कैसे अमेज़ॅन जाओ मई लागू बस खरीदारी आओ

आजकल, प्रौद्योगिकी कंपनियों से प्रेस विज्ञप्ति हमें थोड़ा आश्चर्यचकित करती है। नवाचारों का विवरण या तो कुछ महीने पहले बह जाता है या बहुत प्रभावशाली नहीं होता है। लेकिन हाल ही में, हम कई वास्तविक आश्चर्य से भर गए। स्विच जारी होने के कुछ महीने पहले, निंटेंडो ने फैसला किया कि कंसोल का भविष्य उनका अतीत था और एनईएस क्लासिक की घोषणा की। और लोगों के बीच चैंपियन को लेकर Google के अल्फ़ागो की जीत ने विशेषज्ञों को हतोत्साहित किया, जिनका मानना ​​था कि इस तरह के परिणाम दस साल बाद पहले प्राप्त नहीं किए जा सकते हैं।

अमेज़ॅन गो रिटेल स्टोर की दिसंबर की घोषणा , जहां आप बस अलमारियों और निकास से उत्पादों को पकड़ सकते हैं, इसकी तुलना अल्फा गो न्यूज के सदमे से की जा सकती है। कुछ समय के लिए "पिक अप एंड लीव" की विधि को "खुदरा बिक्री के भविष्य" के रूप में जाना जाता था और हमारे समय के लिए "बस कुछ साल" था। मैं कैलटेक, स्टैनफोर्ड और बर्कले में रोबोटिक्स अनुसंधान विभाग में दस से अधिक वर्षों से काम कर रहा हूं, और अब मैं एक स्टार्टअप के प्रभारी हूं जो बाहरी उपयोग के लिए सुरक्षा कैमरे बनाता है। कंप्यूटर दृष्टि मेरे काम का एक बड़ा हिस्सा था। लेकिन घोषणा के कुछ महीने पहले, मैंने आत्मविश्वास से किसी को बताया कि "लिया और छोड़ दिया" प्रणाली को लागू करने में कई और साल लगेंगे। और मैं ऐसा सोचने वाला अकेला नहीं था - उससे ठीक दो महीने पहले, इस विषय पर प्लैनेट मनी का एक एपिसोड था।

इसलिए जब अमेज़ॅन ने अचानक इस तरह की चीज बनाकर हम सभी को चौंका दिया, तो पहला सवाल स्पष्ट था: यह कैसे काम करेगा? एक प्रमोशनल वीडियो में, वे कंप्यूटर विज़न, डीप लर्निंग और सेंसर सिंथेस जैसे बड़े शब्दों के साथ भागते हैं। लेकिन इन सभी का क्या मतलब है और इन सभी चीजों को वास्तव में कैसे संयोजित किया जाए?

मैं साज़िश के प्रकटीकरण के साथ शुरू करूँगा: वास्तव में, मुझे यह नहीं पता है। मैंने परियोजना के विकास में भाग नहीं लिया, और कंपनी ने इस बारे में बात नहीं की कि यह कैसे काम करता है। लेकिन, कंप्यूटर दृष्टि के क्षेत्र में अपने अनुभव और काम को देखते हुए, मैं कुछ अनुमानों को ज्ञान द्वारा समर्थित बना सकता हूं। इसके मूल में, अमेज़ॅन गो, एआई विकास, कंप्यूटर विज़न और स्वचालित निर्णय लेने, अल्फ़ागो की तरह दिखता है, और रॉबामोबाइल्स के क्षेत्र में अचानक सफलता। पिछले पांच वर्षों में सांख्यिकी और समानांतर कंप्यूटिंग की सफलताओं ने मशीन इंटेलिजेंस के क्षेत्र में एक नया मील का पत्थर बनाया है।

यही कारण है कि अत्याधुनिक घटनाक्रम तरंगों में होते हैं, और इसलिए, रोबोमोबाइल को दूध के एक पैकेज को खरीदने के लिए स्टोर पर ले जाने की अनुमति देता है, आप लोगों के बीच की बातचीत को बहुत पहले ही नष्ट कर देते हैं, जिसकी कोई उम्मीद नहीं कर सकता था।

खरीदारी की टोकरी

अमेज़ॅन गो इकोसिस्टम कैसे काम करता है, इसे बेहतर ढंग से समझने के लिए, आपको एक कार्य की रूपरेखा तैयार करने की आवश्यकता है। किराने की दुकान के मामले में, अमेज़ॅन को एक प्रश्न का उत्तर देना चाहिए: जब वह स्टोर छोड़ता है तो एक आगंतुक उसके साथ क्या करता है? दूसरे शब्दों में, उसकी खरीदारी कार्ट में क्या है?

