Яндекс Драйв внедрил нейросети для автоматической оценки состояния авто

По данным CNews, сервис «Яндекс Драйв» обновил систему фотоконтроля автомобилей. Теперь за оценку состояния транспорта отвечают нейросети, способные обрабатывать визуальные данные. Ежедневно через систему проходят 150 тыс. фотографий машин, что в 2,5 раза больше, чем при использовании предыдущего алгоритма.

Улучшенная автоматизация процессов

Ранее принятие решений о мойке и ремонте машин в сервисе было частично автоматизировано и включало этап ручной модерации. В настоящее время автоматизация достигла почти полного уровня. Основу новой системы составляют визуальный трансформер (ViT) и визуально-языковая модель (VLM), которые анализируют состояние 12 тыс. машин ежедневно.

Пользователь при аренде автомобиля получает запрос на съемку и ответы на вопросы о состоянии транспорта. Система обрабатывает эти данные, чтобы определить необходимость мойки или ремонта. Для этого нейросети были обучены на размеченных наборах данных, что позволяет им распознавать даже мелкие повреждения и загрязнения.

Учет сезонных и индивидуальных факторов

Оценка загрязнений проводится по 100-балльной шкале. Чем выше балл, тем вероятнее, что автомобиль будет отправлен на мойку. При расчете учитываются не только визуальные данные, но и сезонные особенности, а также история поездок конкретного автомобиля.

Для повышения точности используется визуально-языковая модель (VLM). Она помогает уточнять типы повреждений, определять степень загрязнений и корректно классифицировать спорные случаи. Полнота выявления повреждений составляет 99,9%.

Результаты внедрения

Благодаря новой системе, нейросети берут на себя большую часть рутинных решений. Модераторы теперь фокусируются на сложных и нестандартных ситуациях. Это позволило сократить время на операционные процессы и снизить количество негативных отзывов пользователей о чистоте автомобилей на 17%.

Интересно: Какие риски могут возникнуть при полной автоматизации оценки состояния транспорта, и насколько надежно могут работать нейросети в условиях нестандартных ситуаций?

i

Создано специально для ASECTOR

Концептуальное изображение

Нейросети на страже чистоты: когда технологии берут контроль

Современные ИТ-системы всё чаще берут на себя функции, ранее выполнявшиеся людьми. «Яндекс Драйв» перешёл на полную автоматизацию оценки состояния автомобилей с помощью нейросетей. Это не только технический шаг — это сдвиг в логике управления сервисом, где алгоритмы становятся ключевыми арбитрами.

Когда алгоритмы берут на себя роль модератора

Система, построенная на визуальном трансформере и визуально-языковой модели, позволяет обрабатывать 150 тысяч фотографий в день. Это в 2,5 раза больше, чем раньше. Основная цель — снизить нагрузку на операторов и повысить скорость реакции. Но за этим стоит более глубокая мотивация: сократить человеческий фактор, сделать процессы предсказуемыми и, что важно, масштабируемыми.

Нейросети, обученные на размеченных данных, способны распознавать даже мелкие загрязнения и повреждения. Однако, как и любые ИИ-системы, они работают в рамках своих ограничений. Они не умеют сомневаться, не могут адаптироваться к необычным сценариям, если они не были включены в обучающие данные. Это делает их надёжными в стандартных ситуациях, но уязвимыми при столкновении с неожиданными условиями.

Сезонные и индивидуальные особенности: не только камера, но и контекст

Новая система не ограничивается визуальным анализом. Она учитывает сезонные факторы — например, степень загрязнения автомобиля в дождливую погоду — и историю поездок. Это позволяет более точно определить, нуждается ли автомобиль в мойке. Такой подход снижает вероятность ошибок и улучшает пользовательский опыт.

Однако возникает вопрос: насколько адекватно модель учитывает индивидуальные особенности? Например, если автомобиль часто используется в условиях пыли, но не загрязнён на момент съёмки, система может пропустить необходимость мойки. Или, наоборот, ошибочно отправить машину в химчистку, если визуальные данные были искажены.

Это напрямую связано с ростом спроса на вычислительные мощности, что влияет на стоимость компонентов. Рост цен на чипы памяти, связанный с повышенным спросом от AI-серверов, создаёт давление на стоимость оборудования, используемого для обучения таких моделей [!]. Это, в свою очередь, может снизить доступность мощных решений для компаний.

Полная автоматизация: выигрыш или риск?

Положительный эффект уже ощущается: время на операционные процессы сократилось, негативных отзывов стало меньше. Но здесь скрывается парадокс: чем больше автоматизации, тем меньше контроля у человека. Когда модераторы занимаются лишь исключительными случаями, рискует снизиться их опыт и интуиция. Это может привести к тому, что в будущем даже стандартные ситуации будут рассматриваться как сложные, а значит — с задержками.

Для бизнеса это может стать как преимуществом, так и риском. С одной стороны, снижение затрат на персонал и ускорение процессов — это прямой выигрыш. С другой — возможные ошибки ИИ, которые ранее бы заметил человек, могут накапливаться и выйти из-под контроля.

Важный нюанс: Полная автоматизация снижает затраты и ускоряет процессы, но также уменьшает гибкость и способность системы адаптироваться к нестандартным ситуациям.

Рост автоматизации в «Яндекс Драйве» — часть более широкой тенденции, наблюдаемой в мире. Например, Amazon планирует заменить 600 тысяч рабочих мест роботами к 2033 году, затронув 75% операционных процессов, что сэкономит $12,6 млрд [!]. Это показывает, что переход на ИИ и автоматизацию становится стратегическим выбором, а не временной мерой.

Экономическая выгода и долгосрочные перспективы

Внедрение ИИ в бизнес-процессы, как показывает практика, может окупиться в течение одного-двух лет, особенно при высокой нагрузке. Это подтверждается исследованиями, где автоматизация рутинных задач снижает издержки и ускоряет вывод продуктов на рынок [!]. В случае «Яндекс Драйва» экономический эффект уже ощущается: снижение негативных отзывов и улучшение скорости обработки данных.

Важно учитывать: развитие ИИ требует не только технологических инвестиций, но и адаптации инфраструктуры. Например, Renesas недавно представил RCD для DDR5 памяти с поддержкой 9600 MT/s, что позволяет повысить пропускную способность на 10% и улучшить эффективность вычислений [!]. Такие компоненты становятся критически важными для систем, где ИИ обрабатывает большие объёмы данных в реальном времени.

В заключение, переход «Яндекс Драйва» на полную автоматизацию оценки состояния автомобилей — это не техническое обновление, а стратегический шаг, который отражает тенденции в мировом бизнесе. Он демонстрирует, как ИИ может повышать эффективность и сокращать издержки, но также требует ответственного подхода к контролю и адаптации.