Сервис для педагогов доп образования.

На страницу проекта

Разработка системы экстренного смягчения посадки на основе надувной подушки для коммерческих и промышленных дронов. Цель проекта – обеспечить безопасную посадку при аварийных ситуациях, включая отказ двигателей, потерю связи и порывы ветра, защитив как сам аппарат, так и окружающих. Гипотеза подтверждается статистикой отказов: частота отказов коммерческих БПЛА на два порядка выше, чем в авиации общего назначения, а именно один случай на 1000 лётных часов против одного на 100 000, а у некоторых систем БПЛА фиксируется до 25 процентов отказов. Рынок систем безопасности для дронов растёт: глобальный рынок парашютных систем для БПЛА достиг 13,2 миллиона долларов в 2024 году с прогнозом 35,34 миллиона долларов к 2031 году при среднегодовом темпе роста 14 процентов. Ключевое отличие от парашютных систем заключается в том, что надувная подушка работает на малых высотах менее 10–15 метров, где парашют не успевает раскрыться и эффективно затормозить падение. Подушка также обеспечивает амортизацию при жёсткой посадке в условиях порывистого ветра, когда дрон теряет управление на небольшой высоте. Целевые сценарии включают доставку грузов в городской среде, мониторинг промышленных объектов, аэрофотосъёмку вблизи людей и работу в условиях плотной застройки. Задачи включают разработку модуля надувной подушки, создание контроллера активации с алгоритмами определения аварийной ситуации, разработку комплекта для интеграции с существующими дронами, проведение испытаний и сертификацию. Ожидаемые результаты: работающая система, активирующая надувную подушку за доли секунды, гасящая энергию удара и обеспечивающая сохранность дрона и безопасность окружающих. Потенциальные потребительские сегменты: операторы коммерческих дронов, промышленные предприятия, городские службы и безопасность, производители дронов.

На страницу проекта

студенты и сотрудники компаний в ситуации высокого стресса и нагрузки не могут вовремя заметить у себя признаки выгорания, потому что нет простого и понятного инструмента для самооценки, а к психологу идти страшно или некогда. Так, мы создадим платформу для чек-апа ментального здоровья

На страницу проекта

Проект «АГРОКОНТУР». Это не «сервис для дронов», а платформа точного биологического земледелия. Мы формулируем продукт как SaaS-платформу для прецизионного внесения биологических средств защиты и питания с помощью БПЛА. Мы продаем не технологию полета, а агрономический результат через цифровую платформу.
Структура продукта модульная: Модуль 1. По спутнику и аэрофотоснимкам строит точную карту поля, выделяет препятствия (ЛЭП, деревья, водоемы) и внутренние зоны стресса (засуха, уплотнение почвы, вредители и т.п.). Модуль 2. Платформа анализирует индекс NDVI и фитосанитарный прогноз, создавая карту дифференцированного внесения. Модуль 3. Автоматически генерирует трек полета для дрона с учетом типа бункера (для жидкости или капсул с энтомофагами). Синхронизируется с производителями дронов (или мы сами предоставляем дрон как часть сервиса).
«АгроКонтур» — это интеллектуальная платформа для точного биологического земледелия, которая превращает спутниковый снимок поля в готовый сценарий для дрона и подбор биопрепаратов для каждой зоны, обеспечивая точечное внесение там, где это действительно нужно.

На страницу проекта

В сетях 0,4 кВ фактическая топология часто не соответствует исполнительной документации

Это напрямую влияет на:

•качество эксплуатации и скорость поиска проблемных участков

•точность анализа технических и коммерческих потерь;

•корректность фазировки и схемных решений;

•трудоемкость проверки сети и объем ручной верификации;

•качество планирования ремонтов, реконструкции и развития сети;

•эффективность использования уже накопленных данных ИСУЭ.

Программный продукт для автоматизированного определения фактической топологии сети 0,4 кВ по данным ИСУЭ анализирует данные приборов учета, определяет фазовую принадлежность, оценивает вероятные связи между потребителями и формирует цифровую схему сети для инженерного использования.

На страницу проекта

Безалкогольный пивной напиток с различными добавками

На страницу проекта

«Добрый Аллигатор» — это концепция агрегатора доставки, который решает главную боль современного пользователя: необходимость держать пять приложений, чтобы заказать один ужин. Сервис объединяет рестораны и продуктовые магазины в единую экосистему, где алгоритм подбирает оптимальный вариант по времени или цене.

Почему «Добрый Аллигатор» — это не просто ещё один агрегатор

Рынок доставки в России фрагментирован: «Яндекс Еда», «Самокат», «Купер», «ВкусВилл», «Пятёрочка. Доставка» — каждый сервис решает свою задачу, но пользователь вынужден переключаться между ними вручную. «Добрый Аллигатор» встраивается над всеми этими платформами: он не конкурирует с ними за курьеров и кухни, а агрегирует их предложения в одном интерфейсе.

Ключевая идея: пользователь формулирует запрос — «хочу суши и продуктов на неделю» — а система сама решает, через какие сервисы это выгоднее и быстрее собрать.

