Как мы построили AI-КПП с фейс-айди для стройплощадки и сократили потери застройщика на миллионы рублей
На строительной площадке ежедневно пересекаются сотни людей, десятки подрядчиков и тонны материалов. Пока экскаваторы копают котлован, в табеле могут «копать» дыры фиктивные рабочие, а на склад-призрак отправляются несуществующие поставки. Всё это съедает прибыль, замедляет сроки и создаёт юридические риски. Мы решили проблему фиктивных рабочих на проходной и построили систему BuildGuard — умный фейс-айди-терминал, который за доли секунды распознает лицо строителя, сверяет его допуски и обновляет табель без единого клика администратора
Бизнес-часть: Зачем строительной компании умное КПП?
На крупных стройках подрядчики часто заносят «мертвые души» в табели, заводят неавторизованную технику на объект или фиксируют поставки материалов, которых никогда не было. По внутренней аналитике заказчика, прямые убытки от таких схем достигают нескольких миллионов рублей в год
Руководству нужен был инструмент, который:
- Исключает фиктивных рабочих — в смену считается только реально прошедший КПП сотрудник.
- Даёт прозрачную отчётность о явке и переработках, автоматически формирует претензии подрядчику.
- Работает полностью автономно — без ручного ввода, без турникетов на проводах и без сложных интеграций.
Бизнес-результат за первые 3 месяца
| Метрика | Было | Стало | Экономический эффект |
|---|---|---|---|
| Фиктивные рабочие | ~7 % смен | <0,5 % смен | ≈ 2,4 млн ₽/год |
| Переработки без подтверждения | 1 ч/чел в неделю | 0,1 ч/чел | ≈ 1,1 млн ₽/год |
| Затраты на ручные отчёты | 16 ч/нед | 0 ч | ≈ 0,7 млн ₽/год |
Концепция решения BuildGuard
Студия выступила генеральным подрядчиком по ИИ-части проекта «BuildGuard – Контроль проходной». Мы спроектировали и внедрили три ключевых слоя:
- Edge-терминал с фейс-айди (10-дюймовый сенсорный экран, камера и микрокомпьютер)
- Облачную платформу хранения биометрии и событий
- Веб-кабинет с отчётами, алертами и API для 1С/ERP.
Система разворачивается за день: терминал крепится к мачте или бытовке, подключается к сети 4G/LTE и сразу начинает работать даже при нестабильном интернете (кеш до 10 000 шаблонов).
Как это выглядит для пользователя
- Рабочий прикладывает NFC-бейдж к терминалу, камера делает снимок лица.
- За 0,25 с система верифицирует лицо и сравнивает его с бейджем.
- На экране появляется «Проход разрешён» или «Отказ».
- В личном кабинете обновляется онлайн-табель, а при нарушении (например, если лицо и бейдж не соотносятся) у начальника участка всплывает push-уведомление.
Ежедневный сводный отчет автоматически уходит руководителю безопасности на почту
Техническая часть: Как мы приручили ИИ-фейс-айди под условия реальной стройплощадки
Детектор лиц: RetinaFace в облаке, YOLO v8 на терминале
Мы попробовали несколько моделей и остановились на гибридной схеме. Если кадры обрабатываются в облаке пакетами, используется RetinaFace — она надёжнее вытаскивает частично закрытое лицо. Но на маленьком терминале, где важна скорость, работает облегчённая версия YOLO v8. Перед этим её тонко «дообучили» на наших фото в касках и пыли, а затем перегнали в формат TensorRT с калибровкой под INT8 — обнаружение лиц теперь занимает считанные миллисекунды.
Вектор лица: ArcFace с «стройплощадочной приправой»
За основу мы взяли ArcFace-ResNet100 — это классика, выученная на миллионах портретов. Затем модель поднатаскали на нашем наборе: сперва зафиксировали «спину» сети и учили только классификатор, потом приоткрыли последние слои и дали им «подтянуть» углы касок, тени от козырьков и пыль на лице. Дополнительно в loss-функцию добавили Focal Loss, чтобы редкие сотрудники с парой фоток не терялись среди «звёзд» датасета. Итог — точность при очень строгом пороге выросла почти до 98 %.
Поиск в базе: FAISS как турникет без железа
Храня тысячи сотрудников прямо на терминале, мы используем индекс IVF-PQ: он лёгкий и ищет всего за пару сотен микросекунд. Если людей в базе больше, терминалы держат только «активную» смену, а остальное живёт в облаке в шардах HNSW. Обновления рассылаются через Kafka, так что прием на работу нового каменщика появляется на всех проходных спустя считанные секунды.
Обучение «на ходу»
Каждый день система складывает в отдельную папку кадры, где уверенность была пограничной. Прораб за чашкой кофе просматривает их в веб-кабинете и тыкает «тот / не тот». Ночью пайплайн запускает быструю доводку модели всего на пару эпох, заливает новую версию по схеме Blue-Green: сначала 10 % терминалов, затем половина, затем все. Откат-«Undo» — один Helm rollback, так что стройка никогда не остаётся без контроля.
Защита от подделок
Чтобы не пройти по распечатанному селфи, камера проверяет два признака: бликуют ли роговицы так, как должно при реальном освещении, и совершают ли веки микродвижения в короткой пятикадровой последовательности. Комбинация физической модели бликов (SiLDR) и небольшого CNN на оптическом потоке режет процент «спуфов» до статистически ничтожных долей.
MLOps без магии
Все эксперименты фиксируются в MLflow, датасеты версионирует DVC, а GitLab-CI сам собирает контейнер, кладёт его в S3 и выкатывает Helm-чарт. Grafana следит за скоростью, качеством и дрейфом эмбеддингов, а если что-то пошло не так — приходит алерт, прежде чем это заметит охрана на проходной
Итог:
BuildGuard превратил проходную из дырки в бюджете в прозрачную точку контроля: исключил «мёртвые души», сэкономил миллионы на фонде оплаты труда, сократил бумажную рутину и дал руководству онлайн-картину стройки. За счёт собственного «каскового» датасета, гибридной архитектуры (RetinaFace + YOLO v8 + ArcFace) и автоматического дообучения мы поддерживаем точность на уровне 98 % и выпускаем новые модели каждую неделю без остановки работ. Если вашей площадке нужен такой же цифровой «щит» — оставьте заявку, и вы получите демо-отчёт уже по своим данным.
Готовы обсудить, как AI-КПП снизит риски вашего проекта?