Задачи проекта
Одна из моих главных задач в компании — разработка и внедрение различных сервисов и продуктов на базе технологий искусственного интеллекта на проектах для заказчиков. Именно с такой целью к нам обратился известный французский сетевой ретейлер, которому было необходимо помочь с решением проблемы краж на кассах самообслуживания.
В некоторых магазинах этого бренда количество таких касс доходит до шестидесяти, поэтому ассистенты зоны самообслуживания не могли уследить за корректной оплатой или сканированием всех товаров. Охрана в мониторной комнате физически не могла смотреть во все мониторы одновременно, сотрудники службы безопасности на выходе — проверять всех клиентов подряд, так как это плохо отразилось бы на лояльности к магазину.
Поэтому мы предложили обучить и внедрить на кассах самообслуживания систему видеоаналитики, основанную на инструментах ИИ. В нашей компании уже больше пяти лет работает группа аналитики данных и ML, которая и стала главным исполнителем проекта.
Поэтапная реализация
Проект реализовали по четырем большим направлениям:
Бизнес-анализ. Поскольку процесс связан с людьми, то мы уделяли бизнес-аналитике повышенное внимание в течение всего проекта. На первом этапе мы систематизировали различные сценарии потерь — как они происходят и какими способами их можно обнаружить и предотвратить. На втором этапе, когда уже началась разработка, бизнес-аналитики совместно с представителями заказчика рассматривали различные сценарии взаимодействия с клиентом при обнаружении того или иного подозрительного поведения.
Ведь удовлетворенность клиента зависит не только от того, насколько корректно отработает система, но и от того, насколько хорошо отработают люди. Поэтому данному вопросу уделялось повышенное внимание, чтобы найти и соблюсти баланс между сокращением потерь и лояльным отношением к клиенту.
Интеграция со смежными системами. Очевидно, что для системы видеоаналитики все источники данных — это внешние системы, причем существующие и работающие независимо друг от друга. То есть нам надо было взаимодействовать с системами видеонаблюдения и непосредственно с кассами. Причем обрабатывать получаемые потоки данных надо было в реальном времени, да еще и синхронно, чтобы подозрительное поведение на видео вызывало «сигналы» на кассе в нужный момент, а не с задержкой.
Создание рабочих мест для работы оператора системы. Информация, на основе которой нужно принимать решения и действовать, должна доводиться до ответственных людей максимально оперативно и в понятном, очевидном всем виде. Поэтому еще на начальном этапе мы проанализировали роли всех специалистов, которые должны были работать с системой видеоаналитики, и придумали для них два типа рабочих мест, которые решали кардинально разные задачи. Первый тип предназначен для охраны и оповещения в режиме реального времени. Второй — для управления системой, а также мониторинга и анализа качества ее работы.
Обучение моделей ИИ и разработка ядра решения. Мы проанализировали десятки тысяч видеороликов с подозрительным поведением, максимально проработав клиентские пути. Во время анализа мы поделили все нестандартные ситуации на типы и для каждого из них описывали как логику детекции, так и варианты моделей ИИ, которые необходимы.
Изначально было выявлено три типа потенциально подозрительных ситуаций: человек брал больше единиц товара, чем оплачивал, человек вообще не оплачивал, то есть воровал товар, или оплачивал более дешевый товар, а вместо него брал дорогой.
На проработку логики, обучение моделей, внедрение и тестирование ушло несколько месяцев. Соответственно, подбирали и обучали модели ИИ тоже постепенно — где-то сразу находили правильное решение и просто дообучали его на специфичных для конкретного заказчика данных, где-то пришлось перебрать несколько видов моделей, пока не нащупали правильное соотношение между производительностью и результатом. А в одном случае нам пришлось добавлять дополнительную модель в сценарий работы, чтобы снизить долю ложноположительных «сработок».
В ядре системы задействованы не только модели ИИ, но и предобработка видео и бизнес-логика объединения потоков данных с анализом отклонений, база данных и брокер сообщений.
Пилот в магазинах
После того как мы обучили модели, разработали и реализовали логику работы системы, перешли к пилотированию в магазинах. Конечно же, внедрение было постепенным не только с точки зрения влияния на покупателей, но и по реализованным сценариям выявления подозрительных операций. Но общий концепт тестирования оставался единым — тестирование в магазине мы проводили в режиме реального времени и на настоящих покупателях. Вот как это происходило:
- Первым этапом мы поставили систему в магазине, завели в нее все потоки данных, но не включали взаимодействие с сотрудниками магазина и службой безопасности. Таким образом мы смогли оценить качество работы системы без какого-либо влияния на людей — что на клиентов, что на сотрудников магазина.
- Далее, просмотрев все видеозаписи, которые система сочла подозрительными, и немного ее подстроив, мы включили оповещения только для охранников, чтобы они обращали внимание на рекомендации системы. Таким образом, влияния на клиентов по-прежнему не было, работала только охрана.
- Собрав обратную связь от охраны и еще немного поправив работу, мы начали внедрять полный формат работы на первых, единичных кассах.
- И лишь после того, как собрали аналитику и обратную связь от всех задействованных сотрудников магазинов, включили систему в полном объеме на все кассы самообслуживания тестовых магазинов.
Такой путь мы проходили для всех типов подозрительных ситуаций: воровства, подмены товара или взятия лишнего товара.
Объективной оценки не получилось
С самого начала возникли сложности с беспристрастной и объективной оценкой проекта. Сотрудники магазина не могли точно сказать, какие потери были на какой кассе. Из-за того, что мы не смогли получить объективную оценку качества работы системы, пришлось работать с субъективной, просто договорившись о правилах игры. В итоге результаты работы системы оценивались как сравнение работы одного охранника и охранника при поддержке системы. И получили подтверждение, что охранник на пару с системой работает в разы лучше, чем охранник без системы.
Конечно, сравнение достаточно условное — ведь без людей система не может предотвратить факты воровства, а лишь обнаружить и предупредить, тем самым увеличив эффективность работы человека. Например, система могла легко найти не пробитую в чеке бутылку воды в руках клиента (корзинке, рюкзаке, тележке и т. д.), но только человек в процессе проверки мог определить — это бутылка, принесенная с собой или взятая с ближайшей полки. Хотя даже человек не всегда может это с ходу понять.
Но перспективы есть
На сегодняшний день мы формально завершили пилот, прошли опытную эксплуатацию. Теперь дорабатываем систему, оцениваем возможность ее масштабирования на другие магазины и готовим централизацию некоторых функций.
Решение AISee способно обнаружить факты мошенничества, но не предотвратить его полностью. С людьми по-прежнему работают люди. Реальность всегда сложнее и многообразнее, чем можно придумать, а предугадать все сценарии воровства невозможно. Поэтому идеального инструмента, который закроет все нюансы поведения людей, нет. При этом наша система не получилась однобокой, она имеет перспективу дальнейшего развития.
Мы можем с уверенностью сказать, что видеоаналитика способна справляться с задачей по обнаружению ситуаций с подозрительным поведением людей. При этом даже не столь важно, происходят они на кассе самообслуживания и в зале магазина или на производственном конвейере.
