Ритейл

Роботизированный ИИ-контроль доступности товара в магазине

Мобильная видеоаналитика на базе робота автоматически контролирует наличие товара и корректность ценников, снижает потери от OOS и ошибок на полке и переводит ручной обход магазина в управляемый цифровой процесс.

robotic-shelf-price-control-1.png
robotic-shelf-price-control-2.png
robotic-shelf-price-control-1.png
NDA
ЗаказчикКрупная федеральная розничная сеть, активно внедряющая инструменты цифрового контроля торгового зала.
ЗадачаОбеспечить, чтобы весь ассортиментный остаток, доступный в магазине, своевременно появлялся на полке, а контроль OOS и пополнения выполнялся автоматически, без ручных обходов сотрудников.

О проекте

Заказчику было важно не просто выявлять пустоты на полках, а понимать, какие товары отсутствуют в торговом зале, хотя есть в остатках магазина. 

 

Обычная логика контроля по планограммам для этого не подходит: часть ассортимента выкладывается вне матрицы, а ручной обход не дает регулярного и масштабируемого контроля. 

 

В проекте мы предложили мобильную видеоаналитику на роботе, который объезжает полки, распознает конкретные SKU и выявляет OOS по фактическому наличию товара, а не только по пустому месту. При обнаружении инцидента система автоматически формирует задачу персоналу на пополнение. В результате контроль доступности товара превращается из ручной проверки в управляемый цифровой процесс.

NDA
ЗаказчикКрупная федеральная розничная сеть, активно внедряющая инструменты цифрового контроля торгового зала.
ЗадачаОбеспечить, чтобы весь ассортиментный остаток, доступный в магазине, своевременно появлялся на полке, а контроль OOS и пополнения выполнялся автоматически, без ручных обходов сотрудников.

>85%

точность в выявлении отсутствующего товара на полке
1
Технический аудит робота и камер
Проверили текущую платформу, оценили качество камер для распознавания SKU и ценников и зафиксировали требования к дооснащению под реальные сценарии магазина
2
Сбор и разметка данных
Собрали изображения и видеопоток с робота, разметили ассортимент пилотного ТК и подготовили датасет под сценарий контроля доступности товара на полке
3
Разработка модели распознавания SKU
Обучили модель на ассортименте пилота с учетом мелких товаров, коробочной выкладки, сезонных упаковок и съемки с движущейся платформы
4
Настройка логики выявления OOS и постановки задач
Реализовали правила определения отсутствующего товара при наличии остатка и настроили автоматическую генерацию задач персоналу
5
Пилотный замер и подготовка к масштабированию
Провели пилот в реальных условиях с чистым замером не менее 3 месяцев, оценили эффект и подготовили рекомендации для тиражирования решения.

Интересный факт

Около 30% товара находится вне товарной матрицы, поэтому проект пришлось строить не на поиске пустот, а на распознавании конкретных SKU с робота.

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Съемка с движущейся платформы

Робот должен стабильно собирать изображения полок в движении, без потери читаемости SKU и с учетом склейки кадров для единого анализа
РЕШЕНИЕ

Калибровка и обработка мобильного видеопотока

В проект заложили настройку алгоритмов под перемещение робота, включая обработку, склейку изображений и адаптацию распознавания к реальным траекториям съемки

Распознавание товара без жесткой опоры на планограмму

Система должна определять отсутствие конкретного SKU на полке даже там, где выкладка меняется и товар расположен вне матрицы
РЕШЕНИЕ

SKU-уровень вместо поиска пустот

Логику проекта построили вокруг распознавания конкретных товаров и сопоставления с остатками магазина, а не вокруг фиксации пустого места на полке

Мелкие и визуально похожие товары

Часть ассортимента отличается только мелкими деталями упаковки, объемом или форматом выкладки, включая коробочную подачу и сезонные изменения дизайна
РЕШЕНИЕ

Дообучаемая модель под реальный ассортимент

В проекте предусмотрены разметка данных, обучение на ассортименте пилотного магазина и регулярное дообучение под новые SKU и упаковки

1 час

обновление статистики по полкам

2 раза в день

выдача сигналов по инцидентам

50–100 фото

для дообучения под новый SKU

Команда, которая внедрила проект

Дмитрий Соркин
DevOps-инженер
Марк Яговкин
Руководитель разметки данных
Андрей Панкратов
Python backend-разработчик
Дмитрий Палий
Frontend-разработчик
Владислав Калинин
Data Science Tech Lead
Никита Болдырев
ML-инженер

Бесплатный разбор вашей задачи

На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.

Рассмотрим технические ограничения и возможный первый этап проекта.

О вашей задаче (по желанию)

Готовые проекты

Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.

bracket
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
age.webp
ИИ для образования
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
ocr-documents-case.png
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
damage-detection-case.png
Пилотный запуск
Интеллектуальная видеоаналитика для контроля периметра, выявления угроз на интроскопах и БПЛА
ai-video-security-industrial-sites.jpg
Видеоаналитика для ресторанов
ИИ-контроль времени сборки заказов
ai-tray-order-analysis-fast-food.jpg
AI-Mirror
ИИ-интерактив для бренд-зоны
ai-interactive-exhibition-stand.jpg