Умные весы: как нейросеть экономит магазину продуктов у дома 52 000 рублей в месяц
Клиент Федеральная торговая сеть. Подробности — под NDA.
Ситуация: При ручном взвешивании может возникнуть очередь В продуктовом магазине у дома ~ 300 товаров, которые нужно взвешивать. Когда это делают покупатели, возникает очередь, так как им нужно запомнить и ввести названия или номера товаров. Когда взвешивает кассир, он тратит до двух секунд на поиск ходового товара и до 30 секунд на поиск непопулярного.
Проблема: Очередь — повод отказаться от покупки, но дополнительные кассиры обходятся дорого
40% покупателей готовы отказаться от товара, если очередь на весах или кассе кажется им длинной.
Если очередь дольше шести минут, покупатель готов отказаться от повторного визита в магазин.
Чтобы повысить скорость, нужно больше кассиров. Больше кассиров — больше затрат.
Принцип работы: покупатель или кассир кладет товар на платформу, а система показывает три продукта, которые по её «мнению» лежат на весах. Наиболее вероятный товар — вверху, менее вероятный — внизу. Чтобы сократить количество ошибок и обучить нейросеть, конечный выбор делает покупатель или кассир.
Решение: умные весы, которые распознают весовой товар Очереди возникают, в том числе, из-за долгого поиска нужного товара на весах. Мы подготовили прототип системы, которая автоматически распознает весовые товары за секунду.
В результате
Быстрее на 7 секунд Раньше на поиск товара уходило в среднем 8 секунд, теперь нейросеть распознает его за секунду. Скорость определения редких товаров или продуктов со сложными названиями увеличилась в 15−30 раз.
Снизилась вероятность мошенничества и ошибки Когда человек выбирает весовой товар на кассе самообслуживания, он может выбрать дешевый аналог. Когда взвешивает кассир, он ошибается в 2−8% случаев. Система снижает вероятность мошенничества и ошибок.
Сократились очереди на кассах, весах и терминалах самообслуживания Мы подсчитали, что магазин с пятью кассами экономит 4−7 часов в день.
Если сравнить экономию с выходом дополнительного кассира или контроллера, который отсматривает покупки на кассах самообслуживания, то получим 52 500 в месяц
При таких показателях инвестиций в систему окупаются за 4−5 месяцев.
Точность распознавания товаров Чем больше данных, тем точнее система распознает товар. Система показала высокую точность при объеме от 200 фотографий каждого класса товара.
Минимальная точность выросла в 10 раз Средняя точность — в 30% При датасете в 300+ фото точность выросла еще больше
Процесс
Прототип Первоначально мы установили систему в двух магазинах, чтобы определить нужную модель процессора, тип камеры и положение камер. Далее интегрировали разработку с кассами магазина и обучили систему распознавать фрукты и овощи.
Пилот Установили систему в семи магазинах, чтобы проверить сможет ли она окупиться и точно определять товары на больших объемах. По итогу для 200 товарных позиций мы получили по 160 фото. Средняя точность попадания в подборку из трех товаров составила 94%.
Перспективы развертывания Торговая сеть решила установить «Умные весы» в 100 магазинах. Служба безопасности магазина также заинтересовались разработкой, поскольку нейросеть помогает бороться с недобросовестными покупателями, которые берут дорогой весовой товар, но на кассе самообслуживания выбирают дешевый аналог.
Технические нюансы Вычислительный сервер находится в магазине. Это нужно, чтобы защитить данные и ускорить систему. С внешнего сервера приходят только обновления.
Системе не нужно интернет, достаточно подключаться к сети один раз в день, чтобы получить обновление.
Разработка систем для бизнеса на основе искуственного интеллекта
От анализа данных до внедрения AI-решений. Максимальная точность, оптимизация и поддержка
Прочие ресурсы Также понадобился сервер, работа нашей команды и монтаж системы.
Вычислительный модуль Мы выбирали из четырех вариантов — Raspberry PI3, Nvidia Jetson TX2, Nvidia Jetson Xavier, Nvidia Jetson Nano. В итоге остановились на Nvidia Jetson TX2, потому что его производительности достаточно для работы на 3−5 кассах.
Камеры Тестировали IP, WEB и камеру для компьютерного зрения. По итогам выбрали IP-камеру, потому что её может установить любой монтажник.
Выводы
Чем больше фото — тем меньше ошибок. Но некоторые товары покупают редко, поэтому датасет приходится собирать вручную.
Система может ошибаться с похожими продуктами. Например, яблоки «Гренни смит» и «Ренет» внешне похожи. Это решалось с помощью вывода на экран трех вероятных позиций, из которых кассир или покупатель выбирал нужную.
Сроки
Старт 31 марта 2019
Запуск прототипа 31 мая 2019
Завершение проекта 1 сентября 2019
Место Пилот развернут в федеральной сети магазинов в Москве.