AI Photo Control
Система компьютерного зрения, заменяющая ручную проверку фото курьеров — построена на кейсе юнит-экономики и с первого дня спроектирована с человеком в контуре.
01 · контекст
Каждый курьер должен выглядеть как надо и быть тем, за кого себя выдаёт: форма, экипировка, документы. На масштабе Uzum Tezkor — 5,000+ активных курьеров в день — это непрерывный поток фото, которые операторы проверяли вручную.
Я веду это как продукт: от вопроса «может ли AI сделать это дешевле и быстрее?» до выката, с которым уживутся и бизнес, и юристы.
02 · проблема
Ручная проверка фото не масштабируется. Она медленная, однообразная, к концу смены — с ошибками, а её стоимость растёт линейно вместе с базой курьеров.
Хуже того, интересные сбои редки: оператор видит куда больше чистых фото, чем нарушений, — ровно та ситуация, где люди начинают штамповать не глядя.
03 · процесс
Юнит-экономика раньше моделей
Сначала собрал кейс по стоимости и ROI: vision-language-модели ставят AI-скрининг примерно в центы за 1,000 фото против оценочных $4–11 за ту же тысячу вручную. Продал проект именно этот разрыв, а не новизна технологии. Цифры — модель стоимости со стадии дискавери, и я подаю их именно так.
Человек в контуре — так спроектировано
AI отсеивает очевидные «прошёл», сомнительные случаи отправляет человеку. Компромисс принят: ниже автоматизация на старте — в обмен на доверие и измеримую базовую линию ошибок, прежде чем шире открывать шлюз.
Риски всплыли раньше, чем стали блокерами
Фото курьеров — персональные данные. Поднял вопросы приватности и права заранее и заложил меры в роадмап, вместо того чтобы встретить их как вето на неделе запуска.
Сначала докажи, потом масштабируй
Цель на 2026 сформулирована явно: Photo Control в состоянии «доказано в проде» — измеренная точность, измеренная экономия, — а не рабочее демо.
04 · решение
Пайплайн верификации на компьютерном зрении для проверки формы и личности курьера, где операторы остаются в контуре для помеченных случаев.
- Автоматический скрининг фото курьеров (форма / экипировка / документы)
- Маршрутизация по уверенности: явные «прошёл» одобряются автоматически, сомнения уходят человеку
- Модель стоимости, сравнивающая AI и ручную проверку на 1,000 фото
- Меры по приватности и праву, заложенные в роадмап, а не залатанные потом
05 · результаты
На практике
- Проект получил зелёный свет на экономике, а не на хайпе — кейс прошёл финансовую проверку.
- Дизайн с человеком в контуре заработал поддержку операционки вместо сопротивления.
- Проверка юридических вопросов и приватности прошла по моей инициативе, ещё до того как кто-то попросил.
06 · выводы
- В AI-проектах таблица убеждает раньше, чем демо.
- «Модель стоимости» и «измеренный результат» — разные утверждения; путать их значит терять доверие ровно тогда, когда оно нужно.
- Подними юридические риски достаточно рано — и юристы в итоге становятся соавторами выката.
07 · рутина
- SQL-анализ объёмов верификации и нагрузки на операторов
- Согласование со стейкхолдерами: операционка, разработка, юристы, финансы
- Отслеживание стоимости вендоров/моделей по мере движения цен