Кассы самообслуживания помогают ритейлерам ускорить поток покупателей и эффективнее задействовать сотрудников, распределяя их между другими задачами. Однако с ростом числа таких касс увеличивается и количество краж. Здесь на помощь приходят системы обнаружения с обученным ИИ, которые помогают бороться с выносом товаров и позволяют сохранить прибыль игроков рынка.
В статье руководитель группы анализа данных и машинного обучения ICL Services Сергей Щербаков расскажет, как ИИ-решение AISee трансформирует подход к видеонаблюдению и охране, открывая новые возможности для повышения эффективности работы сотрудников.
— Для чего нужно решение AISee?
AISee — это платформа видеоаналитики. Она позволяет гибко подключать различные нейросетевые модели для обработки интересующих сценариев. Например, установив ее в зоне касс самообслуживания, можно выявлять пропажу товаров, оповещая сотрудников при обнаружении аномалий, полученных по результатам обработки видео.
— Какие метрики используются для оценки эффективности применения ИИ в борьбе с кражами?
Основная метрика в подобных проектах — финансовая, поскольку кражи напрямую связаны с потерей денежных средств. Если после внедрения ИИ ритейлеры смогли сохранить больше денег, чем потратили, то это и есть главный показатель успеха.
При этом нельзя точно оценить долю предотвращенных потерь, поскольку начальная точка (точные потери до внедрения ИИ) неизвестна. Никто не знает, сколько товаров и денег теряется конкретно в зоне касс самообслуживания (КСО), но, если система экономит миллионы рублей, то действительно ли важны относительные проценты?
Если хочется относительных оценок, то используется еще одна метрика — эффективность работы охраны до и после внедрения системы. Было проведено тестирование при сдаче проекта и подтвердили, что эффективность работы охраны выросла в разы. Причем в некоторых магазинах — до четырех раз.
— Как анализировали сценарии потерь ритейлеров. Что брали за основу? И какие основные гипотезы «кражи» выделили среди покупателей?
Анализ сценариев потерь проводился вместе с заказчиком, объединив их экспертизу в знании покупателей с экспертизой в части видеоаналитики. Заказчиком были сформулированы 11 гипотез о том, как могут происходить потери на КСО. Среди них были очевидные и легко реализуемые, когда покупатель специально или неосознанно пронес товар мимо сканера. Были и очевидно нереализуемые, когда покупатели в зале кладут что-то в коробку с товаром (или меняют содержимое коробки), пробивая на КСО только коробку. Такие гипотезы мы отсеивали еще на этапе анализа.
Проверка оставшихся гипотез происходила на этапе пилота, в процессе которого часть идей тоже была отвергнута. В результате осталось 7–8 сценариев, которые условно можно объединить в три основных группы потерь: отсканированы не все товары, сканирование дешевого товара вместо дорогого и банальная неоплата товаров в самых разных ее проявлениях.
— Какие ключевые этапы можно выделить при реализации подобного проекта?
Одним из таких ключевых моментов является необходимость начинать с пилотного проекта или, по крайней мере, с создания прототипа. Это важнейший шаг, который помогает протестировать гипотезы, выявить неработающие идеи и оценить потенциальную эффективность оставшихся решений. Особенно важно помнить, что только на этапе пилота можно определить, насколько система действительно эффективна в конкретных условиях.
Например, при оптимизации бизнес-процессов в ритейле сложно заранее предсказать, какие финансовые потери удастся сократить с помощью искусственного интеллекта.
Без пилота невозможно точно оценить, насколько технология снизит убытки в каждом конкретном магазине. Этот этап отсутствует в большинстве типичных ИТ-проектов, но для ИИ-решений он является ключевым.
Остальные этапы более стандартны — это этап интеграции ИИ в инфраструктуру магазина, когда в каждом магазине устанавливается сервер видеоаналитики, на который поступает два потока данных: один от системы мониторинга, а другой от кассового оборудования. Синхронная обработка этих двух потоков и позволяет выявлять потенциальные отклонения и нарушения. Интеграция такого уровня требует точной настройки и проверки совместимости с существующими системами, что становится критически важным для успешной работы проекта.
После успешной интеграции и тестирования наступает еще один стандартный, но от этого не менее важный этап – это обучение персонала правильной работе с системой и в первую очередь правильно реагировать на ее сигналы.
— Что происходит, когда срабатывает система — человека сразу останавливают и проверяют?
Этот вопрос был проработан с заказчиком. С одной стороны, возникает желание сразу реагировать и блокировать подозрительные действия.
Однако ИИ может сработать на безобидные ситуации, такие как случайный пропуск товара при сканировании или товар соседа, который попал в поле зрения камеры. И такая реакция может серьезно ухудшить клиентский опыт. Поэтому были разработаны так называемые «клиентские пути» — это продуманные сценарии взаимодействия клиента с кассой, ассистентом, службой безопасности и разными уровнями охраны в зависимости от типа оповещения системы.
Например, если система фиксирует пропуск товара, клиенту сначала выводится предупреждение с предложением отсканировать товар. Если ситуация не исправляется, подключается ассистент, и, если проблема не решена, вызывается охрана.
Однако клиентские пути сильно зависят от типа обнаруженной подозрительной активности. В случаях с неоплаченным товаром система сразу оповещает охрану, поскольку чем дольше система думает, тем дальше уйдет потенциальный нарушитель и тем меньше шансов его остановить.
Такой подход позволяет настроить ИИ под логику работы заказчика и минимизировать негативные последствия для покупателя, сохраняя при этом контроль за потенциально мошенническими действиями.
