Компьютерное зрение: направления и сферы применения

Крупнейшие ретейлеры разрабатывают проекты, в рамках которых на основе видеоаналитики с применением Big Data можно сформировать портрет потребителя и сделать клиенту персонифицированное предложение.

В момент посещения магазина покупателя идентифицируют, и при согласии на получение персонального предложения его будут уведомлять об индивидуальных скидках или бонусах. Это должно повысить уровень лояльности и качество скидок для клиента.

Например, один из крупных российских ретейлеров с помощью видеоаналитики и тепловых карт планирует оценивать самые выгодные места в магазинах с точки зрения выкладки товара и размещения рекламы о продуктах, чтобы повысить уровень комфорта для покупателей и средний чек покупки.

Данная технология широко применима и в банковском скоринге, и в индустрии красоты и косметики, при оценке эмоционального состояния покупателя.

Аналитики TechNavio Analysis ожидают, что в ближайшие годы среднегодовые темпы роста мирового рынка IP-видеонаблюдения превысят 20%, причем сегмент услуг видеонаблюдения и видеоаналитики будет развиваться опережающими темпами.

IR (image recognition)

Направление, которое сейчас активно развивается в ретейле. Еще в 2014 г. компании Coca-Cola и Trax заявили о начале применения в России технологии распознавания товара на полке при помощи компьютерного зрения. С помощью решения, встроенного в SFA (Sales Force Automation System) — приложение для мерчандайзеров и торговых представителей, в режиме реального времени можно измерить такие показатели, как доля полки (своя и конкурентов), сопоставить планограмму, оценить качество выкладки и определить уровень OSA (On Shelf Availability). Данные агрегировали по всей сети дистрибуции, в качестве сформированного отчета в течение нескольких минут они были доступны для анализа ситуации в сети продаж.

В 2016 г. сразу несколько российских компаний заявили о разработках в области IR. В частности, компания Intelligence Retail (резидент Сколково) подписала соглашение о пилоте с компанией Danone в области распознавания.

Применение данной технологии позволит как минимум на 40% сократить время визита торгового персонала в места продаж, повысит уровень OSA на 15% и более, а значит, поможет нарастить товарооборот на 3–5 процентных пунктов.

Целевая модель распознавания товара на полке — это работа со стационарной видеокамеры.

В течение дня в определенное время полку фотографируют, а затем сопоставляют полученные данные с планограммой, при обнаружении отклонений на компьютер директора приходит уведомление (alert), что позволяет оперативно обновлять полку и следить за наличием товара.

У решения есть неоспоримые плюсы: оперативный контроль, получение данных в режиме реального времени, снижение злоупотреблений со стороны персонала и повышение эффективности использования полочного пространства, не говоря уже о довольных покупателях, которые всегда находят любимый товар.

Однако пока внедрение решения осложняется высокими капитальными затратами на установку оборудования (видеокамер), к тому же необходимо будет изменить некоторые внутренние бизнес-процессы магазина. Есть проблема и в обучении нейронных сетей. В среднестатистической сети порядка 40 000 наименований товара. Для того чтобы обучить сеть, потребуется порядка 400 изображений (можно взять изображение полки) на одно наименование, что, конечно, влечет колоссальные затраты и с точки зрения ресурсов, и с точки зрения трудоемкости сбора материала.

Технология станет максимально доступной, когда нейронная сеть сможет самостоятельно генерировать изображения для обучения самой себя. Для этих целей сейчас активно развивается метод так называемых противоборствующих сетей (существует сеть, генерирующая изображения, и сеть-дискриминатор, по разнице мнений которых можно выявить недостатки в обучении и дообучить генерирующую сеть до возможного максимума) или появятся фотобанки для обучения сетей с возможностью «шеринга» изображений между компаниями — производителями данной технологии.

По оценкам экспертов, потенциальный рынок данной технологии в России составляет порядка 5 млрд долларов.

AR/VR (Augmented reality/Virtual reality) 

Большой потенциал среди частных пользователей и крупного бизнеса имеют технологии AR/VR (Augmented reality / Virtual reality) — дополненной реальности. Помимо индустрии развлечений, где эти технологии традиционно пользуются повышенным спросом, в гонку за потребителя включаются торговые центры, строительные компании, дизайнерские студии, сети магазинов по продаже предметов интерьера и одежды.

Вот несколько примеров: виртуальный консультант в торговом зале; виртуальная примерочная (компания «Декатлон» уже запустила пилот со стартапом TRY.FIT); индивидуальная навигация в магазине; персональный дизайн квартиры («Леруа Мерлен Квартира» планирует активно использовать технологии AR для консультации клиентов и презентации интерьерных решений) и др. Мы перечислили только то, что сейчас активно пилотируется и в ближайшее время будет внедряться на рынке.

OCR (optical character recognition)

Наверное, направление OCR (optical character recognition) одним из первых заявило о себе. Эта технология позволяет преобразовывать различные типы документов (отсканированные документы, PDF-файлы или фото с цифровой камеры) в редактируемые форматы с возможностью поиска и распознавания любого формата текста, в том числе рукописного.

Достаточно широкий диапазон применения позволил OCR активно развиваться. Сегодня крупные компании, например ABBYY, запустили сервис по распознаванию документов с помощью мобильного приложения, а Google сделал открытый API для разработчиков приложений по распознаванию знаков и надписей.

С помощью данной технологии создают цифровые архивы, переводят бумажные носители в цифровые, включая бухгалтерские и финансовые документы, ищут документы в Сети — при этом нужно только сделать фото требуемого заголовка или автора. В ретейле эту технологию используют для распознавания ценников и повышения качества работы с полкой.

Большую популярность среди пользователей приобрели программы для распознавания рукописного текста, которые позволяют любые записи или формы регистрации автоматически конвертировать в цифровой текст с его дальнейшим использованием. Сложно решаемой задачей пока видится расшифровка непрерывного рукописного текста, однако спрос на данную технологию так низок, что в ближайшие несколько лет затраты на ее разработку не окупятся.

Заключение

Компьютерное зрение сейчас активно используют в робототехнике, в беспилотных автомобилях, в диагностике и телемедицине, в распознавании онкозаболеваний, при построении 3D-моделей производственных площадок, с его помощью тестируют биометрические способы оплаты во многих странах мира. В России сеть магазинов «Азбука Вкуса» тестирует проект оплаты покупок по отпечатку пальца. Специализирующаяся на системах компьютерного зрения и машинного обучения компания VisionLabs, резидент ИТ-кластера Фонда «Сколково», и «РТЛабс», дочернее предприятие «Ростелекома», объявили о стратегическом партнерстве и начале разработки инновационного биометрического решения «Безбумажный банк». И это только немногие примеры, которые выявляют лишь небольшую часть от общих возможностей применения CV.

Понятно, что компании при разработке и внедрении новых решений сталкиваются с определенными сложностями. Прежде всего это нехватка квалифицированного персонала (например, специалисты data science одни из самых востребованных и дорогих на сегодняшний день), неготовность бизнеса внедрять новые технологии (риск потери инвестиций, нет очевидных value для бизнеса), высокая стоимость оборудования (видеокамеры с блоком распознавания, оборудование для AR), сложный ИТ-ландшафт компаний.