Студенты Новосибирского государственного университета заняли первые места сразу в двух номинациях всероссийского соревнования PostCode Challenge, посвященного разработке ИИ-решений для Почты России. «Мега команда» представила сервис для автоматизации обработки обращений в техническую поддержку и систему оценки загрузки транспорта по фотографиям. За свои разработки участники получили награды в рамках форума «Цифровые дни Иннополиса».
В соревновании приняли участие 507 студентов из 23 российских вузов. Они подготовили 141 решение для задач из практики Почты России. До финала дошли 24 команды, которые защитили свои проекты перед экспертами ИТ-отрасли. В общей сложности победителями и призерами стали 53 студента из Новосибирска, Иннополиса, Москвы, Екатеринбурга, Челябинска и Санкт-Петербурга.
Организаторами PostCode Challenge выступили Почтатех и Университет Иннополис. Участники разрабатывали решения для пяти направлений, связанных с работой почтовых отделений, обработкой клиентских обращений, логистикой и управлением персоналом.
В состав команды НГУ «Мега команда» вошли Виктор Порошков, Юрий Малюгин, Данил Луханин, Павел Коканов и Дмитрий Данилов. Студенты выбрали два направления, в которых можно было применить разные подходы машинного обучения: обработку текстовых обращений и компьютерное зрение.
Первый проект, «Пульс поддержки», занял первое место в номинации «Мониторинг и категоризация обращений». Это ИИ-помощник для сотрудников Service Desk, который помогает быстрее разбирать сообщения клиентов, определять категорию проблемы и находить похожие случаи из истории обращений.
Второй проект, «Контроль загрузки транспорта», стал победителем в номинации «Загрузка транспорта». Сервис анализирует фотографию кузова и оценивает, насколько он заполнен посылками. Дополнительно система выделяет груз и элементы кузова, строит пространственную визуализацию и сохраняет результаты для последующего сравнения.
— Нас заинтересовала возможность поработать с реальными задачами Почты России. Хотелось применить свои знания в машинном обучении и разработке к процессам, которыми ежедневно пользуются люди, — рассказывают участники команды.
Как работают ИИ-решения студентов
«Пульс поддержки» помогает сотрудникам технической поддержки быстрее ориентироваться в потоке обращений. Оператор вводит текст сообщения, после чего система предлагает три наиболее подходящие категории, рекомендует линию поддержки, услугу и компонент. Также она показывает похожие закрытые обращения и доступные результаты работы с ними.
Оператор может изменить предложенные рекомендации и подтвердить свой выбор. Исправления сохраняются и могут использоваться при дальнейшем обучении классификаторов. Это позволяет учитывать решения сотрудников и постепенно улучшать работу системы.
Второй проект решает задачу оценки загрузки транспорта. Пользователь загружает фотографию кузова, а ансамбль нейросетей рассчитывает предполагаемый процент заполнения. Отдельный конвейер выделяет груз и линии кузова, оценивает глубину и создаёт трёхмерное представление. Известные габариты помогают уточнить масштаб изображения.
При этом разработчики отдельно учитывают ограничения компьютерного зрения. По одной фотографии нельзя достоверно определить скрытые пустоты между посылками, поэтому пространственная реконструкция служит вспомогательной оценкой, а не точным измерением физического объема.
Оба сервиса рассчитаны на то, чтобы помогать человеку принимать решения, а не полностью заменять его работу.
— «Пульс поддержки» помогает сотруднику быстрее сориентироваться в обращении и использовать опыт предыдущих решений. Руководителю он даёт инструменты для анализа нагрузки, сроков и сложных случаев. «Контроль загрузки транспорта» помогает перевести фотографии в структурированные оценки. Это может быть полезно для контроля использования грузового пространства и сравнения загрузок, — объясняют студенты.
От экспериментов до работающего приложения
Работа над проектами заняла несколько недель. Команда начала с базовых решений, затем сравнивала модели, анализировала ошибки и постепенно расширяла функциональность приложений. Участники распределили обязанности между подготовкой данных, обучением моделей, разработкой серверной части, созданием интерфейса и проверкой решений.
Несмотря на разделение задач, оба проекта требовали постоянного взаимодействия. Выбор моделей зависел от особенностей данных, результаты экспериментов влияли на интерфейс, а пользовательские сценарии определяли требования к серверной части.
— Большая часть трудностей была связана с реальными данными. В обращениях встречались пересылки, служебные подписи, повторяющиеся записи и неоднозначные категории. На фотографиях загрузки кузова различались освещение, ракурс и расположение груза, — рассказывают участники команды.
Отдельной задачей стала инженерная реализация. Разработчикам нужно было учитывать ограниченные вычислительные ресурсы, длительность экспериментов, стабильность серверов и возможность воспроизводить результаты.
Для создания сервисов команда использовала Python, FastAPI, SQLite, Docker и Git. В «Пульсе поддержки» объединили смысловые представления текста Qwen3-Embedding с текстовыми признаками TF-IDF и моделями машинного обучения из библиотеки scikit-learn. Для оценки загрузки транспорта собрали ансамбль из 12 нейросетей семейств ConvNeXt, Swin и YOLO. Также использовали сегментационную сеть с энкодером ResNet34 и модель Depth Anything 3 для оценки глубины.
В обоих проектах реализовали TablePilot, который позволяет задавать вопросы по данным обычным языком. Программные инструменты выполняют расчёты, а языковая модель помогает объяснять результаты.
Защита и победа в двух номинациях
В финале команда демонстрировала не только технические возможности моделей, но и то, как сервисы работают в реальных пользовательских сценариях. Для «Пульса поддержки» показали путь от ввода обращения до рекомендаций и поиска похожих случаев. Для проекта по загрузке транспорта продемонстрировали обработку фотографии, оценку заполнения и пространственную визуализацию.
Особое внимание уделили данным, проверке качества и ограничениям разработок. Участникам было важно объяснить, в каких ситуациях результаты требуют дополнительной проверки человеком.
— Думаем, помогло сочетание работы над моделями и внимания к самому продукту. Мы занимались подготовкой данных, анализом ошибок, интерфейсом и тем, как человек будет пользоваться результатом, — поясняют ребята.
На высокий результат студенты надеялись, однако победу сразу в двух номинациях заранее не считали гарантированной. Итог стал для команды подтверждением проделанной работы и дополнительной мотивацией.
— Соревнование показало, насколько важны навыки за пределами обучения нейросетей: понимание задачи, работа с данными, инженерная надежность и умение объяснять ограничения. Дальше хотим развивать проекты, расширять проверочные наборы и испытывать решения в условиях, близких к реальной эксплуатации. Для нас это возможность довести конкурсные прототипы до более зрелых продуктов, — делятся своими планами участники команды .
Победа в PostCode Challenge дала студентам НГУ возможность проверить свои знания на практических задачах и пройти весь путь от экспериментов с моделями до создания приложений. Теперь команда планирует продолжить работу над обоими сервисами и подготовить их к дальнейшему тестированию в условиях, приближенных к реальным.
