Кейс 26. Умный расчёт субсидий на оплату ЖКУ
Партнёр: Департамент соцзащиты
Проблема: Граждане подают одни и те же справки каждый месяц. Сотрудники вручную пересчитывают 50 000 дел. Ошибки и очереди.
Задача: Автоматический расчёт субсидии по данным: доходы (СФР), состав семьи (ЗАГС), площадь и тарифы УК.
Результат: API для МФЦ и Госуслуг с предзаполненным заявлением.

Кейс 27. Детектор поддельных дипломов по QR + метаданным PDF
Партнёр: Рособрнадзор
Проблема: На рынке продают «корочки» с реальными сериями и номерами, но с другими ФИО. Проверка через реестр требует времени.
Задача: Мобильное приложение: сканирует QR, распознаёт текст диплома через OCR и сверяет с реестром ФИС ФРДО.
Результат: Android/iOS приложение с зелёным/красным вердиктом за 5 секунд.

Кейс 28. Ранжирование школ для ремонта по износу и успеваемости
Партнёр: Министерство образования региона
Проблема: Деньги на капремонт распределяются по старшинству заявок, а не по реальной нуждаемости.
Задача: Интегральный рейтинг школ: год постройки, износ инфраструктуры, успеваемость, число учеников на компьютер, доля молодых учителей.
Результат: Дашборд с ранжированным списком школ для финансирования.

Кейс 29. Определение нецелевого использования земель по NDVI
Партнёр: Земельный контроль
Проблема: Участок выдан под сельское хозяйство, а на нём построили торговый центр. Понять это можно только при выезде.
Задача: Анализ вегетационного индекса (NDVI) по спутниковым снимкам: если индекс резко падает вместо роста — земля используется не по назначению.
Результат: Автоматические уведомления инспекторам о подозрительных участках.

Кейс 30. Мониторинг очередей в детские сады с прогнозом освобождения мест
Партнёр: Департамент образования
Проблема: Родители годами ждут места, а система не может сказать, когда оно освободится. Нет связи с ЗАГС и миграцией.
Задача: Модель предсказывает, сколько детей выпустится в школу, переедет или откажется от места в каждом саду на следующий год.
Результат: Интерактивная карта ожидания с вероятностью получить место в конкретном саду.

Кейс 31. Автоматическая сверка тендерных заявок с реестром недобросовестных поставщиков
Партнёр: Управление госзакупок
Проблема: Победитель тендера может числиться в РНП (реестр недобросовестных), но это проверяется вручную уже после объявления.
Задача: API-шлюз проверяет ИНН участника в момент подачи заявки по трём реестрам: РНП, арбитражные дела, банкротство.
Результат: Автоматический допуск/отклонение за 3 секунды.

Кейс 32. Прогноз падения деревьев во время урагана на основе LiDAR
Партнёр: Управление по ЧС
Проблема: При шквалистом ветре падают старые деревья на машины и линии электропередач. Нет системы приоритетной валки.
Задача: Обработка данных LiDAR (лазерное сканирование города) для оценки угла наклона, высоты и состояния кроны.
Результат: Карта риска с точками «срочно спилить до урагана».

Кейс 33. Идентификация владельца незаконной рекламы по базе юрлиц
Партнёр: Административная комиссия
Проблема: На заборах и столбах расклеены объявления «Скупка авто» с одним телефоном. Штрафовать некого — номер на левака.
Задача: Сервис пробивает телефон по открытым базам 2ГИС, avito, «Прозрачный бизнес» и находит реальное юрлицо.
Результат: Часть протокола об административном правонарушении с готовым ИНН нарушителя.