Под наблюдением ИИ
Компьютерное зрение — одно из направлений развития систем искусственного интеллекта. Эти технологии могут улучшить показатели эффективности в самых разных отраслях. Мы предлагаем рассмотреть примеры из трех отраслей, которые кардинально различаются процессами, бизнес-моделями и создаваемыми ценностями. Приведем несколько примеров того, как аналитика паттернов поведения на основе распознавания изображений помогает улучшить работу фермеров, тренеров и продавцов.
Александр Ефимов, руководитель направления аналитики SAS Россия/СНГ
Что нормально для свиньи?
Свиноводство принадлежит к числу наиболее популярных видов фермерской деятельности. Для качественного наблюдения и ухода за животными на фермах нужен персонал с соответствующей квалификацией. Но, во-первых, персонала часто не хватает, а во-вторых, в дело вступает человеческий фактор. Сотрудник может перепутать животных, что-то не учесть, не придать значения изменениям в поведении. Как результат, есть вероятность, что свинья заболеет, и ее состояние не будет обнаружено вовремя. Особенно это критично на больших свинофермах, где содержат и выращивают тысячи животных, и уследить за всеми весьма непросто.
Еще одна сложность заключается в организации взвешивания взрослых свиней. Регулярные взвешивания позволяют оценивать продуктивность процессов. Увидев, совпадают ли привесы с планом или есть отклонения, сотрудники фермы могут быстро выявить влияющие факторы и принять меры, если требуется.
Как может помочь в данной ситуации искусственный интеллект и, в частности, компьютерное зрение? Система дистанционного мониторинга поголовья включает не только модули распознавания изображений и идентификации особей, но и модули оценки габаритов животных, их состояния и анализа поведения. Аналитика помогает выявить паттерны нормального поведения животных и определить триггеры нежелательных событий, в том числе признаки болезненного состояния животного.
В режиме собственно мониторинга это работает следующим образом. Машина распознает животное и сопоставляет данные о его поступках с характерным для него поведением. При обнаружении отклонений система ищет их вероятные причины — изменение корма, температура в помещении, появление новых особей в загоне и т. п. — и проводит переоценку поведения животного. Например, так ли та или иная свинья обычно реагирует на появление новых соседей. Если паттерн поведения не вполне типичный, искусственный интеллект может либо дальше проводить собственный анализ, либо направить уведомление сотруднику фермы — зоотехнику или ветеринару. Характер дальнейших действий зависит от проработанности внедренной системы и способности предложенных моделей к самообучению.
Что касается взвешиваний, то система действует схожим образом. По распознанному изображению после идентификации конкретной особи и оценки ее габаритов вычисляется вес. Система сопоставляет полученную величину с плановым графиком привесов и в случае отклонений от плана ищет их причины. В перспективе ИИ сам будет выбирать необходимые меры и назначать исполнителей, будь то люди или автоматические системы регуляции температуры, подачи корма и воды. Пока же системы остаются под контролем человека и выдают свои рекомендации, оставляя решение специалистам фермы.
Куда бежать и кому пасовать?
Спортивные клубы в странах с сильной экономикой являются одними из наиболее лояльных потребителей аналитических технологий. И компьютерное зрение там осваивают тоже довольно успешно.
Совместно с одним европейским стартапом мы пилотируем проект по мониторингу футбольных полей и поведения спортсменов во время игр и тренировок. В чем суть проекта? Понятно, что тренер пристально следит за игроками на поле, оценивает игру как бы сверху, предполагает движения и перемещения, анализирует игры в записи, чтобы затем корректировать расположение игроков на поле, стратегию, тактику и технику игры и составлять планы тренировок.
Система ИИ на базе углубленной аналитики и компьютерного зрения помогает вывести эту работу на качественно новый уровень. У тренера появляется не просто интеллектуальный помощник, а множество дополнительных глаз и возможностей сопоставить разрозненные детали. Аналитические алгоритмы выявляют паттерны поведения игроков, отмечают сильные и слабые связки действий, особенности движений, учитывают влияние игроков друг на друга.
Большую роль в этом играет качественное распознавание изображений, которые в потоковом режиме поступают с десятков камер. Далее требуются технологии для сопоставления изображений с разных устройств и идентификации игроков. Обработка и аналитика данных в потоке обеспечиваются инструментами Event Stream Processing.
По отдельности все эти модули уже зарекомендовали себя в других спортивных проектах SAS. Например, аналитическая система с интерактивной отчетностью, но без модулей распознавания изображений уже создавалась в рамках одного проекта. Там в систему на вход подается информация почти по 1230 регулярным матчам, включая миллионы записей о пассах, буллитах и забитых шайбах. В результате процесс выбора игроков для национальной сборной удалось сделать намного более объективным, основанным на статистических данных и прозрачным для всех. В модель оптимизации состава команды при этом закладывалась цель максимально усилить ресурсы в каждый момент игры.
