В задачи компьютерного зрения в том числе входят обнаружение объектов в реальном времени, сегментация и классификация, которые могут помочь на разных этапах производственного процесса. И с развитием облачных технологий, виртуализации вычислений и прикладных областей развитие компьютерного зрения получило новый импульс. Так, например, ожидается, что объем рынка компьютерного зрения достигнет 25,8 млрд долларов США в 2024 году, при этом размер рынка будет демонстрировать ежегодный темп роста на уровне 10,5%, в результате чего объем рынка составит 46,96 млрд долларов США к 2030 году.

Как отметил Ерманов, несмотря на популярность технологии Computer Vision до сих пор производители задействуют ручное управление запасами, которое весьма осложняет процесс сбора, обработки и хранения данных.

Почему ручное управление запасами предстает весьма трудоемким процессом? Даулет Ерманов отметил, что во-первых, ручная система неэффективна, поскольку вынуждает сотрудников тратить значительное время на повторяющиеся задачи. Согласно данному методу управления запасами, первоначально мерчандайзер проводит аудит торговой точки: сверяет выкладку с планограммой, поправляет расположение SKU, POS-материалы, ценники. Далее он фотографирует и отправляет снимок супервайзеру, после чего проверяет остатки на складах, заполняет отчет по торговой точке и направляется в следующую. Зачастую мерчендайзеры осуществляют работу над несколькими подобными точками в день.

Во-вторых, в данной системе все основано на ручном вводе, поэтому вероятность человеческой ошибки выше. Эта проблема еще больше усугубляется, если бизнес имеет дело с несколькими каналами продаж, поскольку у каждого канала, вероятно, будет своя система отслеживания запасов. Таким образом, если сотрудник допустит ошибку при вводе данных в одну систему, это может вызвать проблемы и в других системах. При этом даже небольшие ошибки неизбежно приводят к неточным уровням запасов, что может повлечь за собой дефицит товаров и потери продаж. Когда данные о запасах представлены неточно, это вызывает эффект домино неэффективности всего бизнеса, в результате чего производитель вынужден нести большие убытки.

В-третьих, система ручного управления способна привести к появлению множества лазеек в системе безопасности, что резко повышает потенциальные риски утечки данных.

Таким образом, ручное управление товарными запасами не предстает эффективной системой в долгосрочной перспективе. Автоматизация соответствующих задач посредством внедрения технологии Computer Vision способна снизить количество человеческих ошибок. Ерманов выделил несколько преимуществ компьютерного зрения:

• Экономия средств. Избежав ситуации затоваривания, производители смогут сэкономить на расходах, связанных с хранением избыточных запасов, таких как высокая плата за складские услуги и риск того, что продукция устареет. С другой стороны, минимизация складских запасов помогает предотвратить дорогостоящие задержки в производстве и упущенные продажи, когда запасы заканчиваются.

• Повышение операционной эффективности. Автоматизированные системы управления товарными запасами оптимизируют процессы пополнения запасов, снижая необходимость ручного вмешательства. Это повышает общую операционную эффективность и позволяет персоналу сосредоточиться на более стратегических задачах.

• Точность. Принятие решений на основе компьютерного зрения позволяет производителям достигать более высокого уровня точности в пределах принятого допуска. Так, качество распознавания объектов при использовании компьютерного зрения повышается до 98%, а вероятность совершения ошибок в управлении товарными запасами значительно сокращается.

• Улучшение отношений с поставщиками. Точные данные о запасах позволяют производителям более эффективно управлять отношениями с поставщиками, обеспечивая своевременные поставки и поддерживая надежную цепочку поставок.

• Ускорение процесса управления товарными запасами. Например, на 60% быстрее выполняется полный аудит торговой точки: проверка выкладки, анализ ассортимента. Одновременно на 70% меньше времени уходит на составление отчетности в магазине.

