Computer Vision עוזר לבצע אוטומציה של משימות מפתח רבות בחנות, אך כדי שזה יעבוד, עליך לתעדף דיוק גבוה של זיהוי תמונה בתור קו הבידול הראשון.
בשוק הקמעונאי המהיר וההיפר-תחרותי של היום, לרוב היצרנים והקמעונאים אין נראות מדויקת ובזמן של המדף או תובנות מעשיות על המציאות הקמעונאית שלהם. ביקורות ידניות של אנשי מכירות המתעדות את תנאי המדף במכשיר כף יד הן איטיות, יקרות, לא עקביות ומביאות לנתונים סובייקטיביים.
פתרונות Computer Vision (CV) משנים את האופן שבו מותגים וקמעונאים רואים את המדפים. טכנולוגיה זו מספקת ליצרנים תובנות לגבי התנאים על המדף הקמעונאי בצורה של תמונה דיגיטלית ונותנת הדרכה לאנשי שטח כמעט בזמן אמת כיצד להניב ערך רב יותר.
אבל כדי שזה יעבוד, עליך לתעדף דיוק גבוה של זיהוי תמונה בתור קו הבידול הראשון. במאמר זה, נלך אל מאחורי הקלעים כדי לראות מה נדרש כדי לספק זיהוי מדויק ברמת מק"ט במהירות ובקנה מידה.
למה דיוק חשוב
בחנות מכולת טיפוסית, יכולים להיות יותר מ-30,000 מק"טים ובממוצע 30% מהם יכולים להשתנות במהלך השנה עם כניסות מוצרים חדשים ועיצוב מחדש של האריזה. בנוסף להתמודדות עם כמות המוצרים העצומה, פלטפורמת זיהוי אוטומטי חייבת גם להתגבר על מכשולים אחרים לדיוק בסביבת הקמעונאות כגון:
- מוצרים כמעט זהים
- אריזה לא ברורה ומשקפת, וזוויות גרועות
- תנאי ראייה גרועים כמו תאורה חלשה
- מוצרים חסומים חלקית
- שינויים במחזור החיים של המוצר כמו גרסאות עיצוב חדשות
התעלמות מאלה עלולה לגרום לנתונים לא מדויקים - לדוגמה, חישוב שגוי של חלקו של המותג במדף עקב מוצרים חסומים חלקית. כאשר נעשה שימוש בנתונים לא אמינים אלה כדי להניע החלטות מכירה, ההפסדים הכספיים יכולים לעלות במהירות עם הזמן.
גישה בעלת ארבע נקודות לאכיפת דיוק
ב-Trax, מכשולים אלו מתגברים באמצעות גישת אכיפת איכות נתונים קפדנית הבנויה על האמצעים הבאים:
- מאגר נתוני אימון ענק
Computer Vision משתמש ברשתות עצביות מתקדמות ובטכניקות למידה עמוקה עבור משימות כגון זיהוי אובייקטים. הוא מעוצב על פי קליפת הראייה האנושית, מה שאומר שבדומה למוח האנושי, ככל שאתה רואה יותר, אתה לומד טוב יותר.
עם מאגר תמונות גדול מספיק, אלגוריתמי למידה עמוקה מתקדמים מתגברים על אתגרים בתנאי חנות כמו תאורה לקויה וחסימות. המערכות המדויקות ביותר הן אלו שחשות את הקשר המדף ומזהות לא רק מוצרים, אלא גם חללים ריקים על המדפים במהירות.
- תמונות באיכות גבוהה
במהלך הלכידה, כלי למניעת טשטוש מבטיח שהתמונה המופקת תהיה חדה, בעוד שכלי צילום מתריע למשתמש אם הכיוון שונה מתמונה קודמת. כדי לפצות על מחסור באור, פלאש המצלמה מופעל אוטומטית, וכלי הרמה מובנה עוזר להתריע בפני המשתמש לכוון את המכשירים שלו בזווית ובמרחק המושלמים מהמדף.
- אימות רב-שכבתי
מנוע למידה פעיל מבטיח שמוצרים מזוהים אוטומטית מתמונות. דוגמאות תמונה שבהן קשה יותר לזהות או להבחין במוצרים עוברות שכבה נוספת של אימות בתהליך המכונה הצבעה. כאן מומחי דומיינים מוסמכים מאמתים את הנתונים שנאספים כדי לבדוק אם הם תואמים במדויק למה שבאמת בתמונה. המשמעות היא שהמערכת תמיד מבססת רמות גבוהות במיוחד של 'ביטחון' בדייקנות הזיהוי שלה, גם במקרה של מוצרים זהים או עיצובים חדשים.
- מדידת דיוק זיהוי
דיוק הוא הליבה של מערכות למידה עמוקה מתקדמות. המשמעות היא שאלגוריתמים מחזירים הרבה יותר תוצאות רלוונטיות מאלה לא רלוונטיות. יחד עם זאת, עליו להחזיר את רוב התוצאות הרלוונטיות. נניח שיש 100 מוצרים על מדף. אלגוריתם עשוי לזהות 80 מהם, מתוכם 77 מזוהים במדויק. המשמעות היא שדיוק ההכרה הוא 96%.
Trax מבטיחה שקיפות נתונים על ידי מתן למשתמשים לוחות מחוונים באינטרנט המתארים את הדיוק של ביצועי הזיהוי, הביטחון, מוצרים לא מזוהים ומדדים אחרים.
בדוק את הסרטון הזה של פלטפורמת Trax Computer Vision בפעולה כדי לראות כיצד אנו ממירים תמונות לתובנה בצורה מדויקת.
