Разработка собственной MES-системы в ГК «Изолятор»
Разработали кастомную MES-систему для ГК «Изолятор», чтобы автоматизировать планирование производства и перейти к позаказному производству.
В подборке 172 кейса: ПО для промышленных предприятий. Кейсы агентств BSL, Doubletapp, TIQUM и ещё 104 агентства. Проекты 2011–2026 годов. У 92 кейсов есть измеримый результат, 16 отмечены наградами премий.
Разработали кастомную MES-систему для ГК «Изолятор», чтобы автоматизировать планирование производства и перейти к позаказному производству.
Разработали MVP платформы, которая автоматически превращает научные исследования в структурированные бизнес-планы с помощью ChatGPT.
Разработали ИИ-систему контроля водителей для Термотех и сократили затраты человеко-часов в 30 раз.
×30 Сокращение человеко-часов
Разработали ИИ-платформу MarQus для сортировки ТБО, которая увеличила скорость сортировки более чем в 2 раза — до 60–70 объектов в минуту.
60–70 объектов в минуту Скорость сортировки
Разработали веб-приложение HydroWeb для расчёта нагрузок на ограждение котлована и сократили время расчёта с нескольких секунд до 0,2 секунды.
0,2 секунды Время расчёта
Разработали white label-приложение для управления складскими ячейками с NFC-замками и временным доступом, позволившее клиенту вырасти в дистрибьютора услуг.
Разработали интерактивный тачскрин-экран для демонстрации оборудования «Механотроники» на выставке «Электрические сети 2023».
Разработали внутренний маркетплейс для промышленного предприятия, срок закупа товаров сократился в 4 раза.
×4 Срок закупа
Разработали интерфейс опытной линии получения углеродного волокна для Umatex, который используется почти год.
Внедрение системы машинного зрения ML Sense на линии резки труб НПО «Аконит» снизило аварии на 80% и окупилось менее чем за 6 месяцев.
−80% Снижение аварий
Внедрение системы машинного зрения ML Sense на Ковдорском ГОКе снизило внеплановые простои дробильного оборудования на 36%.
−36% Снижение простоев
Разработали LMS-платформу для учебного центра Tanym Образование и запустили MVP за 3 месяца.
3 месяца Запуск MVP
Разработали кроссплатформенное мобильное приложение на Flutter для мониторинга упаковочного оборудования Aurora NXT в реальном времени.
10 секунд Обновление данных
Четыре специалиста Doubletapp в аутстаф-формате разрабатывают и поддерживают мультиплатформенный видеоплеер для одного из крупнейших онлайн-кинотеатров России и СНГ.
Разработали CDP-платформу для медицинской компании: единые цифровые профили медработников и пациентов, омниканальные коммуникации и автоматизация маркетинговых кампаний.
Обновили интерфейс LowCode-среды для «Диполь»: снизили порог входа и когнитивную нагрузку, сохранив функциональность и гибкую настройку под роли пользователей.
Обеспечили стабильную работу четырёх веб-платформ онлайн-кредитования на едином backend-ядре, снизив число инцидентов и ускорив выпуск функций.
Разработали и внедрили ИИ-систему видеоаналитики «ДиэтархА» для промышленного предприятия, что позволило сократить нарушения техники безопасности на 85% и простои на 20%.
−85% Снижение нарушений ТБ
Разработан браузерный 3D-конфигуратор распределительных коробок с личным кабинетом и автоматической генерацией спецификаций для производителя светотехники «Световые Технологии».
Разработали веб- и мобильное приложение для вибродиагностики судового оборудования, автоматизирующее сбор, анализ данных и формирование отчетов. Точность вычислений совпала с ручными расчетами специалистов.
Разработали Продуктовую фабрику для крупного банка: время обработки зарплатных ведомостей сократилось в 3 раза, отзыв ошибочной ведомости — в 10 раз.
×3 Время обработки ведомостей
Разработали платформу Inspector для контроля качества на 2000+ заводах, что снизило риск брака на 90% и сократило трудозатраты на контроль производства на 90%.
−90% Снижение брака
AI-система обрабатывает до 1000 отзывов в час, автоматически определяет тональность и ключевые аспекты, снижая долю ручной аналитики и ускоряя реакцию на негатив.
1000 Скорость обработки отзывов
Разработали интегрированную платформу зарплатных сервисов для банка: обращения в техподдержку снизились с 170 до 30 на 100 сотрудников, SLA достиг 60 секунд при 80 000 транзакций в минуту.
170 → 30 Обращения в техподдержку