• часть ошибок возникает из-за человеческого фактора;
• сложно быстро понять, где подрядчик действительно разместил материал, а где есть нарушение.

До автоматизации
Ручной процесс выглядел так:

• подрядчик размещал рекламные материалы;
• супервайзер фотографировал доску объявлений или рекламную поверхность;
• фотографии передавались на проверку;
• сотрудник открывал каждую фотографию;
• вручную искал нужный рекламный макет;
• отмечал результат проверки;
• спорные случаи пересматривались повторно.

Если в месяц нужно проверить несколько тысяч фотографий, даже быстрый просмотр по 15–30 секунд на изображение превращается в десятки часов ручной работы. При росте количества фотоотчётов такой процесс плохо масштабируется: нужно либо увеличивать штат проверяющих, либо мириться с задержками и ошибками.

После автоматизации
Система автоматизирует фотоаудит рекламных размещений.
На вход подаются:

• фотография доски объявлений или рекламной поверхности;
• целевой рекламный макет;
• набор фотографий для массовой проверки;
• при необходимости — новые варианты рекламных объявлений.

На выходе система формирует результат проверки:

• найден ли нужный рекламный материал на фотографии;
• где именно он расположен на изображении;
• насколько уверенно система определила наличие макета;
• какие фотографии можно принять автоматически;
• какие фотографии стоит отправить на ручную перепроверку.

В результате человек перестаёт просматривать весь поток изображений подряд. Его внимание можно переключить только на спорные случаи, ошибки подрядчиков или фотографии с низкой уверенностью распознавания.

Как работает ИИ
ИИ используется для поиска рекламного материала внутри фотографии.
Система анализирует изображение не как “картинку целиком”, а как сцену, где может быть множество объектов: другие объявления, листовки, текст, шумный фон, разные ракурсы и частично перекрытые элементы. Задача модели — найти именно нужный рекламный макет, даже если фотография сделана под углом, при плохом освещении или на фоне других объявлений.
В решении используются методы компьютерного зрения:

• поиск нужного объекта на фотографии;
• сопоставление визуальных признаков макета и изображения;
• обработка разных ракурсов и условий съёмки;
• генерация обучающих примеров;
• аугментации для повышения устойчивости;
• адаптация под новые рекламные макеты.

Отдельная сложность была в том, что система должна была работать не только на заранее известных объявлениях. В реальном бизнес-процессе рекламные материалы регулярно меняются, поэтому решение должно было быть адаптируемым к новым макетам, а не одноразовой моделью под один фиксированный набор картинок.

Бизнес-эффект
Главная бизнес-ценность — замена ручного просмотра фотоотчётов автоматической проверкой.
Заказчик получает:

• сокращение времени на проверку тысяч фотографий;
• снижение ручной нагрузки на сотрудников;
• более быстрый контроль подрядчиков;
• единый стандарт проверки фотоотчётов;
• меньше ошибок из-за человеческого фактора;
• возможность масштабировать фотоаудит без пропорционального роста штата;
• быстрый поиск нарушений размещения.

В проекте была достигнута точность порядка 95% на целевом сценарии распознавания. Это позволяет использовать систему как основной фильтр для массовой проверки, а ручную проверку оставить для спорных и низкоуверенных случаев.

Где применимо ещё
Такой подход применим в любых задачах, где нужно автоматически проверять изображения и искать заданные объекты.
Примеры применимости:

• контроль выкладки товаров в торговых точках;
• проверка POS-материалов;
• аудит наружной рекламы;
• контроль фотоотчётов подрядчиков;
• проверка бренд-зон и витрин;
• контроль наличия оборудования на объекте;
• проверка мерчандайзинга;
• аудит промоматериалов;
• проверка соблюдения стандартов размещения;
• контроль полевых работ по фотографиям.

Результат
Результат — система, которая превращает ручной фотоаудит в автоматизированный процесс.
Заказчику больше не нужно просматривать весь массив фотографий вручную. ИИ-сервис принимает фотоотчёты, определяет наличие нужного рекламного макета и помогает быстро понять, где размещение выполнено, а где требуется внимание человека.
Такой подход особенно полезен там, где фотоотчётов много, качество снимков неоднородное, а стоимость ручной проверки растёт вместе с масштабом кампании.

Стек
Python, PyTorch, OpenCV, FastAPI, Docker, компьютерное зрение, детекция объектов, сопоставление изображений, аугментации данных.