Система компьютерного зрения окупается за 1–2 месяца

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.

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.

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.

Вы получаете экономию 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.

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.

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.

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.

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.