Liftline: отслеживание оборудования зала, управление очередями и прогнозное обслуживание с ИИ

Проблема, которую ни один спортзал толком не решил

Зайдите в любой оживлённый коммерческий спортзал во вторник в 18:00. Стойка для приседаний занята. Блочная тяга занята. Узнать время ожидания невозможно. У третьего блочного тренажёра уже две недели порвана рукоять, но персонал не уверен, у какого именно: в заявке было написано «эта сломанная штука с тросом». Посетители раздражаются. Кто-то уходит раньше. Некоторые отменяют абонемент через три месяца, а зал так и не связывает эти события.

Основа Liftline предельно проста: посетители видят свободное оборудование, встают в очередь к занятому и сообщают о проблемах за секунды. Самое интересное — что происходит с этими данными, когда они начинают поступать.

Три портала, одна платформа

Каждая роль видит ровно то, что ей нужно. RBAC применяется на уровне API.

Как это выглядит на практике

Три ролевых портала с тестовыми данными спортзала — не макеты Figma. Ниже — двухминутный обзор, записанный в тестовой среде, и несколько характерных экранов.

~23 МБ · MP4 · нажмите для воспроизведения

Административный портал · /portal/dashboard

Панель персонала · /app/floor

Центр управления ИИ · /portal/ai

Показана тёмная тема · доступна светлая · оформление под бренд каждого зала

Где ИИ действительно полезен

Мы устояли перед желанием добавить ИИ в каждую функцию. Вот восемь задач, где Claude справляется с тем, что другим средствам даётся плохо:

1. Прогноз времени ожидания. Прогноз очереди к каждому тренажёру по истории использования и текущей посещаемости зала.
2. Рекомендации по замене оборудования. Когда блочная тяга занята: «Тренажёр для тяги сидя свободен и нагружает те же мышцы.»
3. Прогнозное обслуживание. Анализ потока заявок для прогнозирования поломок до их возникновения и расстановки приоритетов по серьёзности и частоте использования.
4. Классификация заявок о неисправностях. NLP обрабатывает свободный текст заявок: определяет тип проблемы, находит дубликаты и отмечает угрозы безопасности для немедленной эскалации.
5. Адаптивные планы тренировок. Динамическая перестройка плана занятия с учётом недоступного оборудования в реальном времени.
6. Выявление узких мест. Данные датчиков и очередей выявляют закономерности скопления людей на плане зала.
7. Выявление признаков недовольства. Повторные безуспешные ожидания одного оборудования → проактивное предложение альтернативы вне часов пик.
8. Выявление риска оттока. Сопоставление снижения частоты посещений со случаями недоступности оборудования.

Сначала мы выпускаем прогноз времени ожидания и прогнозное обслуживание: оба напрямую влияют на два действительно важных для залов показателя — удовлетворённость посетителей и эксплуатационные расходы.

Стек

• Фронтенд: Next.js 14 (App Router) + TypeScript + Tailwind CSS — одна кодовая база, три ролевых интерфейса.
• Бэкенд: Node.js + Express + TypeScript с промежуточными обработчиками аутентификации, RBAC, журнала аудита и ограничения частоты запросов.
• База данных: PostgreSQL 16.
• Реальное время: Socket.io — обновления статуса оборудования поступают каждому подключённому клиенту за <100 мс.
• Кеш: Redis — состояние очередей в критическом пути и прогнозы времени ожидания.
• ИИ: Anthropic Claude API для классификации через NLP, прогнозирования и адаптивного планирования тренировок.
• Электронная почта: Nodemailer с MailHog для согласованности среды разработки.

Для локальной разработки всё контейнеризировано через docker-compose; рабочая среда запускается в облаке клиента (AWS, GCP или Azure — на ваш выбор), а база данных, Redis и Socket.io находятся в его VPC.

Архитектура на одной схеме

┌─────────────────────────────────────────────────────┐
│                  Next.js Frontend                    │
│  ┌──────────┐  ┌──────────────┐  ┌───────────────┐   │
│  │ Member   │  │    Staff     │  │  Admin Portal │   │
│  │ App /app │  │ Dash /staff  │  │    /portal    │   │
│  └────┬─────┘  └──────┬───────┘  └───────┬───────┘   │
└───────┼────────────────┼──────────────────┼──────────┘
        ▼                ▼                  ▼
┌─────────────────────────────────────────────────────┐
│              Express API + Socket.io                 │
│  ┌────────┐ ┌────────┐ ┌────────┐ ┌──────────────┐   │
│  │  Auth  │ │  RBAC  │ │ Audit  │ │ Rate Limiter │   │
│  └────────┘ └────────┘ └────────┘ └──────────────┘   │
│  ┌──────────────────────────────────────────────┐    │
│  │           AI Service · Claude API             │    │
│  └──────────────────────────────────────────────┘    │
└──────────┬───────────────────────────┬───────────────┘
           ▼                           ▼
     ┌──────────┐               ┌──────────┐
     │PostgreSQL│               │  Redis   │
     │    16    │               │  cache   │
     └──────────┘               └──────────┘

Где мы сейчас и куда движемся

Liftline находится в закрытой разработке как собственный продукт SEYSO. Оболочка из трёх порталов, статусы оборудования в реальном времени, управление очередями и конвейер классификации заявок через NLP уже работают в нашей среде разработки. Следующие этапы — прогнозное обслуживание и прогноз времени ожидания.

Мы активно обсуждаем с сетями залов и независимыми операторами небольшое число первых пилотных внедрений — установка в вашем зале в рамках совместного проектирования, без оплаты разработки, в обмен на использование ваших операционных данных для настройки базовых параметров платформы. Если вам интересно, свяжитесь с нами ниже.

Почему сейчас подходящий момент

С 2020 по 2024 год фитнес-индустрия перестроилась. Ожидания посетителей теперь формирует ПО — приложения записи на занятия, умные силовые тренажёры, носимые устройства, — но основа управления большинством залов по-прежнему блокнот на планшете. Liftline учитывает реальное поведение посетителей в зале и даёт владельцам данные для обоснованных решений о персонале, планировке и закупках.