Как мы запустили в облаке VK Cloud пилотный проект Face Detection по распознаванию лиц пациентов

Зачем «Инвитро» понадобились облака

Мы долго обходились собственным дата-центром, а облака использовали только для размещения веб-проектов вроде сайтов-визиток и лендингов. В какой-то момент стало понятно, что наша IT-инфраструктура совсем не гибкая, а масштабировать оборудование, которое снимается с поддержки раньше, чем уходит со стойки, не очень разумно.

Как двигаться дальше, когда компания растет, появляются амбициозные планы и требуется все больше вычислительных ресурсов?

Мы выделили для себя три приоритетные задачи:

1. Найти надежную площадку для экспериментальных проектов

Когда на горизонте появляется интересный проект, хочется как можно быстрее протестировать и оценить его жизнеспособность. Своими силами (точнее, ресурсами дата-центра) мы не справимся, ждать новое оборудование долго, и если в будущем оно не понадобится, то покупка будет невыгодной.

2. Получить отказоустойчивую и масштабируемую IT-инфраструктуру

Если данные безвозвратно пропадают или сервисы простаивают в часы пиковых нагрузок, это плохо и для нас, и для пациентов. А когда объемы данных растут, важно, чтобы мы могли быстро получить больше вычислительных мощностей для их обработки.

3. Cэкономить на содержании IT-инфраструктуры

Нам не нравятся скачки курсов валют, поэтому оплачивать услуги провайдера хотелось бы в национальной валюте. Фактор цены был одним из решающих, так как мы планировали снизить стоимость владения инфраструктурой. Плюс нам удобнее платить по факту за потребленные ресурсы, чтобы не оказаться в ситуации, о которой расскажем ниже.

Если кратко, то облака были нужны по двум причинам: чтобы получить надежное объектное хранилище и иметь под рукой адекватную по цене облачную площадку для экспериментальных проектов, таких как Face Detection.

О проекте Face Detection

Расскажем немного о том, что такое система Face Detection и зачем она нашим клиентам. Это компьютерная технология, которая идентифицирует лица на цифровых изображениях. Face Detection работает на базе машинного обучения (то есть непрерывно самообучается): алгоритм обнаруживает и анализирует элементы на основе их положения относительно других предметов. Так, например, технология идентифицирует размер, форму и расположение носа, подбородка и скул, а затем сравнивает их с базой данных фотографий. В ходе распознавания не участвует человек, что снижает вероятность ошибки и сокращает время обслуживания наших клиентов.

Собственно, на технологии Face Detection и основан наш пилотный проект. С его помощью мы планировали улучшить сервис, ускорить обслуживание и рассчитывали сделать визит наших клиентов более комфортным:

• Регистрация визита должна была ускориться за счет автоматического распознавания лиц. Как только клиент подошел к стойке, администратор уже видит его карту, запись, и сразу направляет в нужный кабинет.
• За счет быстрой регистрации планировалось увеличить пропускную способность в часы пик и уменьшить очереди.
• Такие изменения позволят клиентам чувствовать себя комфортнее в медицинском учреждении. Также мы пробовали обращаться к клиентам сразу по имени, еще до того, как они представлялись, но это – тонкий момент, некоторые реагировали негативно.

Облачные продукты, которые не подошли (и даже разочаровали)

Для реализации проекта Face Detection требовались облачные API для компьютерного зрения. Они должны были помочь решить задачи, которые можно вынести за пределы нашего большого дата-центра, не нарушая договоренности с пациентами. Но по российскому законодательству передавать персональные данные на сторону, особенно за пределы государства запрещено. Потому очевидные варианты облачных сервисов – Amazon и Azure – мы исключили сразу. Какое-то время ждали, пока в России появятся достойные альтернативы, позволяющие работать в рамках 152-ФЗ.

