К нам приходят, когда другие не справились

Компания началась с трёх человек: основатель работал фрилансером с двумя помощниками. В первый проект позвал знакомый по учёбе. Делали автоматизацию парковок в Литве.

Мы почти вручную собрали паркомат, написали для него софт и обучили собственную нейросеть распознавать номера – своя CNN с точностью около 85%. На парковке у супермаркета и в порту встали 4 паркомата, и через них реально проезжали машины. Ради проекта основатель на несколько месяцев переехал в Вильнюс. Оттуда же – рабочий принцип компании: вовремя доведённое до рабочего состояния решение важнее бесконечной погони за идеалом.

База под компьютерное зрение, начатое на парковках, сложилась в лаборатории РАН: институт направил основателя туда на практику, и он задержался программистом до получения диплома. Стек – ROS, C++ и Python, и почти всё в этих задачах было в новинку.

Робот-пылесос для торгового центра – построение карты и локализация, SLAM. Манипуляторы, отрабатывавшие типовые сценарии работы с отвёртками и инструментом. Дроны – построение 3D-карты помещения по камере и лидару и управление аппаратом в воздухе. Из этой лаборатории выросло почти всё, что компания сегодня умеет в компьютерном зрении и беспилотных системах.

Лаборатория дала технологическую базу, а первого крупного клиента привели люди: основатель начал преподавать на курсах, и там возник контакт с крупным российским банком – нас взяли «на эксперимент», на ретейнере. На проекте работали вчетвером, и в этот период компания оформилась как DDC – Data Driven Consulting.

В банке нас ждали 250 процессов, устройство которых целиком не представлял почти никто. Мы восстановили их карту анкетированием и маппингом, затем построили OCR и NLP по всей документации, включая документы с максимальными требованиями к секретности, – от распознавания плохих сканов, печатей и рукописных резолюций поверх текста до классификации, маршрутизации и выжимок из длинных писем. Вся работа шла в закрытом контуре, на оборудовании банка.

Один из процессов руководство считало неавтоматизируемым – мы собрали для него решение, некрасивое внутри, но работавшее каждый день, и показали его на живом демо директорам банка. Ручной работы стало значительно меньше, а сотрудников перевели на ещё не автоматизированные участки. Проект продолжался 3 года.

Банковский проект ещё продолжался, когда западные магазины приложений начали закрываться для России, – и мы оказались сразу в двух проектах замещения. Nashstore, российский аналог Google Play, в первый же день после запуска остановила мощная DDoS-атака; на нас вышли через знакомого, и за 3 недели мы переписали приложение и вернули его в работу.

Второй проект – родной магазин приложений для отечественного смартфона Р-ФОН с собственной операционной системой: наша команда сделала его целиком сама, и позднее именно он вышел на первый отечественный смартфон и попал в новости.

Параллельно по нетворкингу к нам пришла международная фармацевтическая компания с представительствами в США и нескольких странах Европы. У подразделений – разные ERP (1С, Sage) и разные стандарты отчётности (РСБУ, МСФО, GAAP); работавшие до нас крупные консалтеры, по словам финансового директора заказчика, рабочего решения не оставили.

Мы построили Dr.Report – систему, которая в реальном времени консолидирует финансовые данные всех подразделений, сопоставляет их между стандартами и показывает топ-менеджменту цельную картину; расхождения в данных ловили «чекеры» – автопроверки. Расходы на бэк-офис снизились с $50 000 до $10 000 в месяц.

Команда выросла до 12 человек; основатель в роли CTO вёл разработку и коммуникацию с заказчиком – 2 года работы в разрыве часовых поясов. Финал определила геополитика: заказчик перестал работать с разработчиками из России, и готовую систему его команда приняла на поддержку.

Тем же путём нетворкинга пришёл ещё один международный проект – web3-банк для Латинской Америки со стейкингом, фармингом и собственной биржей; всю платформу мы сделали под ключ.

К этому моменту мы были уже не фрилансерами, а бизнесом, который сам придумывает, делает и запускает продукты. На волне популярности Stable Diffusion партнёры с большой сетью трафика пришли к нам за собственным сервисом – и мы выпустили сервис масок и замены лиц на фото и видео: во «ВКонтакте» и в приложении, на своих и open-source моделях.

За пару дней он набрал 2 млн пользователей; автоскейлинг отработал штатно, монетизация шла через рекламу, а когда волна спала, мы спокойно вышли из B2C. Из точечных продуктов того же периода – трейдинг-боты под стратегии клиента на бирже Bybit, работающие с 2024 года и стабильно в плюсе, и персональные детские книги, где лицо ребёнка вписывается в иллюстрации в едином стиле рисовки: под это мы обучили собственную модель и продавали книги на своём сайте. В пике команда дорастала до 30 человек в штате, не считая внешнего аутсорс-контура.

Компьютерное зрение, с которого мы начинали ещё на парковках и в РАН, вернулось в физический мир. Для сети из 100 пунктов выдачи заказов мы построили систему, которая «видит» работу оператора и превращает её в метрики: скорость приёмки, сборки и выдачи, загрузка и перерывы в течение дня, часы пик и очереди, быстрый поиск нужного отрезка видео в спорных ситуациях выдачи и возврата, качество обслуживания клиентов.

По сути это управление сотней точек из одного окна; внутреннюю механику системы мы не раскрываем. Первым, что она поймала, оказались операторы, спавшие на смене, а главным измеримым эффектом стала экономия на штрафах маркетплейса: система показывает потери времени раньше, чем за них приходит штраф. На этом проекте сложилась наша экспертиза в прикладной видеоаналитике.

Эта экспертиза привела к нам партнёра со стройки. Кран – одна из самых опасных и дорогих точек стройки, поэтому начали с него. Система в реальном времени показывает площадку на едином дашборде: сколько людей на объекте и в зоне крана, надеты ли каски и страховочные пояса, что происходит с грузом.

Она фиксирует опасные ситуации – людей под грузом, подъём людей вместе с грузом, – сама определяет «работа/простой», считает загрузку крана за смену, формирует отчёты по сменам с таймлапсами и ведёт журнал инцидентов. Отдельной инженерной задачей стала стабилизация «прыгающей» картинки с камеры движущегося крана – у неё корни ещё в SLAM из РАН; мы её решили. Сейчас это MVP с пилотом на одном кране; права на систему пока полностью у нас, дальше – вывод решения на рынок.