AI/ML‑разработка и внедрение ИИ в продукты
Встраиваем ML‑модели и ИИ в приложения и сервисы: распознавание по камере, категоризация товаров, чат‑боты. В маркетплейсе Stock ML‑модель ускорила добавление товаров в 10 раз.
- MVP «Магазина на диване» с распознаванием товаров в видео — за 2 месяца
- ML‑модель маркетплейса Stock определяет категорию товара с точностью 85%
- 5 место в рейтинге AI‑разработки, Ruward 2025
- Аккредитованная ИТ‑компания, резидент ИЦ «Сколково»
С чего начинается внедрение ИИ в продукт?
Не с выбора нейросети, а с одного сценария: что сейчас делает человек, где он теряет время и как измерить, что стало лучше. Под сценарий подбираем схему: готовый сервис по API, модель на устройстве или своя, обученная на ваших примерах. Своя оправдана, когда готовый сервис не даёт нужного качества.
В наших проектах ИИ — часть обычного продукта. В мобильных приложениях модель распознаёт товары в видео и детали конструктора на фото, в маркетплейсе — определяет категорию нового товара. До разработки собираем прототип, который проверяет главный риск, а качество меряем на реальных и граничных примерах до запуска.
ИИ там, где он сокращает ручную работу
-
Непонятно, с чего начать
Выбираем один сценарий и метрику: что ускоряем и как поймём, что стало лучше. Модель подбираем после этого.
-
Карточки товаров заполняют вручную
Обучаем модель на эталонных карточках. В маркетплейсе Stock она определяет категорию товара с точностью 85%.
-
Распознавание работает медленно
Ускоряем распознавание на устройстве: в «Магазине на диване» вместе с ML‑партнёром довели кадр на iOS до 100 мс вместо 6 секунд.
-
Нужен чат‑бот или ассистент
Пишем сценарии, подключаем ИИ‑модель и админку. Качество ответов проверяем на ваших примерах до запуска.
ИИ и ML в продуктах, которые уже работают
-
«Магазин на диване»: распознавание товаров в видео в реальном времени
Задача
Сделать MVP приложения, которое по кадру с экрана телевизора, планшета или ноутбука находит видео и товары в нём и помогает их купить.
Решение
Мы сделали дизайн и приложение на Flutter, ML‑модель разработал партнёр, пайплайн распознавания перенесли на Dart вместе. Обработку кадра на iOS ускорили с 6 секунд до 100 мс.
- 2 месяца на создание MVP
- 100 мс обработка кадра на iOS
-
Конструктор: ML‑модель распознаёт детали на фото и подсказывает фигуры
Задача
Сделать приложение, которое сканирует разложенные детали конструктора, считает их и подсказывает, какие новые фигуры из них можно собрать.
Решение
Обучили ML‑модель распознавать детали и подключили её к Flutter через нативную часть Android на Kotlin и Flutter Channels. Добавили рекомендации фигур, ленту и push-уведомления.
- 4 месяца с нуля до релиза
- 4,7 рейтинг в App Store
-
Маркетплейс Stock: ML‑модель ускорила добавление товаров в 10 раз
Задача
Собрать в каталог списки неликвидного горного оборудования, которые партнёры присылали в PDF, Excel и текстом писем, и ускорить заполнение карточек товаров.
Решение
Привели 1500+ товаров к единому виду, построили дерево категорий до 4 уровней и 200 эталонных карточек. На них обучили ML‑модель, которая определяет категорию нового товара.
