x
© 1995-2019 Компания «Инфосистемы Джет» Разработано в Liqium

— Максим, ваша компания специализируется на разработке технологий машинного обучения. Какие ML-решения ритейлеры используют сегодня?

Максим: Мы видим все больше примеров использования Machine Learning, при этом расширяются и область применения, и набор технологий. Самая распространенная практика — прогнозирование спроса с помощью искусственного интеллекта. Компании также применяют машинное обучение для поиска узких мест и оптимизации бизнеса, создания персонализированных предложений, работы с мерчандайзерами, оптимизации процессов логистики. По нашим оценкам, Machine Learning так или иначе применяют все лидеры рынка розничной торговли: подобные проекты идут во всех компаниях из топ-15 ритейлеров России.

 

В среднем сегменте, где работают небольшие, локальные сети, уровень проникновения машинного обучения ниже, но только на данный момент. ML пока является новой областью, напрямую не интегрированной в операционную деятельность компании. Однако уже в ближайшее время небольшим игрокам придется искать свое место на рынке и вырабатывать конкурентные преимущества, в том числе за счет машинного обучения.

— В чем заключаются инсайты Machine Learning для успешной конкуренции? 

Последние годы рынок розничной торговли находится в стадии стагнации, компании консолидируются. Реальные зарплаты населения не растут уже достаточно давно, и борьба между ритейлерами за кошелек потребителя становится все острее. Выигрывают компании, способные предложить более высокое качество и сформировать лояльность потребителя.

 

Чтобы сделать покупателю лучшее предложение с точки зрения качества и ассортимента товаров, сервиса и ценовой политики, необходимо постоянно анализировать поведение посетителей в торговом зале. Нужно своевременно узнавать, каким продуктам покупатели отдают предпочтение, чем они интересуются, какие стенды обходят стороной и т.д. Поэтому машинное обучение становится одним из важнейших инструментов: оно дает возможность прогнозировать спрос за счет изучения действий людей в реальном времени.

Реклама

— В Вашим основным продуктом является система компьютерного зрения. Расскажите об этой сфере применения машинного обучения.

Современные алгоритмы позволяют анализировать происходящее, отображаемое сотнями камер одновременно. При этом система не просто записывает, но и понимает, что именно попадает в поле компьютерного зрения.

 

Компании применяют технологию, чтобы лучше узнать своих клиентов. Функция распознавания лиц открывает возможности для классификации покупательского трафика как минимум по гендерному и возрастному признакам. Компьютерное зрение также идентифицирует конкретных людей, что позволяет организовать персонализированное обслуживание.

 

В гипермаркетах Amazon Go компьютерное зрение фактически освободило магазин от касс. Сотни точек наблюдения с камерами высокого разрешения определяют, какой продукт был взят с полки и в каком количестве, а идентификация клиента по фотографии делает возможным мгновенное списание средств с его банковского счета. В долгосрочной перспективе каждое посещение магазина покупателем будет обогащать его индивидуальный портрет. Например, ситуация, когда покупатель провел несколько минут у стенда с сырами, но ничего не купил, позволит сформировать для него персональное предложение.

 

Еще одна сфера применения компьютерного зрения — контроль за мерчандайзингом: правильность выкладки товаров, соответствие стандартам продаж и т.д. С помощью камер можно распознавать отдельные товары, определять их место на полках, контролировать проведение промоакций и подтягивать соответствующие KPI.

 

Мы работаем с производителями и поставщиками продукции и по своему опыту можем сказать, что в компаниях всегда есть сотрудники, которые не хотят выполнять свои обязанности соответствующим образом. Так, в ходе каждого нашего проекта мы сталкиваемся с 1–5% поддельных отчетов от недобросовестных мерчандайзеров. Компьютерное зрение выявляет такие случаи.

— Каковы бизнес-преимущества от использования систем компьютерного зрения?

В первую очередь экономия достигается, например, за счет того, что аудиты выкладки товаров проводятся машинным зрением за считанные секунды и с высокой точностью. При выполнении вручную этот процесс требует несопоставимых временных и материальных ресурсов. В результате бюджеты на аудит сокращаются примерно вдвое.

 

Второй аспект, о котором мы уже говорили, — повышение уровня контроля за мерчандайзингом. Когда система мотивации персонала основана не на субъективных отчетах, а на независимой оценке роботизированного решения, это стимулирует сотрудников качественно выполнять свою работу в точках продаж.

 

По нашим оценкам, использование компьютерного зрения может дать рост продаж на 1–5%. Срок окупаемости внедрения зависит от конкретной задачи, а также от количества показателей, которые необходимо контролировать с помощью системы. Если бизнес-процесс уже существует, но компании не хватает инструментов контроля и очищенных, качественных данных для его реализации, то система компьютерного зрения окупится за 1–2 месяца.

