Умные весы: как нейросеть экономит магазину продуктов у дома 52 000 рублей в месяц
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.
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.
Клиент
Федеральная торговая сеть. Подробности — под NDA.
Федеральная торговая сеть. Подробности — под NDA.
Проблема:
Очередь — повод отказаться от покупки, но дополнительные кассиры обходятся дорого
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.
Очереди возникают, в том числе, из-за долгого поиска нужного товара на весах. Мы подготовили прототип системы, которая автоматически распознает весовые товары за секунду.
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.
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.
В результате
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.
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.
При таких показателях инвестиций в систему окупаются за 4−5 месяцев.
Сократились очереди на кассах, весах и терминалах самообслуживания
Мы подсчитали, что магазин с пятью кассами экономит 4−7 часов в день.
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
Минимальная точность выросла в 10 раз
Средняя точность — в 30%
При датасете в 300+ фото точность выросла еще больше
Средняя точность — в 30%
При датасете в 300+ фото точность выросла еще больше
Точность распознавания товаров
Чем больше данных, тем точнее система распознает товар. Система показала высокую точность при объеме от 200 фотографий каждого класса товара.
Чем больше данных, тем точнее система распознает товар. Система показала высокую точность при объеме от 200 фотографий каждого класса товара.
100 фото
Минимальная точность — 0,05
Средняя точность — 0,59
Максимальная — 0,99
Минимальная точность — 0,05
Средняя точность — 0,59
Максимальная — 0,99
200 фото
Минимальная точность — 0,57
Средняя точность — 0,89
Максимальная — 1,0
Минимальная точность — 0,57
Средняя точность — 0,89
Максимальная — 1,0
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.
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.
Камеры
Тестировали IP, WEB и камеру для компьютерного зрения. По итогам выбрали IP-камеру, потому что её может установить любой монтажник.
Тестировали IP, WEB и камеру для компьютерного зрения. По итогам выбрали IP-камеру, потому что её может установить любой монтажник.
Оборудование и ресурсы
Прочие ресурсы
Также понадобился сервер, работа нашей команды и монтаж системы.
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.
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.
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
31 марта 2019
Запуск прототипа
31 мая 2019
31 мая 2019
Место
Пилот развернут в федеральной сети магазинов в Москве.
Пилот развернут в федеральной сети магазинов в Москве.
Завершение проекта
1 сентября 2019
1 сентября 2019