Las "pizzerías del futuro" aparecen en todo el mundo. En la foto: Zume Pizza de CaliforniaEn la bella Rusia del futuro, irá a una pizzería, visitará una oficina de correos o un banco, tomará lo correcto y se irá con calma. No habrá colas. Simplemente debita dinero automáticamente de su cuenta. Al mismo tiempo, la calidad de los productos aumentará significativamente, ya que serán revisados por máquinas, no por personas.
Las soluciones en la nube en los próximos años cambiarán el mundo del comercio minorista. VR, AR, análisis de video, redes neuronales: todas estas tecnologías están conectadas con las nubes y son responsabilidad directa de VSaaS.
Dodo Pizza es una red internacional de pizzerías con una estructura de transparencia interesante: los datos de pérdidas y ganancias están abiertos y los inversores pueden monitorear los indicadores vitales de las pizzerías en línea: ingresos, factura promedio, productividad, gastos.
Dodo Pizza establece video vigilancia en cada pizzería. No solo Fedor Ovchinnikov puede ver la transmisión desde la cámara, sino cualquier persona en el sitio web de Dodo. La videovigilancia es parte de la estrategia de apertura y transparencia de Dodo. También es una herramienta para aumentar las ventas.
La base del éxito de Dodo es el deseo de automatizar los procesos comerciales. Con este fin, la compañía creó el sistema de información en la nube Dodo IP y comenzó a cambiar globalmente el enfoque de la videovigilancia.
Para Dodo, todo comenzó con un simple deseo de garantizar el pedido y mostrar a los clientes el proceso de hacer pizza. Cada pizzería en la cocina tiene una cámara. La transmisión se realiza a través de Internet y está disponible para que todos la vean.
Durante el año pasado, las cámaras en pizzerías de la herramienta Live Presence se han convertido en una herramienta de recopilación de datos para análisis de video.
Dodo Pizza aprovechó dos servicios que amplían las capacidades de videovigilancia: la plataforma Dbrain y el detector de cola Ivideon.
Redes neuronales DBrain
CEO y cofundador de
Dbrain - Dmitry Matskevich. Hace unos años, participó en la creación del chatbot Icon8, que procesa instantáneamente fotos usando redes neuronales. El usuario elige uno de los seis estilos disponibles para usar en el bot; al comienzo del proyecto en 2016, esto fue sorprendente.
Icon8 reunió a 7,5 millones de usuarios, el proyecto más popular en ese momento en Telegram, que recibió una subvención de Pavel Durov.
Dmitry utilizó la experiencia adquirida en DBrain. La compañía confía en las redes neuronales y les agrega tecnología de registro distribuida.
DBrain es una plataforma blockchain para trabajar juntos para crear una IA "débil". La capacitación en redes neuronales implica una gran cantidad de trabajo manual al marcar datos: el proceso es costoso y requiere mucho tiempo. Al equipo se le ocurrió cómo reducir el costo de la creación y aumentar la precisión de las redes neuronales: cualquier persona puede convertirse en un "maestro" para una red neuronal por dinero.
Es muy sencillo entrenar la red: miramos la foto en la aplicación y respondemos a quién se muestra en ella: un zorro, un gato, un perro o una bola de lana. Tal vez esta es la interpretación más increíble del juego "Vaca hace MUUU".
A pedido de Dodo Pizza, DBrain desarrolló una aplicación de aprendizaje automático que monitorea la calidad de la pizza. La aplicación se implementa como un bot de Telegram que evalúa la pizza de una fotografía. El bot evaluará independientemente el producto de 0 a 10 según el criterio clave: la calidad de la prueba.
El bot trabaja con un ejército de compradores misteriosos: esta es la comunidad interna de Dodo Pizza de más de 50,000 personas. La calificación de calidad de las pizzerías se basa en informes de clientes que evalúan semanalmente cerca de 700 pizzas para el cumplimiento de las normas. Los voluntarios reciben Dodo-rublos por su trabajo, que se puede usar para pagar pizza en el próximo pedido.
¿Pero dónde está la video vigilancia?
La videovigilancia reduce los costos y automatiza completamente el trabajo de compilar una clasificación de pizzerías. Para hacer esto, solo proporcione a la aplicación de Dbrain datos de video en lugar de fotos. Usando la cámara, el programa tendrá tiempo para revisar no 2 pizzas a la semana, como una persona común, sino 300 al día, exactamente todo lo que sale del horno.
La red neuronal Dbrain segmentó la pizza en 50,000 fotografías y aprendió a buscar fallas en cada segmento. Por ejemplo, si en los bordes de una pizza la rejilla detecta pequeñas inflamaciones que son casi invisibles para el ojo humano, entonces inmediatamente "comprende" la mala calidad de la masa. Al mismo tiempo, la red compara cada pizza con el modelo "ideal", creado sobre la base de datos proporcionados por compradores misteriosos y expertos que participan profesionalmente en la evaluación de la calidad de la pizza.
