Системы распознавания полки: кому нужно внедрение и как добиться от проекта максимума

Анна Племяшова, Руководитель Департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics ответила на вопросы корреспондента портала Trade Marketing Tools

1. Каким компаниям стоит внедрять подобное решение (есть ли какие-то четкие параметры, по которым компания может понять, что ей нужно подобное решение: количество SKU, мерчендайзеров, охват торговых точек и т.п.).

Основные задачи, которые компании хотели бы решить с использованием систем распознавания товаров на полках – это автоматизация мониторинга полок для снижения трудоемкости и ускорения работы персонала, исключение человеческого фактора, удаленный мониторинг полок и быстрая реакция на ненадлежащую выкладку. Самый простой критерий для принятия решения о внедрении – оценка суммарных расходов на проект, дальнейшую поддержку решения и полученной выгоды

2. Как происходит внедрение? Требуется ли какая-то особая подготовка? Каковы требования к ПО, CRM, квалификации персонала, ПО или моделям планшетов/смартфонов, с которыми работают мерчендайзеры и т.п.

Можно выделить четыре основных этапа реализации:

1. Формирование технического задания
2. Подготовка датасета
3. Реализация пилотного проекта
4. Масштабирование

На этапе формирования технического задания должны быть сформулированы цели и бизнес-требования к решению с учетом ограничений систем компьютерного зрения, таких как:

• не видна глубина полки, можно детектировать только фейсинги;
• если выкладка «россыпью», то количество товара посчитать не удастся;
• точность распознавание товара в «мягкой» упаковке может быть ниже, чем в твердой;
• сложность распознавания литража при одинаковых этикетках продукции;
• точность распознавания товара за стеклом (дверцы, например) может быть ниже из-за бликов стекла.

Должна быть выбрана метрика качества распознавания и значение, которые будет целевым требованием по точности системы.

Также необходимо определить:

• как будет происходит сбор фотографий — планшеты/смартфоны или фотопоток с камер наблюдения в случае ритейла;
• количество SKU, которые необходимо распознавать, количество торговых точек;
• частота мониторинга, например, два раза в месяц или раз в день; в случае фотопотока с камер – это может быть и раз в 15 минут или дважды в день;
• требования по интеграции с существующими системами;
• допускается ли облачная архитектура решения или требуется реализация на собственных серверах.

Этот перечень позволит сформировать бюджет внедрения и архитектуру решения.

Подготовка датасета – трудоемкий, но важный этап.

Он состоит из:

• Сбора фотографий
• Разметки изображений

Принципы создания датасета для распознавания товаров на полке описаны в статье.

Датасет можно формировать самостоятельно, можно обратиться к компаниям, которые специализируются на подобных услугах, или включить требование о формировании датасета на стороне разработчика в техническое задание.

Готовый датасет – это актив, который дает степень свободы в выборе поставщика решения. С датасетом, например, можно устраивать хакатон и выбирать лучшие модели распознавания.

Рекомендуем начинать реализацию решения с пилотного проекта для SKU первого приоритета, если их количество превышает 500, и нескольких торговых точек. Это позволит быстро увидеть результаты и определиться с планом продолжения проекта.

На этапе пилотного проекта происходит обучение модели на размеченном датасете, оценка качества распознавания, настройка оповещений, отчетов согласно техническому заданию и тестирование.

Если результаты пилотного проекта признаются успешными, то можно переходить к масштабированию решения по SKU, увеличивая датасет, и подключать торговые точки по сформированному графику.

3. Каковы сроки внедрения? Предусмотрен ли (и нужен ли) тестовый период? Если да, то как он проходит? Какие сложности чаще всего возникают в процессе внедрения?

Сроки внедрения зависят от наличия датасета. Если готового у компании нет, потребуется время на сбор изображений и разметку.

Основные требования к фотографиям:

• фотографии должны быть хорошего качества, сделанные при достаточном освещении;
• снимать полку необходимо фронтально, захватывая как можно большую площадь, по возможности объекты на полке не должны быть обрезаны;
• чем больше фотографий будет приходиться на каждый SKU, тем лучше;
• минимальное количество фотографий – 200 изображений на один SKU.

