Кейс 1. Умное перераспределение обращений граждан
Партнёр: Администрация города-миллионника
Проблема: Ежедневно поступает 15 000+ обращений в соцсети, чат-боты и на почту. 30% теряются или идут не в тот департамент.
Задача: Разработать ML-модуль, который автоматически определяет тему, срочность и исполнителя (ЖКХ, транспорт, соцзащита) по тексту и вложениям.
Результат: API для существующей системы «Открытый город».

Кейс 2. Антифрод в закупках малого объёма
Партнёр: Казначейство региона
Проблема: До 15% малых закупок (до 500 тыс. руб.) проходят через аффилированных поставщиков или с искусственным дроблением.
Задача: Разработать веб-сервис анализа связей между юрлицами, учредителями и IP-адресами подачи заявок.
Результат: Дашборд с графами связей и факторами риска.

Кейс 3. Прогноз нагрузки на МФЦ
Партнёр: Сеть МФЦ области
Проблема: В одни дни очереди по 2 часа, в другие сотрудники простаивают. График не оптимизирован.
Задача: Создать модель прогноза потока посетителей на основе погоды, праздников, отчётных периодов и госвыплат.
Результат: Инструмент для динамического расписания смен и записи по слотам.

Кейс 21. Детектор незаконной точечной застройки по снимкам
Партнёр: Комитет по градостроительству
Проблема: Застройщики возводят объекты без разрешения (мансарды, пристройки, хозблоки), а инспекторы физически не могут облететь/обойти город.
Задача: Нейросеть сравнивает спутниковые снимки за разные даты и выделяет новые постройки, которых нет в реестре разрешений.
Результат: Дашборд с координатами «подозрительных объектов» для выездной проверки.

Кейс 22. Автоматическое выявление свалок на городских землях
Партнёр: Департамент экологии
Проблема: Свалки образуются за ночь, но система их обнаруживает через 2-3 недели (по жалобам граждан).
Задача: Обработка снимков с дронов или спутников (Sentinel-2) для детекции мусорных куч и изменений рельефа.
Результат: Ежедневный отчёт с геопозициями новых свалок.

Кейс 23. Контроль уборки снега по камерам видеонаблюдения
Партнёр: Департамент ЖКХ
Проблема: Подрядчики отчитываются о вывозе снега, но половину просто сдвигают во дворы. Проверить 2000 улиц невозможно.
Задача: Модель анализирует видеопоток с городских камер, определяет степень заснеженности дороги до/после прохода техники.
Результат: Система «честности уборки» с рейтингом подрядчиков.

Кейс 24. Прогноз аварий на водопроводе по давлению и вибрации
Партнёр: Водоканал
Проблема: 40% порывов случаются внезапно, без видимых причин. Ремонтная бригада выезжает постфактум.
Задача: Анализ телеметрии (давление, расход, вибрация на насосах) для предсказания аварии за 24-48 часов.
Результат: ML-модель + дашборд для диспетчерской.

Кейс 25. Анализ публичных слушаний через NLP
Партнёр: Городская дума
Проблема: На слушаниях по стройкам или тарифам ЖКХ выступают сотни жителей. Секретарь сокращённо фиксирует 10% тезисов.
Задача: Система стенографирования + выделение ключевых требований и возражений с тональностью (за/против).
Результат: Веб-сервис для видеозаписи → структурированный протокол.