Анализ всех доставок: единая база данных рынка

Первая функция — фундамент всей платформы. «Добрый Аллигатор» сканирует и систематизирует предложения из:

• мобильных приложений — «Яндекс Еда», «Самокат», «Купер», «Деливери» и др.;
• сайтов — прямые заказы с сайтов ресторанов и магазинов;
• других агрегаторов — региональные сервисы, нишевые платформы.

Что это даёт пользователю:

• Единый поиск. Вместо пяти вкладок — один запрос: «пицца Пепперони». Система покажет, где она есть, сколько стоит и за какое время доставится.
• Актуальность. Данные обновляются в реальном времени: если у «Самоката» закончился товар, алгоритм сразу предложит альтернативу из «ВкусВилла» или «Пятёрочки».
• Прозрачность. Пользователь видит итоговую сумму с учётом доставки, комиссий и промокодов по каждому сервису — как это делают специализированные приложения-сравнители.

По сути, «Добрый Аллигатор» становится картой всего рынка доставки, где каждая точка — это ресторан, магазин или аптека, доступные здесь и сейчас.

Сбор корзины по наименьшему времени доставки

Вторая функция — для тех, кто голоден и не готов ждать.

Алгоритм анализирует:

• текущую загрузку курьеров каждого сервиса;
• расстояние от заведения до пользователя;
• исторические данные о среднем времени доставки в этом районе в это время суток.

Как это работает на практике:

Пользователь вводит запрос: «роллы и зелёный чай». «Добрый Аллигатор» проверяет:

• «Яндекс Еда» — 45 минут, но только роллы;
• «Самокат» — 20 минут, но чая нужного бренда нет;
• местный ресторан через «Деливери» — 35 минут, есть и роллы, и чай.

Система предложит комбинированный вариант: заказать роллы через один сервис, а чай — через другой, с расчётом, что курьеры приедут примерно одновременно. Или подберёт одно заведение, где есть всё, но чуть дороже.

Функция особенно ценна в часы пик, когда время доставки может различаться в разы. Алгоритм учитывает прогнозную загрузку и предлагает вариант, который реально приедет быстрее, а не тот, где формально «доставка за 30 минут», но по факту — час.

Сбор корзины по наименьшей цене

Третья функция — для тех, кто считает деньги и готов подождать.

Алгоритм сравнивает итоговую стоимость корзины — не только цену товаров, но и:

• стоимость доставки;
• минимальную сумму заказа;
• доступные промокоды и скидки;
• комиссию сервиса, если она есть.

Пример:

Пользователь хочет заказать продукты на неделю: молоко, хлеб, яйца, овощи, курицу.

• «Самокат» — 2 400 ₽, доставка 0 ₽ (при заказе от 2 000 ₽), но нет нужного бренда курицы.
• «ВкусВилл» — 2 700 ₽, доставка 200 ₽, есть всё.
• «Пятёрочка. Доставка» — 2 200 ₽, доставка 150 ₽, но нет одного из овощей.

«Добрый Аллигатор» предложит два сценария:

1. Экономия: заказать 90% в «Пятёрочке», а недостающий овощ — в «Самокате» (итого 2 350 ₽ + 0 ₽ + 100 ₽).
2. Удобство: всё во «ВкусВилле» — 2 900 ₽, но одним заказом.

Пользователь выбирает сам: сэкономить 550 ₽ или не возиться с двумя доставками.

Мультизаказность: одна корзина — разные заведения

Четвёртая функция — технологическое ядро «Доброго Аллигатора».

Мультизаказ уже существует в «Яндекс Еде» и «Деливери»: можно объединить заказы из двух ресторанов, двух магазинов или ресторана и магазина. Но там это работает внутри одной экосистемы. «Добрый Аллигатор» идёт дальше: он позволяет собрать корзину из разных сервисов.

Как это выглядит:

• Пользователь добавляет в корзину роллы из «Яндекс Еды», пиццу из местного ресторана через «Деливери» и молоко из «Самоката».
• «Добрый Аллигатор» рассчитывает оптимальный маршрут для курьеров: возможно, один курьер заберёт два заказа по пути, или система подберёт время так, чтобы всё приехало одновременно.
• Если один из сервисов не поддерживает мультизаказ, платформа предложит альтернативу: заменить заведение или разбить заказ на два, но синхронизировать время доставки.

Экономика для пользователя: доставка из второго заведения часто бесплатна или стоит символически — как в «Яндекс Еде», где при мультизаказе доставка из второго места не тарифицируется. «Добрый Аллигатор» распространяет этот принцип на все подключённые сервисы.

Сотрудничество с заведениями: промокоды как двигатель дохода

Пятая функция — бизнес-модель, которая делает «Доброго Аллигатора» прибыльным без высоких комиссий с заказов.

Основной доход — реклама и промокоды.