वास्तव में, प्रश्न का उत्तर देने के केवल दो तरीके हैं। उपयोगकर्ता को छोड़ते समय अमेज़ॅन को या तो टोकरी में देखने की ज़रूरत होती है, या इस टोकरी में क्या गिरता है, इस पर नज़र रखना चाहिए। पहली विधि जिसे हम चेकआउट लाइन कहते हैं, और यह है कि सबसे आधुनिक स्टोर कैसे काम करते हैं (उपयोगकर्ता द्वारा उसके साथ ली जाने वाली हर चीज की जांच करें)। एक अन्य दृष्टिकोण मैं एक बार खाता कहता हूं। जैसा कि बारटेंडर सभी ग्राहक आदेशों की निगरानी करता है, इसलिए व्यवसाय यह पता लगा सकता है कि खरीदारी की टोकरी में क्या है, ट्रैकिंग क्या टोकरी में मिलती है या इसे छोड़ देती है। आदर्श रूप से, आपको पता चल जाएगा कि वास्तव में क्या है, और आपको उपयोगकर्ताओं को अपनी खरीदारी प्रदर्शित करने के लिए बाध्य नहीं करना है।

बेशक, अमेज़न गो कोई साधारण किराने की दुकान नहीं है। उसे न केवल यह पता लगाना होगा कि प्रत्येक विशेष टोकरी में क्या है, बल्कि यह भी समझें कि इसके लिए पैसे किससे लिए जाएं। कैशियर के बिना दुनिया में चार्ज करने के लिए, आपको उपयोगकर्ता की पहचान करने की आवश्यकता है।

ऐसे में अमेजन कैसे निपटेगा? कंपनी स्टोर में लोगों को कैसे ट्रैक करेगी और वे अलमारियों से क्या लेंगे या गलतियां किए बिना वापस आ जाएंगे? यह सब कैमरों से शुरू होता है। वे विनीत और सस्ते हैं, और उन्हें हर जगह स्थापित किया जा सकता है। अमेज़न ने वीडियो में कंप्यूटर विज़न का उल्लेख करके इस बारे में बात की। लेकिन खरीदारों और उनके कार्यों को ट्रैक करने के लिए कैमरे क्या देखते हैं और इसका उपयोग कैसे करते हैं? यहाँ दूसरा बड़ा शब्द आता है, गहन शिक्षा।

न्यूरॉन्स

चार्जिंग प्रक्रिया में कैमरों का उपयोग करने का विचार बहुत पहले पैदा हो गया था, लेकिन हाल तक यह केवल एक विचार मात्र था।

अब तक, दृष्टि एल्गोरिदम ने छवि के ध्यान देने योग्य गुणों को खोजने और वस्तुओं में उन्हें इकट्ठा करने के माध्यम से काम किया है। छवि से लाइनों, कोण और चेहरे को निकालना संभव था। एक निश्चित संयोजन में चार लाइनें और चार कोने आपको एक वर्ग (या आयत) देते हैं। समान सिद्धांतों का उपयोग अधिक जटिल गुणों और सेटों का उपयोग करके अधिक जटिल वस्तुओं को पहचानने और ट्रैक करने के लिए किया जा सकता है। दृष्टि एल्गोरिदम की जटिलता वस्तुओं के गुणों के कुछ सेटों को पहचानने के लिए उपयोग की जाने वाली गुणों और तकनीकों की जटिलता पर निर्भर करती है।

लंबे समय तक, कंप्यूटर विज़न और मशीन लर्निंग में सबसे दिलचस्प प्रगति शोधकर्ताओं द्वारा तेजी से जटिल गुणों के आविष्कार पर निर्भर थी। लाइनों और कोणों के बजाय वेवलेट्स और गौसियन ब्लर आए, और एसआईएफटी और एसयूआरएफ जैसे गूढ़ नामों के साथ गुण। कुछ समय के लिए, किसी व्यक्ति को छवि में निर्धारित करने के लिए सबसे अच्छी संपत्ति को HOG कहा जाता था। लेकिन बहुत जल्दी यह स्पष्ट हो गया कि हाथ से संपत्तियों का सावधानीपूर्वक निर्माण जल्दी से उनकी क्षमताओं की छत पर टिकी हुई है।

कुछ गुणों की मान्यता पर आधारित एल्गोरिदम ने आश्चर्यजनक रूप से अच्छी तरह से काम करते हुए पहचान लिया कि उन्होंने पहले से ही क्या देखा था। एल्गोरिथ्म को कोला के छह कैन के पैक की एक छवि दिखाएं, और यह कोला के छह कैन के पैक को पहचानने में एक विश्व विशेषज्ञ बन जाएगा। लेकिन इन एल्गोरिदम का एक सामान्यीकरण नहीं दिया गया था; उनके लिए सोडा को सामान्य रूप से, या पेय की व्यापक दुनिया में पहचानना बहुत कठिन था।

