Новости

AI да ритейл: как Napoleon IT и SberCloud выпустили AI-сервис, позволяющий ритейлерам мониторить цены конкурентов и заполненность собственных полок

Накануне Napoleon IT, компания по разработке программного обеспечения, выпустила сервис на основе искусственного интеллекта Product Analyzer. Решение предназначено для распознавания товаров и их цен в российских продуктовых магазинах.

Но примечательно не столько то, что нейросети добрались до продуктового ритейла, сколько тот факт, что воспользоваться сервисом по модели freemium может каждый пользователь платформы ML Space.

Специально для блога Retail Tech разработчик сервиса и представитель маркетплейса готовых AI-моделей ответили на несколько вопросов о том, как сервис работает, какую пользу приносит и во сколько обойдется его использование желающим.

- Руслан, Вера, расскажите пожалуйста, как появилась идея подобного AI-сервиса?

Руслан Ахтямов, директор по стратегии и сооснователь Napoleon IT:

- Идея лежала на поверхности, поскольку, без сомнений, ритейл — одна из самых гибких и прогрессивных отраслей. Здесь искусственный интеллект — это не визионерский каприз, а реальное конкурентное преимущество на рынке. Сегодня AI в ритейле уже активно применяется, чтобы выбирать место для расположения торговой точки, разрабатывать товарную матрицу, управлять остатками и автозаказом, логистикой, ценами и спецпредложениями. Мониторинг цен и товарного ассортимента — это насущная необходимость каждого ритейлера, а раз есть такая бизнес-задача, то почему бы её не решить силами компьютерного зрения?

- Можете коротко объяснить, как работает Product Analyzer? 

Руслан Ахтямов: Попробую объяснить на пальцах. На старте мы взяли огромный датасет с изображениями из российских продуктовых ритейл-сетей с размеченными данными о типах продуктов на фото и их ценах. После обучения нейросети мы получили несколько моделей, которые позволяют последовательно распознать товары и ценники по изображениям. Алгоритм такой:

1.     Вы фотографируете полки с товарами так, чтобы были четко видны ценники и товары;
2.     Загружаете изображения через API в сервис, размещенный на платформе ML Space;
3.     Нейросеть на изображении находит условные координаты всех товаров и ценников;
4.     Модель распознавания текста вычленяет на области ценника цифры;
5.     Модель компьютерного зрения извлекает вектора признаков и сравнивает их значения с эталонными, которые были в «учебном» датасете. Если значение меньше порогового — модель относит изображение к определенному классу, например, признает в белом прямоугольнике тетрапак молока за 100 рублей;
6.     Данные возвращаются пользователю в виде JSON-кода, где зафиксированы положение товара на фото, соответствующий вектору признаков, и его цена.

- И как рядовой ритейлер может использовать эти данные?

Руслан Ахтямов: Основных сценариев два — мониторинг цен и контроль выкладки товаров.

В первом случае сервис полезен, потому что формирование цены на товарные позиции в крупном магазине всегда складывается из нескольких десятков переменных. Затраты на закупку, логистику, выплату налогов, а также маржа, эластичность спроса, стоимость аналогов в других торговых сетях… Чтобы их отслеживать и устанавливать конкурентные цены, используется ценовой мониторинг. Это система, которая по фотографии распознает товары на полках, их объем и цены, а затем агрегирует их стоимость у разных ритейлеров. Фото стеллажей в магазинах-конкурентах делают специальные сотрудники — мониторщики.

Во втором случае сервис может помочь избежать оттока покупателей, который часто возникает из-за несвоевременной выкладки товара. Для проверки уровня заполненности полки в магазине необходимо ее сфотографировать. Далее отправить на сервис, в ответ получить все координаты товаров, на основе которых определяется, сколько пространства на полках заполнено. Это поможет вовремя просигнализировать о том, что пора сделать новую выкладку или сформировать заявку на закупку недостающих позиций.

- Поговорим о технической стороне вопроса: как можно подключиться к сервису?

Вера Шибаева, продуктовый менеджер SberCloud ML Space: Вообще сегодня Product Analyzer предоставляется по модели freemium всем, кто подключен к платформе ML Space. В течение первого месяца плата за использование моделей не взимается, но действует ограничение на товары с ценником до 1000. После сервис блокирует возможность распознавания до заключения лицензионного договора с разработчиком на полную версию, но, чтобы оценить возможности Product Analyzer, этого вполне достаточно.

При этом использование серверных мощностей SberCloud оплачивается отдельно, поскольку весь биллинг на нашей платформе ведется по схеме Pay-as-you-go, никакого подвоха здесь нет и платить за подключение к ML Space вам не придется. Что касается использование сервиса внутри платформы — здесь тоже все достаточно прозрачно: вы платите только за обращение к сервису.

- А сколько это стоит и как формируется цена?

Вера Шибаева: Если мы говорим про использование в течение первого месяца, вы платите за то, сколько времени суперкомпьютер будет обрабатывать вашу задачу. Хорошая новость в том, что они очень быстрые, а одна секунда их времени стоит 0,05 руб. с НДС. Минимальные рамки распознавания — 1 изображение за 0,7 секунды. Получается, если вы сфотографировали на бабушкину «Мотороллу» полку с газировкой и отправили фото на обработку, система выдаст вам все товарные позиции, что найдет, укажет цену и спишет с баланса в личном кабинете примерно 25 копеек. Согласитесь, даже в масштабах гипермаркета, это все еще дешевле и быстрее, чем мониторинг «вручную».

Если мы говорим про дальнейшее использование полноценной версии сервиса, к стоимости времени обработки добавится стоимость распознавания 1 рубль за одно фото в формате «один товар-один ценник».

Мы считаем, что такая ценовая политика позволяет ритейлу разумно инвестировать в решения, так как в итоге вы используете готовый сервис, а не начинаете ML-разработку продукта с интересующими вас функциями с нуля.

Мы именно потому и создали маркетплейсы AI Services и DataHub на платформе ML Space: они позволяют сторонним авторам из разных индустрий публиковать и продавать разработанные ими ML-артефакты и AI-сервисы. Если раньше AI могли себе позволить только компании с собственной инфраструктурой, отделом разработки и дата-сайентистами, то благодаря ML Space и таким разработчикам, как Napoleon IT, этот порог снижается.

- Кстати, о пороге: насколько ваши продукты доступны для использования людьми без технического и айтишного бэкграунда?

Вера Шибаева: Не буду лукавить, в случае с Product Analyzer вообще без знания азов IT не обойтись, но если вы категорийный менеджер в продуктовом ритейле, работаете в мерчендайзинге или закупках, думаю, использование сервиса будет вам по плечу.