Octopus: сервис обработки фотографий, который лишил работы сотни ретушеров

1. Вводная задача от заказчика, проблематика, цели

Контекст и проблематика рынка

Наш клиент, предприниматель из Берлина Йоханн Хайне, заметил боль на автомобильном рынке. У тысяч автодилерских центров по всей Европе был спрос на качественные фотографии автомобилей для сайтов и цифровых витрин.

Главная проблема заключалась в дороговизне и сложности процесса: дилерам приходилось держать в штате или нанимать на парт-тайм профессиональных фотографов, а затем тратить солидные бюджеты на ручную ретушь снимков.

Первоначальная цель и старт работы

Новый цифровой продукт должен был стать бюджетной и быстрой альтернативой профессиональным ретушёрам. В 2017 году Йоханн пришёл к нам по рекомендации для разработки нескольких связанных сервисов.

Изначально перед нами стояла задача создать хаб для команды yoozoo. Система должна была позволить специалистам безопасно загружать и сортировать фото, трекать заказы, оставлять обратную связь, хранить версии ретуши и контролировать качество с помощью QA-отдела. Любая потеря данных или сбой грозили клиенту серьезными репутационными и финансовыми издержками. Тогда мы ещё не знали, что эта задача перерастет в 8-летнее партнерство и создание огромной экосистемы.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Мы прошли путь от хаба для ручной ретуши до AI-экосистемы. Наш путь можно разделить на несколько этапов.

Этап 1. Формирование экосистемы и закрытие болей дилеров

Постепенно мы поняли, что одного хаба недостаточно — нужно автоматизировать весь путь клиента. Мы создали 7 взаимосвязанных продуктов:

Octopus: Ядро, где менеджеры настраивают сетапы, ретушёры обрабатывают фото, а QA-агенты проверяют качество.

MEG: Сервис автоматизации передачи тяжелых изображений из базы в экосистему yoozoo по API и FTP.

Orca и Gecko: Веб-приложение для профессиональных фотографов и конструктор шаблонов, где клиенты могут сами выбирать фон, ракурс и добавлять логотипы.

Piranha: Orca не решала главную боль — дилеры все еще платили фотографам. Поэтому сделали мобильное приложение Piranha. Теперь дилеры снимают авто сами: по шаблонам с полупрозрачными рамками для поиска ракурса и встроенной AI-валидацией.

Eagle: Дашборд для клиента со сквозной аналитикой.

Этап 2. Внедрение AI и отказ от ручного труда

Чтобы снизить затраты, мы начали заменять ретушёров на искусственный интеллект. Сначала мы внедрили готовое решение для удаления фона — RemoveBG. Параллельно строили инфраструктуру для обучения собственной AI-модели Natas. Для обучения мы использовали базу фото, которые ранее обработали ретушёры. Позже мы полностью отключили платный RemoveBG.

Natas состоит из нескольких типов моделей:

Экстерьерные модели (перед, зад, бок, три четверти) позволяют точно выравнивать и обрезать автомобиль на фото.

Интерьерные модели:

12 вариантов, включая модели для обрезанных деталей, фар и других элементов.

Дополнительные модели: отдельные алгоритмы для стекол и теней, чтобы итоговый снимок выглядел реалистично.

Распознавание и замена номерных знаков

Цветокоррекция: контроль экспозиции, настройка баланса белого, удаление рефлексов с фото.

Этап 3. Преодоление технических барьеров

Смена движка компьютерного зрения

Когда пользователи начали загружать нестандартные фото через Orca, нам пришлось расширить модуль компьютерного зрения. Изначально использовали PyTorch, но из-за его медлительности и необходимости покупать коммерческую лицензию, мы перевели систему на OpenVINO. Это сделало обработку быстрее и дешевле в поддержке.

Переход на AWS Lambda

Раньше фото обрабатывались последовательно на выделенном сервере. Очереди копились часами, а партия из 10 снимков занимала до 15 минут. Мы переписали архитектуру под AWS Lambda (pay-per-use). Теперь код запускается в облаке и параллельно обрабатывает тысячи фото одновременно.

Генеральная уборка данных

За годы накопилось более 100 терабайт промежуточных файлов. Мы написали скрипты для автоматического удаления дубликатов и настроили правила удаления старых архивов, у которых истек срок юридического хранения.

3. Результаты сотрудничества

Проект стал для SALT AND PEPPER полигоном, доказавшим эффективность ретейнерной модели: мы перешли с почасовой оценки на фиксированный абонемент, тем самым избавили клиента от микроменеджмента и стали IT-отделом его бизнеса.

Бизнес-результаты для клиента:

• Благодаря автоматизации клиент экономит более 15 000 евро ежемесячно.
• В 2022 году ИИ обрабатывал лишь 10% изображений. К 2025 году этот показатель достиг 85%.
• Платформой стабильно пользуются 5 500 дилерских центров. Система ежемесячно переваривает 450 000 фотографий (это около 30 000 автомобилей в месяц).
• Высшим проявлением доверия стало то, что наш Project-менеджер, который вел yoozoo с нашей стороны, перешел в штат клиента на позицию CTO. Он знал продукт изнутри, и теперь живет в Германии и отвечает за всю IT-составляющую бизнеса Йоханна.

Технические прорывы:

• Сократили время обработки партии из 10 снимков в 60 раз — с 15 минут до 15 секунд.
• Снизили затраты на вычислительные мощности в 3 раза (с $300 до $100 за аналогичный объем благодаря AWS Lambda).
• Уменьшили объем данных в облаке в 2 раза — со 100 до 50 терабайт, что кратно снизило чеки за поддержку.

4. Заключение

Мы взяли дорогой и неповоротливый процесс — ручную обработку фотографий для автодилеров — и превратили его в экосистему из 7 продуктов. Оцифровали весь путь клиента: от съемки автомобиля на телефон с помощью AR-подсказок до выдачи готового кадра с изменённым фоном, правильными тенями и цветокоррекцией.

Для нашей команды проект стал школой жизни со сложной архитектурой и legacy-кодом, где джуны за полгода вырастали в самостоятельных птенчиков, а разработчики успешно пробовали себя в роли тимлидов. Наша главная гордость — скорость адаптации огромной системы к запросам бизнеса.

В планах — экспансия на новые рынки через интеграции с CRM, дальнейшее улучшение AI и перестройка технического фундамента. Сейчас мы заменяем Ruby-ядро на модульную архитектуру на Python. В перспективе это позволит выделить наш AI-модуль Natas в отдельный сервис, который смогут использовать другие компании по API.