- в 10 раз быстрее добавление товаров
- 85% точность определения категории
Что делаем в AI/ML‑проектах
- Аудит продукта и данных: где ИИ сократит ручную работу и как измерить эффект
- Распознавание объектов на фото и видео, в том числе в реальном времени с камеры
- Классификация и категоризация товаров, заявок и документов
- Обучение ML‑модели на ваших данных: эталонные примеры, проверка точности
- Чат‑боты и ИИ‑ассистенты: сценарии, подключение ИИ‑моделей, админка
- Интеграция ML‑модели в мобильное приложение на Flutter и его нативные части
- ИИ в сайтах, маркетплейсах и внутренних системах через API и бэкенд
- Поддержка после запуска: мониторинг качества, дообучение модели, доработки
Стек и сервисы
Шесть шагов от идеи до работающей модели
-
Задача и метрика
Сценарий, точка боли и измеримый результат: скорость, точность, объём ручной работы
-
Аудит данных
Где лежат данные, можно ли их использовать, какие API уже есть, как устроен доступ
-
Схема и прототип
Готовый API, своя модель или модель на устройстве; прототип проверяет главный риск
-
Разработка
Модель, бэкенд и интерфейс; ручной путь на случай, когда модель не уверена
-
Проверка качества
Точность и скорость обработки на реальных и граничных примерах до запуска
-
Пилот и развитие
Запуск на части аудитории, мониторинг, дообучение модели и доработки
-
Задача ещё не оформлена?
Заполните короткий бриф о сценарии, данных и сроке — созвон будет короче, а оценка точнее.
Заполнить бриф
Команда отвечает за продукт целиком
- 200+ реализованных проектов
- 75+ человек в команде
- 100+ наград в главных рейтингах и конкурсах Рунета
- 8 из 10 клиентов нас рекомендуют (NPS)
- 3 серебра и 2 бронзы Tagline Awards 2022 за проекты с ML и Flutter
- 8,97 из 10 — уровень удовлетворённости клиентов (CSI)
- Аккредитованная ИТ‑компания, резидент ИЦ «Сколково»
Выбираем формат под задачу
-
Фиксированная стоимость
Сценарий и объём понятны и зафиксированы в ТЗ. Бюджет и срок известны до старта
-
Time & Materials
Модель и продукт развиваются итерациями: прототип, пилот, доработки по данным
-
Выделенная команда
Команда под ваш продукт на длительный срок с управлением на вашей стороне
Отвечаем до оценки проекта
-
С одного сценария и метрики: какую работу сокращаем и как поймём, что стало лучше. Затем проверяем данные и собираем прототип, который отвечает на главный вопрос — видит ли модель нужный объект, находит ли нужный ответ, укладывается ли в допустимую задержку. Только после этого считаем полную разработку.
-
Если готовый сервис закрывает задачу по качеству, цене и требованиям к данным, берём его. Своя модель нужна для узкой задачи: в маркетплейсе Stock модель обучили на 200 эталонных карточках, чтобы она определяла категорию горного оборудования, в приложении для конструктора — распознавать детали на фото.
-
Да, но начинаем с аудита: архитектура, API, права доступа, данные. После него ясно, встанет ли функция отдельным модулем или сначала нужно доработать бэкенд. Модель может работать на сервере или на устройстве: в приложении для конструктора её подключили к Flutter через нативную часть Android на Kotlin.
-
Зависит от сценария и готовности данных. Приложение для конструктора с нейросетью сделали с нуля за 4 месяца. Чат‑бот или ИИ‑ассистент — от 4 недель. Точный срок называем после аудита.
-
От 420 тыс. до 1,6 млн ₽ с НДС, срок — от 4 недель: сценарии, подключение ИИ‑моделей, админка, проверка качества на ваших примерах и обучение сотрудников. ML‑функцию внутри продукта оцениваем после аудита. Вилки по другим типам проектов — на странице цен.
-
Примеры, на которых модель будет работать и на которых проверим качество: карточки товаров, обращения, фото. Если эталонов нет, готовим их вместе с вашими специалистами — для Stock контент-менеджеры вручную заполнили 200 эталонных карточек. Описать задачу и данные заранее поможет бриф.
Расскажите, какую работу хотите ускорить
Опишите сценарий и данные, которые уже есть. Оценим объём, срок и бюджет, покажем похожие проекты из практики.