Разметка датасета, например, для 150 SKU в среднем займет неделю. Процесс можно ускорить за счет количества специалистов, которые будут размечать изображения.

В целом, пилотный проект может длится 2-3 месяца и в том числе зависит от срока тестирования, выбранного заказчиком.

Основные сложности в процессе внедрения и масштабирования возникают с качеством распознавания товаров. В каких-то торговых точках полка может быть недостаточно освещена, могут быть блики, например, если товар размещен в холодильнике, нестандартные формы полок (наклонные, закругленные) тоже влияют на качество распознавания.

4. Как строится ценообразование? От чего зависит конечная цена внедрения? Есть ли здесь какие-то переменные (например, количество загружаемых фотографий) или нет? Потребуются ли дополнительные расходы в процессе внедрения?

Цена внедрения зависит от выбранного принципа и архитектуры решения.

Как правило, на рынке подобные решения предоставляются по подписке (SaaS) и цена ежемесячного платежа рассчитывается в зависимости от количества обработанных изображений.

5. Чем ваше решение отличается от других представленных на рынке? Что вы считаете своим конкурентным преимуществом?

Основное отличие нашего решения — это не традиционное ПО, а сервис, который встраивается в цифровые платформы клиента, учетные системы, прочие ПО клиента, например, уже существующие у заказчика приложения для мерчандайзеров. Такой подход связан с запросами на интегрируемые решения и трендом на развитие собственных платформ с микросервисной архитектурой в рамках проектов цифровой трансформации бизнеса.

6. Насколько часто случаются ошибки распознавания? Как они отслеживаются и исправляются в процессе работы?

Ошибки распознавания случаются, т. к. нет моделей, которые бы работали со 100% точностью. Например, системы, которые выдают точность 95-98% — это очень хороший результат. В процессе работы, происходит накопление новых изображений и качество распознавания может улучшаться дообучением модели на новых изображениях. Как правило, дообучение включается в стоимость подписки.

7. Расскажите об удачных кейсах внедрения. Необязательно называть бренды, перечислите по каким показателям и каких результатов удалось добиться.

Контролировать можно не только выкладку товаров на полках, но и выкладку кулинарной продукции. Решение было реализовано для федерального ритейлера. Чтобы исключить человеческий фактор и автоматизировать процесс, ритейлер решил использовать технологию компьютерного зрения для контроля выкладки. Ядром системы стала нейросеть, созданная специалистами Datanomics. Сервис использует камеры ритейлера, установленные для контроля выкладки и распознает степень наполнения лотков с кулинарной продукцией с точностью не менее 93%, и, в случае нарушения качества накрытия продолжительностью более 30 минут, автоматически отправляет ответственным сотрудникам сообщение на электронную почту или мессенджер. Письмо содержит информацию о номере пустого лотка, продолжительности отсутствия товара, наименование товара и ссылку на фотографию. Сервис также накапливает исторические данные о качестве выкладки и имеет систему отчетности для дальнейшего анализа.

8. На что компании могут рассчитывать по итогам внедрения (какие показатели можно улучшить)? А чего ждать не стоит?

Прежде всего, контроль качества выкладки и наличия товара на полках повышает лояльность покупателей и привлекает новых. Например, исследование IHL Group подтвердило, что североамериканское подразделение сети Amazon получило 20% дохода за счет покупателей, которые не нашли нужные товары в местном магазине и пришли за ними к бренду.

Кроме того, стоит отметить следующие преимущества:

• увеличение объема продаж благодаря повышению представленности товаров на полке;
• сокращение времени, затраченного на контроль выкладки товара в сравнении с ручной проверкой;
• уменьшение процента ошибок в подсчёте SKU;
• удобный и адаптивный интерфейс для отчётов;
• возможность получать актуальную информацию о состоянии полок;
• сокращение расходов на персонал.

Чтобы результат соответствовал ожиданиям, при внедрении подобных с систем важно не забывать об ограничениях технологии компьютерного зрения и не переоценивать возможности решения.

С полной версией статьи можно ознакомиться на портале.