Что я получил в итоге.

Я перестал тратить время на сбор информации. Раньше уходило несколько часов в день на то, чтобы обойти мастеров, позвонить менеджерам, уточнить статусы. Теперь я открываю интерфейс и вижу всё за две минуты.

Я стал быстрее реагировать на проблемы. Мигающая сфера — это сигнал, что что-то пошло не так. Я вмешиваюсь сразу, а не когда проблема уже стала критической. Количество срывов сроков сократилось в разы.

Мастера перестали простаивать. Я вижу, кто свободен, и могу перенаправить его на другую работу. Оборудование и люди загружены эффективно.

Клиенты стали довольнее. Мы реже срываем сроки, точнее называем стоимость, быстрее выдаём автомобили. Повторных обращений стало больше.

Документы перестали быть головной болью. Система формирует их автоматически, и при любых изменениях нейромодуль обновляет всё без моего участия.

Теперь о планах развития.

Первое — я хочу добавить прогнозирование загрузки. Чтобы система сама предлагала, когда лучше записывать клиентов, чтобы не создавать очередей и равномерно загружать мастеров.

Второе — хочу интегрировать систему с поставщиками запчастей напрямую. Чтобы заказы уходили автоматически, без участия менеджера по закупкам.

Третье — хочу настроить автоматическое формирование отчётов для налоговой. Чтобы система готовила все данные для деклараций и сдавала их через интернет.

Четвёртое — хочу добавить голосовое управление в интерфейс микромиров. Чтобы я мог управлять системой голосом, не отвлекаясь от других дел.

Но то, что уже работает, даёт результат. Моя экосистема из пяти систем — онлайн-запись, парсеры, нейроассистент, автоматизированная приёмка и микромиры — превратила мой автосервис в прозрачный, управляемый и эффективный бизнес. Напоминаю, я не программист, я владелец автосервиса. Я создал это, используя дипсик, причем бесплатный.

Спасибо, что читали все мои серии. Всех 12 подписчиков обнял! Новая серия уже готовится, она будет посвящена финансовому прогнозированию и анализу рынка автосервисные услуг. Если у вас есть вопросы — спрашивайте в комментариях, отвечу.

Конец.

Система парсеров тоже тесно связана с микромирами. Когда в CRM создаётся заказ-наряд, парсеры собирают информацию о типичных поломках для этой модели автомобиля. Эта информация передаётся нейромодулю, который строит цепочку процессов. В моём интерфейсе микромиров я вижу, какие рекомендации получил мастер-приемщик от парсеров. Это помогает мне оценить, насколько глубокой будет диагностика.

Автоматизированная система приёмки и выдачи — это прямой поставщик данных для микромиров. Каждый этап приёмки, осмотра, диагностики и ремонта отражается в моём интерфейсе в реальном времени. Я вижу, кто из мастеров работает над машиной, какие запчасти заказаны, отдана ли работа на аутсорс. Все изменения статусов отображаются в микромирах мгновенно.

Теперь о том, как это выглядит в моём интерфейсе на практике. Я захожу в систему и вижу несколько больших сфер. Каждая — это автомобиль в ремонте. Я вижу, у какой сферы красный цвет — значит, там срочная проблема. Я нажимаю на неё, вижу цепочку процессов и понимаю, что мастер застрял на этапе диагностики. Я открываю малую сферу мастера и вижу его интерфейс. Могу отправить ему оповещение или переназначить другого специалиста.

Вся эта связь работает автоматически. Мне не нужно открывать несколько систем и собирать информацию по кусочкам. Я вижу всё в одном интерфейсе.

Для сотрудников это тоже удобно. Они работают в своих интерфейсах и не задумываются о том, как их работа отображается у руководителя. Система передаёт данные автоматически, без задержек.

В следующем посте расскажу о практической и экономической пользе микромиров. Что изменилось в моём бизнесе после внедрения этой системы.

- монитор за 3,5 тыс. руб.

Идея: лазерный луч жестко связан с камерой (у меня пока стоят неподвижно). Лазер дает проекцию луча на объект, камера получает изображения, а софт распознает на них пятно (которое всегда находится на одной прямой). Далее преобразование координат X, Y в расстояние Z от лазера до объекта.