Detector de cola Ivideon
Ivideon utilizó el aprendizaje automático para crear
un detector de colas . Ya se han inventado una gran cantidad de detectores, pero no todos tienen fallas. Las personas en línea no se comportan como formas geométricas estáticas. Las personas se mueven de un lugar a otro, interrumpiendo el funcionamiento de los sensores externos, se fusionan con el fondo o entre sí, y evitan que la cámara distinga los objetos.
El aprendizaje automático hizo posible aislar de una persona lo "principal": la cabeza. Contando con la cabeza, fue posible lograr una precisión de casi el 100% para determinar la presencia de una persona en el marco. Y luego es suficiente contar el número de personas y enviar al gerente una notificación sobre la cola para una reacción instantánea.
El gerente recibe una notificación y decide abrir otra caja. O cierra la caja registradora, en la que falta el cajero descargado.
Otra parte importante del servicio son las estadísticas. El detector cuenta el número de personas en la cola, crea gráficos y cuadros que caracterizan la distribución de los clientes a lo largo del tiempo. Con tales datos, es más fácil optimizar el horario de trabajo del personal, evaluar la calidad de la campaña de marketing o identificar deficiencias en el escaparate.
Los informes se generan en formato CSV, los datos también están disponibles en la interfaz de la cuenta personal de Ivideon. Del informe puede encontrar:
● áreas problemáticas (con posibilidad de comparación dentro de una o más instituciones);
● cargas máximas, longitud y dinámica de colas;
● datos de video para cada multitud de personas.
Con los datos del informe, es fácil ir más allá y hacer pronósticos para los próximos días y semanas. Ahora es fácil averiguar qué taquillas, a qué horas reciben la carga máxima y mínima.
Ivideon también procesa datos de contadores de pago. Para esto, el sistema de gestión de colas debe complementarse con un
módulo de integración gratuito con 1C. Desde la interfaz 1C, el usuario recibe videos de cualquier evento del sistema, como imprimir un cheque, operaciones de almacén (aceptación, envío), devoluciones de productos.
Calificación de inversión
El costo del proyecto con Dbrain "Dodo" en el dominio público aún no se ha publicado. Incluso si lo toma al costo máximo, la solución aún parece rentable: la red neuronal no pregunta y no dice ser pizza gratis.
El costo de un detector de colas es visto por cualquier usuario del servicio Ivideon en su cuenta personal: 800 rublos por cámara por mes. La misma cantidad incluye un detector de movimiento, un archivo en la nube (que es pagado), la capacidad de incrustar la transmisión desde la cámara a su sitio web o compartir videos en las redes sociales.
Para aquellos que ya usan el archivo en la nube para almacenar datos de la cámara, conectar el detector parece un paso obvio. Dadas las actualizaciones periódicas, uno debería esperar cambios que amplíen las funciones del servicio. Después del detector de personas como objetos, obviamente seguirá un detector facial.
El negocio en esta historia está interesado en las ganancias. Es demasiado pronto para sacar conclusiones con Dodo, pero otra compañía (Interlogika)
publica estas cifras: el costo total de implementar un sistema de detección de colas, teniendo en cuenta la compra de cámaras (no había ninguna en la instalación), ascendió a aproximadamente 500,000 rublos. El mantenimiento del sistema cuesta 30,000 rublos por mes. Debido al aumento en la calidad del trabajo y los ahorros en personal (un vendedor adicional aparece solo cuando es necesario), los ingresos promedio de la tienda aumentaron en un 7%. El sistema dará sus frutos en menos de 1 año, y luego comenzará a obtener ganancias.
Conclusiones
La cámara es una pieza de plástico finamente funcional. Ayuda a controlar a los empleados, clientes, bienes, cambiando así la calidad del servicio. Pero la cámara no sabe hacer nada más que parpadear y mostrar una imagen.
Incluso hace 10-15 años, la cámara parecía una versión de un perro guardián con discapacidades: monitorea el perímetro, señala al guardia sobre los infractores, ayuda a resolver crímenes, y eso es todo. Con la llegada de la analítica de video, la cámara en sí no ha cambiado, pero sus capacidades se han expandido muchas veces.
Parece que todos los principales actores en Rusia lanzan proyectos de prueba individuales con análisis de video. Safmar Retail, que posee el 30% del mercado de productos electrónicos de consumo, depende de blockchain y de la realidad aumentada. X5 Retail Group está probando la tecnología Intelligence Retail residente de Skolkovo para monitorear la disponibilidad de productos en los estantes de las tiendas utilizando cámaras de visión artificial y Ivideon. IIDF invierte por separado en una plataforma de compras sin colas.
Las pequeñas y medianas empresas se congelaron en anticipación de su destino.