SMART business совместно с Microsoft обучили нейросеть распознавать неправильную выкладку товара

Искусственный интеллект может и должен решать бизнес-задачи. Для крупного украинского производителя конфет компания SMART business разработала нейронную сеть, которая по фото распознает неправильную выкладку товара в супермаркете. Эта информация может быть использована маркетологами и мерчандайзерами брендов для тестирования маркетинговых гипотез и контроля полки в розничных точках

Если вы хоть однажды произносили «Оk, Google» или «Привет, Siri», то вы уже имели дело с нейронными сетями. На основе этого метода обучения искусственного интеллекта работают приложения Snapchat и Shazam, формируются рекомендации на YouТube, а японские роботы учатся решать простые задачки. Но сфера применений нейросетей этим не ограничивается — они уже используются в медицине, авионике, разведке и, конечно, в бизнесе.

Так, украинская компания SMART business на основе технологий Microsoft разработала нейронную сеть, которая упрощает работу мерчандайзеров и маркетологов. Менеджер по развитию бизнеса по направлению Advance Analytics компании SMART business Дмитрий Солопов рассказал Retailers.ua об использовании искусственного интеллекта и о том, как это поможет оптимизировать работу производителей и ритейлеров.

У каждого производителя товаров есть свои стандарты выкладки на полках. От правильности выкладки товаров зависят их продажи, и контроль этого процесса — важная бизнес-задача.

«Производитель хочет контролировать выкладку товара в магазинах — на какой полке, рядом с каким конкурентом и в каком количестве его продукция представлена в торговой точке, но в текущих условиях пройдет не один день и даже не неделя, прежде чем эта информация доберется до компании-производителя», — отмечает Дмитрий Солопов.

Специалисты SMART business попробовали решить эту задачу с помощью искусственного интеллекта для крупного украинского производителя кондитерских изделий, одного из лидеров рынка. SMART business предложила три метода обработки изображений компьютером, но в результате была выбрана технология Fast R-CNN CNN, способная распознавать объекты на изображении и классифицировать их.

«Производитель предоставил нам 800 фотографий полок со своими товарами, где часть из них выложены правильно, а другая часть — нет. С помощью технологии распознавания объектов мы определили полку, заполненную товаром, как объект. Машина запоминает, как должна выглядеть полка с товаром, и определяет, где выкладка товара правильная, а где установленные правила нарушены», — рассказал Дмитрий Солопов.

Как можно использовать эту технологию для решения бизнес-задач? Она может быть представлена в виде мобильного приложения, установленного на смартфоне мерчандайзера, либо в виде программы на компьютере в офисе компании-производителя, где в режиме реального времени выводится аналитика по точкам продаж, в которых находятся корректно или некорректно оформленные раскладки с продукцией. Также можно настроить уведомления, которые будут приходить в удобное для пользователя приложение в том случае, если видеокамера «засекла» некорректную раскладку в точке продажи.

Нейронная сеть обучалась неделю — этого времени достаточно для разработки базовой модели, которая в 70% случаев верно определяла неправильную выкладку товаров. По словам Дмитрия Солопова, этот показатель в дальнейшем увеличится: чем больше исходных данных для обучения нейросети, тем выше показатель точности. «Мы уже работаем над тем, чтобы нейронная сеть не только оповещала о наличии полки с неверной выкладкой, но и указывала, что конкретно нужно исправить — поменять местами или убрать», — рассказывает Дмитрий.

Сейчас за правильную выкладку товаров отвечают мерчандайзеры, но производитель все равно не может знать на все 100%, как обстоят дела с представлением его товара в каждом супермаркете страны. Так, по данным GT Partners, на 1 июля 2017 года в Украине работало 4300 супермаркетов. Применение технологии по распознаванию и анализу выкладки товара упростит процесс контроля выкладки производителем.

Насколько выгодно применение технологий машинного обучения? По мнению Дмитрия Солопова, все зависит от того, как часто производитель внедряет на свой рынок новые товары, ведь с каждой новинкой выкладка на полке будет меняться, и, следовательно, нейросеть нужно переучивать. Для обучения нейросети требуется около 1000 фото- и видеоматериалов одной учетной единицы под разными углами с разным освещением. После загрузки изображений следует разметка каждого изображения — определение, что изображено на каждом снимке. На обучение нейросети уходит определенное количество человеческих и технологических ресурсов, которое меняется в каждом конкретном случае.

Сейчас компания SMART business разрабатывает решение, которое сможет не только распознавать единицу товара, но и предоставлять соответствующую аналитику расположения продукта и его конкурентов. Эта информация будет полезна для сотрудников отдела маркетинга и мерчандайзинга — размещение товара на полке в магазине является ключевым параметром в работе как с клиентом, так и с поставщиком.

SMART business, как партнер Microsoft, инвестирует в проекты, которые помогают клиенту решить поставленные бизнес-задачи, а выкладка товара на полке в магазине — один из решающих факторов, который влияет на продажи. В дальнейшем SMART business и Microsoft планируют разрабатывать другие модели и алгоритмы для улучшения показателей работы машинного интеллекта и, соответственно, повышения продаж с используемых раскладок. 

Авторы: Дарья Янченко, Юлия Белинская