Как мы в 2,5 раза увеличили количество клиентских проектов, создав ИИ для дизайна интерьера

Привет! Меня зовут Павел Бондарь, я генеральный директор FlyFlat, компания специализируется на дизайне интерьеров. В этой статье расскажу, как мы создали сервис на основе ИИ, с помощью которого любой человек может создать дизайн квартиры или дома.

FlyFlat разрабатывает дизайн интерьеров, для этого у нас есть целый штат сотрудников. Разработка вручную занимала много времени — по нашей оценке, сроками были недовольны 63% клиентов.

Мне хотелось снизить нагрузку на дизайнеров и сократить сроки разработки проектов. Появилась идея создать сервис на основе ИИ — его могли бы использовать и наши дизайнеры при работе над клиентскими проектами, и все желающие.

Так появился сервис FlyFlat, вот что он умеет:

• Генерировать варианты дизайна интерьера на основе текстового описания.
• Создавать модель квартиры по фотографиям и подбирать мебель.
• Распознавать предметы интерьера на фото и находить магазины, где их можно купить.

В основе сервиса — нейросети, технологии виртуальной и дополненной реальности. С их помощью можно накладывать сгенерированные дизайны на фотографии реальных квартир.

Мы разработали MVP и провели первые тесты на собственной инфраструктуре. Но ресурсы наших серверов ограничены, и для продакшена локальное развертывание не подходило.

• На этапе MVP мы не готовы закупать оборудование впрок, особенно с учетом дефицита «железа».
• Не хотелось нагружать штатных ИТ-специалистов еще и администрированием инфраструктуры.
• На собственном оборудовании сложнее масштабироваться. Ресурсов может не хватить, если завтра количество пользователей резко вырастет.

Поэтому решили размещать FlyFlat в облаке. Для сервиса требовались:

• Высокопроизводительные процессоры для стабильной работы и обработки запросов;
• GPU для быстрого обучения ML-моделей;
• Хранилище для датасетов, ML-моделей, стандартных каталогов жилья, элементов интерьера и других данных.

Стали искать провайдера, который предоставит нам все необходимые ресурсы.

Пока выбирали провайдера, посмотрели всех крупных российских поставщиков. Нам были важны следующие критерии.

• Ресурсы. Искали провайдера, который предоставит достаточно мощностей и позволит масштабировать инфраструктуру под нагрузку.
• Компетенции. Важно, чтобы у сотрудников провайдера был опыт в Machine Learning и построении систем для работы с данными. В общем, чтобы нас могли проконсультировать по архитектуре.
• Прогнозируемость. Важно, чтобы облачные сервисы стабильно работали, а новые фичи появлялись регулярно — это позволило бы нам планировать развитие продукта.
• Клиентоориентированность. Мы хотели попробовать разные сценарии и подходы к работе в облаке. Было важно, чтобы провайдер позволял провести нужные тесты и делился опытом.
• Стоимость. На этапе MPV мы не были готовы к большим инвестициям, поэтому искали провайдера, который предлагает стартапам специальные условия.

В итоге, подали заявку на участие в программе поддержки стартапов VK Cloud. Прошли отбор и сейчас пользуемся скидками, что дополнительно снижает наши расходы на ИТ.

Сейчас в облаке VK Cloud используем несколько сервисов:

• Виртуальные машины для работы ИИ-алгоритмов и запуска нашей базы данных.
• S3-хранилище для горячего хранения данных. В нем разместили как фотографии, каталоги готовых интерьеров, мебели и других объектов.
• GPU NVIDIA Tesla A100, его используют нейросети для дообучения на пользовательских данных и выдачи готовых результатов.
• GPU NVIDIA Tesla V100 — нужна, чтобы распознавать объекты на изображениях.

• Сейчас идет бета-тестирования сервиса FlyFlat, им пользуются 300 дизайнеров и 600 частных пользователей.
• Сократилось время разработки одного интерьера, вместе с ИИ наши дизайнеры ежемесячно разрабатывают в 2,5 раза проектов.
• Виджет FlyFlat интегрирован на сайты застройщиков — люди могут подобрать интерьер для квартиры, которую смотрят. Это позволило увеличить конверсию в звонок на 17%.
• После завершения бета-тестирования планируем публичный релиз сервиса.