По мнению Даулета, о перспективности использования компьютерного зрения свидетельствует внедрение данной технологии в рабочий процесс таких транснациональных компаний, как Google, Facebook, Microsoft, Amazon, NVIDIA и др. В России ключевые позиции на рынке занимают Яндекс, VisionLabs, Mail.ru Group, ABBYY и др.

В настоящее время Computer Vision применяется в самых разных областях, таких как производство автомобилей, фармацевтика, системы «Умный город» и «Умный дом», кибербезопасность, управление товарными запасами.

Самые крупные стенды с компьютерным зрением принадлежат автомобильной промышленности. В конце концов, технологии беспилотных и полуавтономных автомобилей работают, во многом, благодаря компьютерному зрению. Например, продукты компании NVIDIA используются во многих беспилотных автомобилях. Так, суперкомпьютер NVIDIA Drive PX 2 уже служит базовой платформой для беспилотников Tesla, Volvo, Audi, BMW и Mercedes-Benz.

Ерманов привел следующие примеры использования компьютерного зрения для управления товарными запасами. Так, мировой лидер в производстве удобных продуктов питания и напитков PepsiCo внедрил передовую технологию машинного зрения от стартапа KoiReader Technologies, партнера NVIDIA Metropolis, для повышения эффективности и точности процесса дистрибуции. Компания PepsiCo определила технологию KoiReader как решение, обеспечивающее более эффективное считывание складских этикеток. Эта инновация на базе искусственного интеллекта помогает считывать складские этикетки и штрих-коды в быстро меняющихся средах, где этикетки могут быть любого размера, под любым углом или даже частично закрыты или повреждены. Также изучается возможность оказания помощи работникам склада при сканировании паллет с газировкой и снеками.

Также компьютерное зрение использует Nestle. Компания внедрила умные полки под названием Nestle’s Smart Shelf. В некоторых магазинах на полки устанавливаются датчики и камеры, видео с которых обрабатывает компьютерное зрение. Такая система помогает отслеживать уровень запасов и анализировать поведение покупателей возле полок. Когда количество товара на полке остается ниже определенного уровня, система автоматически отправляет уведомление в магазин, чтобы его сотрудники дозаказали нужное количество товара или донесли со склада на полку. Такой подход помогает снизить количество ситуаций out-of-stock и повысить удовлетворенность покупателей и, соответственно, продажи.

И всё же стоит заметить, что внедрение компьютерного зрения для управления запасами имеет свою специфику. Зачастую над этим работают небольшие команды, которые могут сталкиваться с вызовами, некоторые из которых назвал Даулет Ерманов:

1. Для обучения алгоритма каждая фотография проходит маркировку вручную, что весьма времязатратно. Разметка в компьютерном зрении одной SKU (единицы складского учета) требует отбора специалистом тысячи фотографий. Если данные обширны, работа может затянуться на полгода и дольше. Качество разметки при этом подходе обычно самое высокое.

Для ускорения процесса разметки небольшая команда зачастую обращается к аутсорсингу. Например, джуны могут выполнять несложные конкретные задачи, которые перед ними ставит старший специалист, в результате чего процесс разметки заметно ускоряется.

Более того, существуют специальные автоматизированные платформы для разметки данных. Приложения являются важнейшим элементом систем компьютерного зрения, с их помощью графические файлы можно разметить для классификации и сегментации изображений, обнаружения и отслеживания объектов. Стоит заметить, что в последнее время наблюдается серьезный рост опенсорсных решений, поэтому множество сервисов позволяют выполнять аннотирование совершенно бесплатно. Примерами подобных софтов для разметки данных могут послужить CVA, VIA, Scale и др.