Первый опыт с облаком оказался неудачным. Наш партнер предоставлял услуги по предоплате. И когда по закону подлости в пятницу вечером у нас закончились деньги на счете, все остановилось. Просьбы включить доступ к облаку и поработать в минус разбились о глухую стену – техподдержка не пошла нам навстречу.

До понедельника сервисы простаивали, и это стало главной причиной, почему мы отказались от дальнейшего сотрудничества. Нам не понравилось, как повел себя провайдер в этой ситуации, тем более были противоположные примеры: те же Amazon и Azure уважают клиентов и работают по постоплате.

Мы продолжили поиски среди российских облачных провайдеров. Так нашим партнером стал VK Cloud. Окончательный выбор в его пользу помогли сделать успешные кейсы по внедрению систем компьютерного зрения, стоимость услуг и нахождение сервера компании на территории РФ.

Как внедряли VK Cloud

Пилотный проект с компьютерным зрением мы развернули в двух медицинских офисах, которые стали нашей тестовой площадкой. Купили видеокамеры и сразу столкнулись с первой проблемой – где и как их устанавливать. Для Face Detection местоположение камеры критично, от этого зависит успешность проекта. Но мы справились с этой задачей и попутно определились со скоростью и форматом передачи данных.

Если вначале планировали обрабатывать записи локально, на базе медицинских офисов, то потом отказались от этой идеи из-за сложности эксплуатации на большом объеме и начали сразу передавать их в дата-центр. В VK Cloud помогли быстро разобраться с камерами, API Vision, и мы принялись за интеграцию системы с внутренними корпоративными сервисами. Как в любой крупной компании, на это ушло около трех месяцев, хотя с технической стороной Face Detection задержек не было.

А теперь о том, как все это работает. В медицинских офисах на стойках администраторов установлены камеры, которые записывают видео и отправляют его в дата-центр. Специальный алгоритм находит кадры с наиболее удачным расположением лица и передает их в Vision – систему компьютерного зрения, она распознает лица и объекты на базе машинного обучения от VK Cloud.

Важно, что в Vision API попадают не все кадры с лицами, а только новые. Мы используем локальный кеш с базой лиц, чтобы сверять с ней каждый новый снимок. Получается, что локальное кеширование помогает уменьшить интенсивность потока запросов к API и использовать меньше облачных ресурсов. Значит, и платить за них мы тоже будем меньше.

Что мы получили от внедрения компьютерного зрения

Система компьютерного зрения Face Detection оправдала наши ожидания и позволила повысить качество обслуживания клиентов, которые приходят в медицинские офисы «Инвитро». Проект пилотный, но первых данных хватило для начальных выводов:

• Сотрудники перестали пользоваться поиском и работают только с найденными карточками клиентов;
• За счет сокращения времени, затрачиваемого на поиск клиента и его регистрацию, ускорилась процедура оформления и ушли очереди, характерные для пиковых часов.
• Мы сможем принимать больше пациентов в единицу времени на той же площади, улучшить экономические показатели, качество и скорость обслуживания.

Пока проект работает только в двух наших учреждениях, но мы уже ощутили положительные изменения.

Планы на будущее

Пока мы готовимся к масштабированию проекта Face Detection на всю сеть «Инвитро» и решаем юридические вопросы. Для нас важно строго соблюдение законодательства России, в частности 323-ФЗ «Об основах охраны здоровья граждан в Российской Федерации» и 152-ФЗ «О персональных данных». Мы ничего не делаем в тайне от наших клиентов. В перспективе хотелось бы сделать полномасштабный success-case и презентовать его на рынке медицинских услуг.

Что мы поняли во время работы над проектом Face Detection

• Гибридные системы строить можно и нужно. Для хранения и обработки персональных данных подойдет собственный ЦОД, а менее критичные процессы можно перекинуть в облако.
• Российские облачные сервисы сегодня предлагают те же возможности, что и западные, но стоят дешевле и не нарушают 152-ФЗ.