Компьютерное зрение, помогающее видеть и отслеживать паттерны поведения футболистов на игровом поле, и рекомендательная система для принятия решений приблизят подобные аналитические комплексы к тому пониманию искусственного интеллекта, которое изначально заложено в нем, то есть позволят частично передать машине функции человека и высвободить человеческий ресурс для решения других задач, свести к минимуму рутину.
Куда пойдут покупатели?
Ретейл — это одна из сфер, где возможности ИИ чрезвычайно многообразны. Более того, благодаря ИИ, в ретейле можно не просто оптимизировать процессы и заменить машинным трудом труд человеческий, а пойти дальше — решать задачи, которые без ИИ невозможно было бы реализовать. Персональные рекомендации, обсуждение с покупателем деталей заказа, управление запасами, редизайн сайта — все это можно улучшить и ускорить с помощью технологий ИИ.
Говорят, что «отзывчивый» ретейл уже достиг своего пика и дальше мир вступит в эру прогнозной коммерции. Продавец сможет не просто предсказать потребность покупателя, но и определить момент, когда именно она возникает и когда сделать предложение клиенту. Причем неважно, авторизован ли покупатель на сайте и готов ли он нажать кнопку «купить». Иными словами, мало просто спрогнозировать, какие запасы товара нужны в каждом магазине, необходимо научиться рекомендовать товары в динамике и устанавливать оптимальную для покупателя цену. Этот сдвиг парадигмы потребует совместить знания о поведении потребителей, инструменты интеграции данных и масштабную аналитику, создав также обвязку из множества датчиков, подсистем-источников и модулей автоматизированного принятия решений и запуска кампаний.
Вернемся к кейсам. Характер перемещения покупателей по магазинам уже сейчас можно увидеть благодаря анализу записей с камер. Аналитика позволяет вести процесс в автоматическом режиме, быстро перестраивая маршруты и оценивая, как это влияет на удобство магазина и на продажи — то есть оптимизировать маршруты и навигацию. Треккеры для глаз тоже уже применяются, но в основном в рекламной индустрии и в ходе маркетинговых исследований. Технологии распознавания позволяют идентифицировать покупателя и сделать обслуживание действительно персональным. Но ИИ позволяет пойти дальше. Анализируя паттерн поведения покупателя и характер поиска интересующих его товаров, система определяет сегмент, для которого характерно аналогичное поведение и интересы, и может давать персоналу рекомендации по работе с таким покупателем.
Как перемещаются по магазину покупатели, делающие много покупок? Как ведут себя те, кто склонен к покупке премиальных марок? Кто из вновь зашедших в магазин остановит свой выбор на наиболее маржинальных товарах и, главное, как побудить остальных следовать тем же маршрутом? Как ведут себя посетители, ворующие товары? Здесь важно не просто собрать данные с камер и проанализировать их. Необходимо, чтобы система была достаточно «умной», могла оценивать обстановку и принимать решения, которым будет доверять управляющий персонал магазина.
Как работает искусственный интеллект?
ИИ объединяет большие объемы данных с быстрой итеративной обработкой и интеллектуальными алгоритмами. Программа автоматически обучается, обнаруживая новые и новые паттерны или особенности в данных. Системы ИИ содержат огромное количество различных методов и технологий: машинное обучение, нейронные сети, глубинное обучение, когнитивные вычисления, компьютерное зрение, обработку естественных языков. Степень сообразительности системы только вырастет, если дополнительно будут подключены модули сбора и анализа данных «Интернета вещей», технологии обработки графики, продвинутые аналитические алгоритмы, позволяющие выявлять и предсказывать редкие события и оптимизировать сценарии, а также прикладные программные интерфейсы (API), которые добавят функциональность ИИ в уже существующие программные комплексы и действующие продукты. Суть в том, чтобы система понимала, какого рода информация поступает к ней на входе, и могла объяснить, что бизнес получает от нее на выходе — обоснованные решения, действия, рекомендации.
Несмотря на то что фактически искусственный интеллект и отдельные его компоненты, в том числе компьютерное зрение, пока находятся на стадии становления или активного освоения возможностей и далеки от той идеальной картинки, демонстрирующей, «как все должно быть», сегодня уже есть качественные бизнес-кейсы и варианты применения всех этих технологий, и самые разные отрасли могут извлечь из них пользу и дополнительные преимущества. Однако говорить о том, что ИИ заменит человека, очень и очень преждевременно.
Опубликовано 28.02.2018