 

Но если в компании нет практик контроля, бизнес-процесс отслеживания работы мерчандайзеров не проработан и не формализован, то с внедрением компьютерного зрения лучше повременить. Если к нам обращаются клиенты, которые только начинают создавать эту систему, мы в первую очередь помогаем выстроить процессы. Внедрять инструменты можно только после проработки схемы взаимодействия и определения KPI.

— В числе преимуществ вашего решения — гарантии SLA. Какие уровни сервиса предполагаются и как вы их обеспечиваете? 

 Мы предоставляем облачный сервис, в SLA в том числе определяется стандартная доступность услуг из удаленного ЦОДа. То есть в случае отсутствия сервиса на протяжении определенного времени мы выплачиваем клиенту компенсацию. В SLA также устанавливается точность распознавания объектов системой, она должна составлять не менее 95%. Ежемесячно мы отчитываемся перед каждым клиентом, поскольку качество данных — критически важный параметр для бизнеса. Мы делаем выборки и формируем отчеты для проверки уровня точности. Если по каким-либо причинам она падает, мы снижаем стоимость сервиса до момента, когда будут достигнуты нужные показатели. Иначе компьютерное зрение выполняет свои функции не полностью.

— За счет чего вы улучшаете качество работы сервиса? 

Если говорить о распознавании текста или объектов, есть два основных пути: R&D в сфере обработки изображений и улучшение качества мастер-данных для модели машинного обучения.

 

Так, мы разрабатываем алгоритмы для распознавания текста разных размеров, учим систему видеть мелкие детали. При этом с возрастанием числа итераций происходит рост точности, так как ML-модель получает в свое распоряжение все больше проверенных данных и примеров, на которые она может опереться.

— С какими сложными задачами вам приходится сталкиваться в процессе развития своих решений?

Практически каждый проект приносит новые задачи. Именно поиск решения позволяет нам в итоге повышать распознавание по всем категориям, в которых работает система компьютерного зрения. Например, на одном из проектов мы зафиксировали распознавание ниже 80%. Дело оказалось в узком угле зрения: решение не могло точно определить размер бутылок — отличить 0,5 л от 0,7 л. Мы усовершенствовали алгоритм и подняли точность, теперь система лучше справляется с определением объема любых объектов.

 

Иногда возникают сложности с распознаванием текста из-за его цвета, размера или наклона. Бывают неожиданные проблемы с освещением. Но все подобные задачи можно решить.

 

Иногда возникают сложности с распознаванием текста из-за его цвета, размера или наклона. Бывают неожиданные проблемы с освещением. Но все подобные задачи можно решить.

— Каковы перспективы использования компьютерного зрения? 

Технологии компьютерного зрения по сути реализуют оцифровку аналоговых изображений. И чем больше фотографий мы распознаем, тем больше структурированной информации появляется у компании. В распоряжении заказчика оказываются терабайты данных, которые можно и нужно использовать для аналитики. Речь в конечном счете идет о монетизации информации. Для этого мы с заказчиками разрабатываем новые математические модели и специфические подходы, причем не только в области компьютерного зрения.

 

Конечная цель ритейлера — не только понять, что существует проблема на полке с каким-либо товаром. Бизнес прежде всего хочет знать, почему это произошло и что с этим делать. Поэтому сегодня вся отрасль работает над интеграцией бизнес-аналитики с компьютерным зрением, чтобы получать ответы на вопросы в реальном времени, создавая новый уровень бизнес-value

Следите за нашими обновлениями

DevOps нельзя покорить раз и навсегда

Зачем ИТ-подразделения регулярно пугают бизнес, если это уже не работает

Мы как саперы — не имеем права на ошибку

Как Сбербанк проверяет на производительность платежную систему для физических лиц

Спасибо!
Ваш материал отправлен.
Мы с вами свяжемся
Предложить
авторский материал
Спасибо!
Вы подписались на обновления наших статей
Подписаться
на рубрику
Спасибо!
Ваша заявка отправлена.
Мы с вами скоро свяжемся.
Оформить
подписку на журнал
Спасибо!
Вы подписались на наши новости.
Оформить
подписку на Новости
Ваш комментарий отправлен.
После прохождения модерации комментарий будет опубликован на сайте.
Оставить
комментарий
Спасибо!
Ваша заявка отправлена.
Мы с вами скоро свяжемся.
Задать вопрос
редактору

Оставить заявку

Мы всегда рады ответить на любые Ваши вопросы

* Обязательные поля для заполнения

Спасибо!

Благодарим за обращение. Ваша заявка принята

Наш специалист свяжется с Вами в течение рабочего дня