# Пример - AI Closet Inventory > Пример заполненного шаблона для проекта AI Closet Inventory _Источник: https://sii.sergeivolchkov.ru/materials/project-templates/example-ai-closet_ *Это пример того, как должен выглядеть заполненный шаблон описания темы проекта.* ## 1. Общая информация [#1-общая-информация] ### Название проекта [#название-проекта] AI Closet Inventory - Умная инвентаризация домашних запасов ### Категория [#категория] AI-агенты / Автоматизация быта ### Уровень сложности [#уровень-сложности] Базовый ## 2. Целевая аудитория и сегмент [#2-целевая-аудитория-и-сегмент] ### Целевая аудитория [#целевая-аудитория] * **Основная:** Владельцы малого бизнеса (кафе, магазины, склады) с потребностью в автоматизации учета товаров * **Вторичная:** Домохозяйства, желающие оптимизировать домашние запасы * **Третичная:** Офис-менеджеры для контроля канцелярских товаров ### Рыночный сегмент [#рыночный-сегмент] * B2B SaaS для малого бизнеса * B2C приложение для управления домом * Рынок: Smart Home & Inventory Management ## 3. Проблема [#3-проблема] ### Описание проблемы [#описание-проблемы] Ручной учет запасов занимает много времени и подвержен ошибкам. Люди часто забывают, что есть в кладовке, покупают лишнее или обнаруживают нехватку нужного в неподходящий момент. ### Текущие решения и их недостатки [#текущие-решения-и-их-недостатки] * **Excel таблицы:** требуют ручного ввода, быстро устаревают * **Приложения со списками:** нужно вручную добавлять каждый предмет * **RFID системы:** дорогие, требуют специальных меток ### Влияние проблемы [#влияние-проблемы] * Продукты портятся, потому что о них забыли * Время уходит на поиск нужного и повторные походы в магазин * Гипотеза о масштабе потерь пока не проверена — считаем это ## 4. Решение и видение [#4-решение-и-видение] ### Концепция решения [#концепция-решения] Мобильное приложение с распознаванием по фото: снимок полки превращается в цифровой инвентарь, который сам отслеживает изменения. ### Чем отличается от нынешних способов [#чем-отличается-от-нынешних-способов] * Не нужно вносить предметы вручную — достаточно фотографии полки * Не нужно оборудования и меток, как в RFID-системах * Инвентарь обновляется при каждой съёмке, а не живёт отдельным файлом ### Конечное видение продукта [#конечное-видение-продукта] Учёт домашних запасов, который ведётся сам: система подсказывает, что заканчивается, и помогает не покупать второй раз то, что уже есть. ## 5. Минимальный жизнеспособный продукт (MVP) [#5-минимальный-жизнеспособный-продукт-mvp] ### Основные функции MVP [#основные-функции-mvp] 1. Распознавание предметов по фото с использованием Vision API 2. Создание и хранение цифрового инвентаря 3. Базовые уведомления о заканчивающихся товарах 4. Простой веб-интерфейс для просмотра запасов ### Базовый пользовательский сценарий [#базовый-пользовательский-сценарий] 1. Пользователь фотографирует полку в кладовке через веб-приложение 2. AI распознает предметы: "Рис - 2 пачки", "Макароны - 3 пачки", "Масло - 1 бутылка" 3. Система сохраняет инвентарь с датой и количеством 4. При следующей проверке система сравнивает и показывает, что закончилось 5. Пользователь получает уведомление: "Заканчивается рис, осталась 1 пачка" ### Критерии успеха MVP [#критерии-успеха-mvp] Цифры ниже — целевые значения, которые команда ставит себе сама и проверяет на своих данных; подставьте свои и обоснуйте их. * Распознаются основные продукты с полки в типичной кладовке (целевой порог задаём после первого замера baseline) * Обработка фото — единицы секунд, а не минуты * Пятеро знакомых пользуются приложением дольше недели ## 6. Технические требования [#6-технические-требования] ### Обязательные технологии [#обязательные-технологии] * **Computer Vision API:** Google Vision API или Azure Computer Vision для распознавания объектов * **Мультимодальная модель для категоризации:** понимание контекста и группировка предметов (модель выбирается на этапе исследования, решение фиксируется в ADR) * **База данных:** PostgreSQL для хранения инвентаря * **Фронтенд:** Next.js + React для веб-интерфейса ### Интеграции [#интеграции] * Камера устройства через Web API * Push-уведомления через Firebase * Опционально: интеграция со списками покупок (Google Keep, Apple Notes) ### Ограничения [#ограничения] * Работа только с хорошо освещенными фото * Поддержка только русского и английского языков * Максимум 50 предметов на одном фото ## 7. Метрики успеха [#7-метрики-успеха] ### Количественные метрики [#количественные-метрики] Задаются после первого замера: сначала меряем, что получилось у baseline, и только потом ставим порог, ниже которого релиз не выпускаем. * Точность распознавания — порог по результатам baseline * Время обработки фото * Сколько пользователей вернулись на второй и третий раз ### Качественные метрики [#качественные-метрики] * Что говорят пользователи после недели использования * Возвращаются ли к приложению без напоминаний * Стало ли меньше повторных покупок того, что уже есть дома ## 8. Риски и вызовы [#8-риски-и-вызовы] ### Основные риски [#основные-риски] * **Низкая точность распознавания:** разные упаковки, плохое освещение * **Высокая стоимость API:** каждый запрос к Vision API стоит денег * **Сложность с мелкими предметами:** специи, мелкая канцелярия ### План митигации [#план-митигации] * Обучить собственную модель на датасете домашних предметов * Кэширование и батчинг запросов к API * Возможность ручной корректировки результатов ## 9. Дополнительные материалы [#9-дополнительные-материалы] ### Референсы [#референсы] * [Pantry Check](https://pantrycheck.com) - похожее решение для США * [Fridge Pal](https://fridgepal.com) - трекер продуктов в холодильнике * Google Lens - пример качественного распознавания объектов ### Ресурсы для изучения [#ресурсы-для-изучения] * [Google Vision API Documentation](https://cloud.google.com/vision/docs) * [Building Inventory Management Systems](https://www.youtube.com/watch?v=example) * [Computer Vision for Object Detection Tutorial](https://pytorch.org/tutorials/) ### Контакты для консультаций [#контакты-для-консультаций] * По Computer Vision: @cv\_mentor в Slack * По продуктовым вопросам: Мария Иванова (Product Manager) * По дизайну интерфейса: @ui\_expert в Discord *** ## Чек-лист готовности темы к передаче [#чек-лист-готовности-темы-к-передаче] * [ ] Все разделы шаблона заполнены * [ ] Проблема описана конкретно и понятно * [ ] MVP реалистичен для реализации за 4 недели * [ ] Технические требования четко определены * [ ] Метрики успеха измеримы * [ ] Есть 3 референса для вдохновения * [ ] Базовый пользовательский сценарий описан пошагово