TAPe Comexp Research Lab

В большинстве российских клиник анализ снимков до сих пор делается вручную. Рентгенолог смотрит каждый кадр, врач описывает, следующий пациент ждет. Технологии компьютерного зрения для медицины есть, но они очень и очень дорогие, и не по карману большинству медицинских учреждений. Нужны либо дорогие решения "из коробки" с дорогой инфраструктурой. А если нужно индивидуальное решение, то понадобятся дорогие дата-сайентисты, еще более дорогие серверы с GPU, размеченные датасеты из тысяч снимков, долгий пилот, дорогая интеграция...

На небольшом заводе ручная инспекция часто держится не потому, что это лучший вариант, а потому, что всё остальное кажется слишком сложным. Люди на линии смотрят изделия, отсеивают явный брак и передают дальше то, что сочли нормой. Эта схема работает до тех пор, пока объёмы не растут, а стоимость ошибки не становится слишком высокой. Обычно в этот момент компания начинает смотреть на компьютерное зрение, но быстро сталкивается с тем, что типовой CV-проект требует слишком многого: отдельной команды, данных, времени и железа...

Когда руководитель слышит «компьютерное зрение мирового уровня», он вполне ожидаемо представляет за этим тяжелые модели, GPU‑кластеры и отдельную команду разработки. Для ИТ‑компаний это нормально. Для производственного предприятия — чаще всего нет. Заводу нужна не демонстрация архитектур, тестирование и сложные дорогие внедрения, а инструмент, который снижает брак и не требует строить вокруг себя ещё одну сложную систему. Мы разработали модель, которая позволяет выйти из привычного сценария. Это...

В разговорах о компьютерном зрении часто звучат суммы, которые автоматически выталкивают средний завод из игры. Классический стек — тяжелые нейросети, GPU‑серверы, хранение огромных эмбеддингов, отдельный контур для обучения и мониторинга моделей. В результате даже простой пилот по контролю качества на одной линии быстро превращается в историю «цифровой трансформации» с миллионными бюджетами. Мы разработали модель, которая позволяет выйти из привычного сценария. Это полностью собственная ML-архитектура...

Ручная визуальная инспекция на линии держится не потому, что это хорошее решение, а потому, что до недавнего времени альтернативы были слишком сложными. Оператор в конце линии смотрит на изделия, отбраковывает явный брак и пропускает то, что считает нормой. Пока объемы умеренные и требования заказчиков гибкие, эта схема терпима. Но как только партия растет, а цена ошибки становится высокой, человеческий фактор превращается в риск и прямые потери. Если в этот момент завод начинает рассматривать вариант...