मामलों को बदतर बनाने के लिए, ये सिस्टम अविश्वसनीय थे, और उन्हें सुधारना बहुत मुश्किल था। त्रुटियों के सुधार के लिए काम के तर्क का एक गंभीर मैनुअल समायोजन की आवश्यकता थी, और केवल विज्ञान के डॉक्टर जो समझ सकते थे कि एल्गोरिथ्म कैसे काम कर सकता है। स्टोर के मामले में, आप शायद ध्यान नहीं रखेंगे कि एल्गोरिथ्म में पेप्सी की बोतल के साथ कोला की एक बोतल मिलाई गई है, लेकिन अगर एल्गोरिथम ने $ 2 की सोडा की बोतल के लिए $ 20 मूल्य की शराब की बोतल को स्वीकार कर लिया तो आप चिंतित होंगे।

आज के गहरे सीखने के अवसरों को जानबूझकर मैन्युअल रूप से खोज और छवि सुविधाओं के बढ़िया ट्यूनिंग से छुटकारा पाने के लिए डिज़ाइन किया गया है। मैन्युअल रूप से विशेषता गुणों को खोजने की कोशिश करने के बजाय, आप तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए बड़ी मात्रा में डेटा का उपयोग करते हैं। इसे क्या पहचानना चाहिए, इसके उदाहरणों से, तंत्रिका नेटवर्क में स्वयं विशेषताएँ मिल जाती हैं। निम्न-स्तरीय न्यूरॉन्स लाइनों की तरह सरल चीजों को पहचानना सीखते हैं, और उनका आउटपुट न्यूरॉन्स तक पहुंच जाता है जो इन प्राइमेटिव्स को और अधिक जटिल चीजों में जोड़ते हैं, जैसे कि रूपों, पदानुक्रमित वास्तुकला में।

यह इंगित करने के लिए आवश्यक नहीं है कि न्यूरॉन्स द्वारा क्या विशेषताओं को मान्यता दी जानी चाहिए, प्रशिक्षण के दौरान, वे बस अपने दम पर दिखाई देते हैं। न्यूरॉन्स यह निर्धारित करते हैं कि संवेदनशीलता को विकसित करने के लिए कौन से पैटर्न बेहतर हैं। यदि आप एक ऐसी प्रणाली बनाने की कोशिश करते हैं जो सोडा को पहचानती है, तो आप इसे सोडा की हजारों छवियों को दिखाते हैं, और यह लाइनों और घटता से आकृतियों और फिर बक्से और बोतलों तक जाएगी।

हमारा मस्तिष्क लगभग उसी तरह से काम करता है, और इसलिए, मानव योजनाओं के अनुसार त्रुटि सुधार होता है। उदाहरणों पर। यदि आपका तंत्रिका नेटवर्क शराब और सोडा को भ्रमित करता है, तो आपको इसे कुछ हजार या अन्य उदाहरणों को ढूंढकर ठीक करना होगा और उन पर प्रशिक्षण देना होगा। वह खुद पता लगाएगी कि वस्तुओं को कैसे भेदना है।

न्यूरॉन्स के काम का अनुकरण करने के लिए सॉफ्टवेयर कई दशकों से मौजूद है, लेकिन कंप्यूटर दृष्टि के लिए इसका उपयोग लंबे समय तक सैद्धांतिक क्षेत्र में रहा है। जानवरों की दृष्टि का अनुकरण करने के लिए, न्यूरॉन्स की दसियों परतों की आवश्यकता होती है, जिनमें से प्रत्येक में हजारों हज़ारों न्यूरॉन्स होते हैं। और प्रत्येक नई परत के साथ, परतों के बीच बांडों की संख्या तेजी से बढ़ती है। इस तरह के नेटवर्क के संचालन के लिए विशाल कंप्यूटर शक्ति की आवश्यकता होती है, और प्रशिक्षण के लिए - बड़ी मात्रा में डेटा।

एक तंत्रिका नेटवर्क बनाने के लिए जो उचित समय में काम करता है, आंतरिक कनेक्शन की संख्या को कम करने के लिए इसकी संरचना को ठीक करना आवश्यक है। लेकिन तब बहुत अधिक अश्वशक्ति की आवश्यकता होती है।

कम्प्यूटेशनल सहयोग

अगली सफलता डेस्कटॉप सुपर कंप्यूटर के रूप में GPU का उपयोग थी। एक तंत्रिका नेटवर्क के सिमुलेशन में कई न्यूरॉन्स के लिए इनपुट डेटा के संग्रह और आउटपुट डेटा की गणना की आवश्यकता होती है - और यह प्रक्रिया समानांतर करना आसान है। सबसे शक्तिशाली सीपीयू पर लगने वाले घंटे GPU के औसत हाथ पर मिनटों में चलने लगे।