Как это работает:

• Заведения платят за видимость. Ресторан или магазин может купить приоритетное размещение в результатах поиска: например, при запросе «пицца» его карточка будет выше конкурентов. Это классическая модель спонсируемых листингов, которая уже приносит значительную часть выручки Zomato, Swiggy и Uber Eats.
• Промокоды как инструмент продвижения. Заведение создаёт эксклюзивный промокод для пользователей «Доброго Аллигатора»: «−20% на первый заказ» или «бесплатный десерт при заказе от 1 500 ₽». Пользователь выигрывает, заведение получает новых клиентов, платформа — комиссию за размещение промокода или фиксированную плату за кампанию.
• Раздел с промокодами. Отдельная вкладка, где собраны все активные предложения от партнёров: скидки, «1+1», бесплатная доставка. Пользователь заходит туда, как в раздел скидок в Uber Eats или Wolt — и часто делает заказ именно потому, что увидел выгодное предложение.

Почему это выгодно заведениям:

Они не платят высокую комиссию с каждого заказа (как в классических агрегаторах). Вместо этого они инвестируют в маркетинг — и платят только тогда, когда это приносит результат. Модель CPA (cost per action) уже используется «Яндекс Едой» и «Деливери»: ресторан платит за рекламу, только если пользователь что-то заказал.

Почему это выгодно «Доброму Аллигатору»:

• Масштабируемость. Чем больше заведений — тем больше рекламных бюджетов.
• Независимость от комиссий. Платформа не зависит от того, насколько высокую комиссию удаётся выторговать у ресторана. Доход приходит от маркетинга.
• Лояльность заведений. Рестораны видят конкретный результат: промокод → заказ → повторная покупка. Они готовы платить за это.

Как всё это работает вместе

Представьте типичный сценарий:

Пятница, 19:00. Пользователь открывает «Доброго Аллигатора».

1. Вводит запрос: «суши, пицца и кола».
2. Анализ всех доставок показывает: суши есть в «Яндекс Еде» (45 мин), пицца — в местном ресторане через «Деливери» (35 мин), кола — в «Самокате» (15 мин).
3. Пользователь выбирает режим «Минимальное время»: система предлагает заказать всё через «Яндекс Еду» (там есть и суши, и пицца, и кола) — 40 минут, но дороже на 300 ₽.
4. Или режим «Минимальная цена»: суши — «Яндекс Еда», пицца — «Деливери», кола — «Самокат». Итого дешевле на 400 ₽, но три доставки.
5. Пользователь выбирает мультизаказ: система сама разбивает корзину, синхронизирует время и показывает, что курьеры приедут в течение 50 минут.
6. В разделе промокодов пользователь видит: «Скидка 15% на первый заказ в этом ресторане» — и применяет её.

Результат: пользователь получил всё, что хотел, за оптимальное время и цену — без переключения между приложениями. Заведение получило заказ через промокод. «Добрый Аллигатор» — доход от рекламной кампании.

Перспективы и вызовы

Сильные стороны:

• Уникальное позиционирование. Ни один российский сервис пока не агрегирует другие агрегаторы. «Добрый Аллигатор» не конкурирует — он объединяет.
• Гибкая монетизация. Реклама и промокоды не требуют высокой комиссии, что делает платформу привлекательной для заведений.
• Сетевой эффект. Чем больше заведений и сервисов подключено, тем ценнее платформа для пользователя.

Вызовы:

• Техническая сложность. Интеграция с API разных сервисов, синхронизация времени доставки, расчёт оптимальных маршрутов — это серьёзная инженерная задача.
• Конкуренция с гигантами. «Яндекс Еда» и «Деливери» уже запустили мультизаказы. Но они работают внутри своих экосистем, а «Добрый Аллигатор» — над ними.
• Доверие пользователей. Нужно убедить людей, что заказ через сторонний сервис так же надёжен, как напрямую.

«Добрый Аллигатор» — это не просто агрегатор. Это слой умного посредничества, который делает рынок доставки прозрачным, выгодным и удобным для всех: пользователей, заведений и самих платформ.

На страницу проекта

Разработка системы регулирования производительности вентиляции базы предварительного содержания животных на основании анализа воздушной среды в помещении.
Регулирование производительностью существующей системой вентиляции базы предварительного содержания животных производится на основании нормативного значения кратности воздухообмена на 1 голову. Ветврач вручную вводит кол-во животных в контроллер, на основании чего происходит регулирование производительностью.
Система регулирования производительности вентиляции базы предварительного содержания животных на основании анализа воздушной среды в помещении. Контролируемые показатели: температура, уровень кислорода, уровень углекислого газа, уровень аммиака.

На страницу проекта

Оптимизирование биотехнологического процесса производства полилизина для повышения выхода, стабильности продукта и снижения себестоимости, обеспечив соответствие требованиям целевых рынков.

На страницу проекта

Проект направлен на разработку системы автоматизированного тестирования защищенности информационных систем с использованием локальных ИИ-агентов, что позволит проводить оценку уязвимостей без передачи конфиденциальных данных во внешние облачные сервисы. В основе подхода лежит применение автономных интеллектуальных агентов, развертываемых непосредственно в инфраструктуре заказчика и способных самостоятельно планировать и выполнять задачи по сканированию, фаззингу, имитационному моделированию атак и анализу конфигураций.

На страницу проекта