— В каком виде доносится информация до лиц, ответственных за охрану в торговом зале? Как интеграция ИИ влияет на роль и задачи сотрудников службы безопасности в магазинах?
Начнем с того, что интеграция ИИ практически не изменяет роль и задачи сотрудников службы безопасности. ИИ выступает как дополнительный уровень обнаружения подозрительных операций на кассе или поведения клиентов в торговом зале, однако действия охранников остаются прежними — это остановка покупателя, проверка на соответствие товаров по факту и в чеке, а также выполнение всех необходимых процедур.
Что касается передачи информации, ИИ может гибко подстраиваться под процессы компании. Система может уведомлять охрану через экраны в мониторинговом центре, отправлять оповещения в наушники или выводить информацию на личные устройства сотрудников. Всё это решается на уровне технической интеграции, что позволяет настроить систему под конкретные нужды.
— В одном из интервью упоминалось, что специалисты, которые работают с системой видеоналитики делятся на два типа. В чем их отличие и зачем такое деление необходимо?
Специалисты, работающие с системой видеоналитики, действительно делятся на две основные группы с разными задачами и подходами к работе.
Первая группа — это ассистенты зоны КСО и охрана. Это те, кто работают в режиме реального времени и реагируют на срабатывание системы здесь и сейчас. Их задача — оперативно отслеживать события, работать с клиентами и принимать соответствующие меры для минимизации потерь.
Вторая группа — аналитики, которые оценивают общую эффективность работы системы на более длинных временных отрезках: день, неделя, месяц. Их задачи включают анализ данных, выявление трендов, оценку точности работы ИИ и настройку системы для дальнейшей оптимизации.
Для этих двух групп разработаны разные интерфейсы, поскольку их цели и приоритеты различны. Операторы нуждаются в мгновенном доступе к актуальной информации и быстром реагировании, тогда как аналитикам требуется доступ к статистическим данным и инструментам для анализа производительности системы.
— Какие специалисты от заказчика задействованы в процессе реализации проекта и в каких ролях? Нужна ли при этом своя команда по ИИ?
Главная роль представителей заказчика в проектах по внедрению ИИ заключается в предоставлении бизнес-экспертизы. Это обеспечивает эффективное взаимодействие: с нашей стороны — опыт и знания в области ИИ, его возможности и практики предыдущих внедрений, со стороны заказчика — глубокое понимание их внутренних процессов, что позволяет наиболее эффективно интегрировать ИИ в текущие рабочие схемы.
Ключевые задачи специалистов от заказчика включают 3 уровня. Экспертиза в бизнес-процессах — они помогают адаптировать ИИ под конкретные потребности компании. Поддержка тестирования — обеспечение тестирования системы в реальных условиях. Согласование и организация взаимодействия между подразделениями — координация работы смежных отделов для успешного внедрения.
При этом наличие собственной команды по ИИ у заказчика не является обязательным. Если у компании есть специалисты в этой области — отлично, это будет плюсом и позволит максимально быстро передать систему в эксплуатацию и поддержку. Но если нет, то команда ICL Services обеспечивает полную экспертизу в области ИИ.
— Какие преимущества дают технологии ИИ по сравнению с традиционными методами видеонаблюдения и охраны? Насколько эффективным оказалось это решение?
Использование платформы видеоаналитики AISee эффективнее по сравнению с традиционными методами.
Одно из ключевых преимуществ — возможность одновременного мониторинга всех камер в режиме реального времени. В то время как традиционные системы требуют от оператора постоянного ручного переключения между камерами и высокой концентрации внимания на каждом экране, ИИ автоматизирует этот процесс.
Алгоритмы искусственного интеллекта моментально анализируют видеопоток, распознавая подозрительные действия и отправляя уведомления только при обнаружении потенциальных угроз. Это существенно повышает эффективность системы безопасности, снижая нагрузку на персонал и исключая человеческий фактор в процессе мониторинга.
— Какие трудности и подводные камни возникли в результате?
Среди стандартных проблем можно выделить сложности с интеграцией в существующую инфраструктуру и обеспечение высокого уровня информационной безопасности. Однако были и неожиданные моменты.
Самым неожиданным было выявление системой ИИ в ходе анализа транзакций неочевидных паттернов сканирования товаров. Некоторые из этих находок оказались сюрпризом для заказчика. К примеру, одно из покупательских поведений, которое удивило, – люди любят делить покупки на несколько чеков. Конечно, это знакомый процесс для ритейлера, но масштаб в рамках стадии оплаты покупок действительно удивил. Благодаря обнаружению такого паттерна, команда дообучила искусственный интеллект и использовала модель, которая минимизировала проявление подобных «вторых чеков» в «сработках» системы.
— Какие перспективы применения данного решения есть в других областях?
Помимо очевидных возможностей в ритейле, как продуктовом, так и в DIY сегменте, есть интересные перспективы применения данной системы в сортировочных центрах и дарксторах, где осуществляется сбор заказов. Логика работы в этих местах очень схожа с ритейлом: здесь также необходимо контролировать людей и их операции с товарами. Почти все сценарии, связанные с контролем и предотвращением потерь, совпадают, за исключением случаев неоплаты, которые в этом контексте не актуальны.
Кроме того, рассматриваются другие возможные области применения решения — везде, где необходимо контролировать поведение человека и его взаимодействие с теми или иными объектами, а также контроль выполнения различных операций. Однако на данный момент эти направления находятся на стадии анализа.
Реклама. «Глобал Дата Консалтинг энд Сервисез». ИНН: 1660146230