Также существуют предобученные  модели для автоматической маркировки. Наиболее часто используемой моделью глубокого обучения является модель искусственной нейронной сети, называемая сверточной нейронной сетью. Наиболее успешными моделями, используемыми для обнаружения, классификации и анализа изображений, являются AlexNet, ResNets, EfficientNets, YOLO, R-CNN, LambdaNetworks, VGG. Так, например, ручная разметка одного изображения может занять от 2 до 19 минут, а на разметку всего датасета могут уйти месяцы. В случае использования автоматической разметки специалисту зачастую необходимо только проверить точность контуров и внести необходимые изменения, что значительно сократит время подготовки датасета. Однако надо учитывать, что нейросети не всегда обеспечивают точную разметку и могут допускать даже очень простые ошибки, которые человек бы не допустил.

2. Задачи компьютерного зрения, такие как обработка изображений, обнаружение объектов и семантическая сегментация, часто требуют значительных вычислительных ресурсов. Традиционные процессоры могут с трудом удовлетворять требованиям этих алгоритмов к обработке данных в реальном времени. Аппаратное ускорение решает эти проблемы, перегружая серьезные задачи на специализированное оборудование, тем самым максимально повышая производительность, сокращая задержки и оптимизируя энергоэффективность. Однако соответствующее техническое оснащение является весьма дорогостоящим.

Для снижения затрат на оборудование и мощности для обработки данных следует использовать облачные сервисы, такие как Google Cloud, AWS и др. Облачную инфраструктуру легко масштабировать под задачи команды, именно поэтому облачные сервисы могут быть выгоднее традиционных серверов и собственной инфраструктуры.

И всё же работа над внедрением компьютерного зрения в небольшой команде имеет и преимущества. Так, например, специалисты могут принимать решения в разы быстрее, не тратя время на согласование своих разработок с другими коллег. В результате чего само тестирование технологии протекает быстрее.

В заключении Ерманов ответил на вопрос о том, с чего стоит начинать небольшим командам, желающим внедрить компьютерное зрение и пояснил, что для небольших команд важно начать с определения конкретных задач, которые нужно автоматизировать с помощью компьютерного зрения, а также использовать доступные инструменты и готовые решения для экономии времени и ресурсов.

• Начинайте с пилотного проекта. Вместо внедрения системы в больших масштабах с самого начала, полезно реализовать небольшой пилотный проект для проверки гипотез. Например, можно начать с автоматизации отслеживания одной SKU или одной части цепочки поставок. Это поможет увидеть, насколько система эффективна, и выявить возможные проблемы до масштабного внедрения.

• Определите конкретные задачи. Прежде чем приступать к внедрению, важно четко определить, какие задачи будет решать компьютерное зрение в управлении запасами. Например, это может быть автоматизация контроля качества продукции, отслеживание уровня запасов или оптимизация процессов хранения.

• Выберите доступные инструменты. Можно использовать предобученные модели и автоматические инструменты разметки данных, чтобы сэкономить время внедрения. Маленьким командам стоит обратить внимание на доступные и проверенные open-source библиотеки, такие как OpenCV, YOLO, TensorFlow и другие, которые позволяют реализовать многие функции без необходимости разрабатывать сложные алгоритмы с нуля. Также можно рассмотреть готовые облачные решения (Google Cloud Vision API, AWS Rekognition), которые снижают нагрузку на вычислительные мощности.

• Минимизируйте разметку данных. Разметка данных — одна из самых трудоемких частей процесса. На первых этапах можно использовать автоматические инструменты разметки, а также привлекать внешних специалистов для выполнения этой работы. Это сократит время подготовки датасета и повысит качество модели.

Все вышесказанное, по мнению эксперта Даулета Ерманова, демонстрирует то, что Computer Vision, без сомнений, предстает эффективнейшей технологией для управления товарными запасами. В конкурентной борьбе за лидирующие позиции на рынке, предприятия постоянно находятся в поиске новых технологических новинок и способов оптимизации производственных процессов. Инструменты компьютерного зрения способствуют повышению уровня качества осуществляемых операций. Так, предоставляя более точные данные, повышая операционную эффективность и экономя средства, CV в разы превосходит систему ручного управления запасами. Однако для грамотно выстроенной работы необходима команда специалистов, которые будут осуществлять агрегацию данных на базе технологии Computer Vision.