Реализовал пока базу - все работает!

Работает на одноплатнике пока с фрэймрейтом 4-5 fps.

Софт буду допиливать - пока на python.

Проект выложил на github: https://github.com/Stan-public32/laser_scaner.git

Еще предстоит сделать:

1. Оптимизировать код для ускорения работы.

2. Исключить обработку пикселей, лежащих за пределами номинальной прямой на изображении.
   3. Скорректировать математикой погрешность от нелинейного преобразования (пока функция преобразования линейная).
   4. Поработать с фильтрацией изображения.
   

Например, он анализирует, какие типичные цепочки процессов строятся для разных моделей автомобилей. Он запоминает, сколько времени в среднем занимает каждый этап для конкретной марки и модели. Он видит, какие ошибки возникали, где были задержки, какие решения я принимал при вмешательстве.

Это позволяет системе становиться умнее с каждым новым ремонтом. Когда поступает новая задача, нейромодуль сверяется с архивированными данными. Он видит, что похожий автомобиль с похожей неисправностью уже ремонтировался, и строит цепочку процессов на основе того успешного опыта. Он предлагает расчётное время, близкое к реальному, а не теоретическое.

Для меня как руководителя архивация даёт ещё одну важную возможность. Я могу в любой момент открыть архив и посмотреть историю любого клиента. Если клиент приезжает к нам повторно через полгода, система помнит всё, что мы делали с его машиной. Это помогает быстрее диагностировать новые проблемы и строить доверительные отношения с клиентом.

Также я могу использовать архивные данные для аналитики. Я вижу, какие услуги заказывают чаще всего, какие проблемы возникают у разных марок автомобилей, какие мастера работают быстрее, а какие качественнее. Всё это помогает мне принимать управленческие решения.

Данные из архивов также используются парсерами для уточнения информации. Если система видит, что реальное время ремонта в моём сервисе отличается от среднего по рынку, она корректирует свои алгоритмы. Это делает мои расчёты более точными.

В следующем посте расскажу о том, как микромиры связаны с системами из прошлых серий и какую практическую пользу они принесли моему бизнесу.

Вторая возможность — переназначение сотрудника. Если мастер заболел, ушёл в отпуск или просто перегружен, я могу нажать на его сферу и переключить интерфейс на другого сотрудника. Система мгновенно обновляет все данные. Новый мастер получает доступ к заказ-наряду, инструкциям и всей информации по ремонту. Ему не нужно ничего вводить заново — всё уже загружено в его интерфейс.

Третья возможность — изменение цепочки процессов. Я могу убрать лишний этап или добавить новый. Например, если клиент попросил дополнительную услугу, я добавляю этап в цепочку. Если я вижу, что какой-то этап не нужен, я удаляю его.

Самое важное здесь — что нейромодуль автоматически перестраивает всё вокруг моего вмешательства. Когда я меняю цепочку или переназначаю сотрудника, нейромодуль пересчитывает время, корректирует сроки, обновляет документы в управляющих модулях, пересчитывает цены, меняет техническую информацию. Мне не нужно ничего править вручную в документах. Система делает всё сама.

Например, я переназначаю ремонт с одного мастера на другого. Нейромодуль понимает, что у нового мастера может быть другой опыт и скорость работы. Он пересчитывает расчётное время ремонта. Если новый мастер работает быстрее, время уменьшается. Если медленнее — увеличивается. Обновлённое время автоматически появляется в заказ-наряде и в интерфейсе клиента.

Цены тоже могут меняться. Если я добавляю новый этап, нейромодуль добавляет стоимость работ и запчастей. Если убираю — убирает стоимость. Все документы обновляются автоматически: акты, счета, договоры.

Вся эта гибкость позволяет мне быстро реагировать на изменения, не тратя время на бумажную работу. Я управляю бизнесом из одного интерфейса, а нейромодули берут на себя всю рутину по пересчёту и обновлению данных.

В следующем посте расскажу, как система архивирует завершённые задачи и как использует эти данные для обучения нейромодулей.

Приложение qwen

И приложение pydroid3

Пишем запрос в qwen