GPU पर समानांतर कंप्यूटिंग ने अंततः शोधकर्ताओं को पुरानी खोज का फायदा उठाने की अनुमति दी - दृष्टि को अनुकरण करने के लिए एक तंत्रिका नेटवर्क को संरचित करना। याद रखें कि कई सौ हज़ार न्यूरॉन्स के एक साधारण नेटवर्क में भी अरबों कनेक्शन हो सकते हैं। इन सभी को अनुकरण करने की आवश्यकता है, जब तक कि इन यौगिकों के काम करने के लिए कुछ शॉर्टकट न हो।

सौभाग्य से, आप नेटवर्क देखने के लिए थोड़ा धोखा दे सकते हैं - हमारे पास हमारे सिर में दृष्टि के लिए अनुकूलित तंत्रिका नेटवर्क के अद्भुत उदाहरण हैं। न्यूरोबायोलॉजी दशकों से स्तनधारियों के दृश्य प्रांतस्था को चिह्नित कर रहा है, जो एक प्रेरणा के रूप में सेवा करता है। इसलिए दृढ़ तंत्रिका नेटवर्क (SNS) का जन्म हुआ। पिछले कुछ वर्षों में, यह कंप्यूटर दृष्टि के क्षेत्र में सबसे लोकप्रिय और शक्तिशाली उपकरणों में से एक बन गया है।

वार्तालाप एक अद्भुत गणितीय अवधारणा है, जिसकी एक सरल व्याख्या मेरी क्षमताओं से परे है। रंगीन में से एक, लेकिन एक तकनीकी दृष्टिकोण से बिल्कुल गलत है, इसकी कल्पना करने के तरीके एक गणितीय फ़ंक्शन को लेना और दूसरे पर इसे स्थानांतरित करना है, जिसके परिणाम को देखते हुए।

एसएनए में, जैसा कि दृश्य कॉर्टेक्स में, न्यूरॉन्स होते हैं जो कुछ गुणों (कहते हैं, नाक) के प्रति संवेदनशील होते हैं, और वे दृश्य के क्षेत्र में वितरित किए जाते हैं। इन न्यूरॉन्स का आउटपुट जुड़ा हुआ है जैसे कि हमने केवल नर्व-सेंसिटिव न्यूरॉन को लिया और पूरे क्षेत्र में उन्हें निर्देशित किया। परिणाम एक आउटपुट है जिसमें नाक की छवि में स्थान की जानकारी है। यह, ज़ाहिर है, नाक तक सीमित नहीं है - प्रभाव का उपयोग स्थानिक चिह्नों को बनाने के लिए किया जाता है जहां कुछ विशेषताएं छवियों पर स्थित हैं। ये स्थानिक रिश्ते नेटवर्क की उच्च परतों को खिलाए जाते हैं, और उन्हें पैटर्न और वस्तुओं को पहचानने के लिए संयोजित किया जाता है।

SNA कंप्यूटर दृष्टि के क्षेत्र में एक रहस्योद्घाटन बन गया है। वे सामान्यीकृत वस्तु मान्यता के लिए बेहद उपयोगी हैं: आप SNA को एक विशिष्ट कार या व्यक्ति नहीं, बल्कि कारों या लोगों को सामान्य रूप से पहचानने के लिए प्रशिक्षित करते हैं। उन्होंने प्रसिद्ध XKCD कॉमिक्स को अप्रासंगिक बना दिया।



और उनकी संरचना की स्थानिक प्रकृति के कारण, वे GPU पर समानांतर होने के लिए खुद को बहुत अच्छी तरह से उधार देते हैं। छवि के विभिन्न भागों का निरीक्षण करने वाले विभिन्न न्यूरॉन्स को पूरी तरह से स्वतंत्र रूप से अनुकरण किया जा सकता है। अचानक, सटीकता के साथ लोगों, स्थानों और वस्तुओं को जल्दी और सस्ते में पहचानना संभव हो गया।

मोबाइल फोन और नेटवर्क की लोकप्रियता के साथ-साथ विस्फोट का मतलब था कि लाखों लोगों ने ऑनलाइन और फेसबुक , Google जैसी सेवाओं के लिए अरबों छवियां अपलोड कीं, जो अनजाने में प्रशिक्षण एल्गोरिदम के लिए बहुत बड़ा सेट बना रहे थे।

हाल के अत्याधुनिक घटनाक्रम आगे भी चलते हैं। शोधकर्ताओं ने अंतर्निहित मेमोरी के साथ एक आवर्तक तंत्रिका नेटवर्क (RNS) बनाया है। केवल अगली परत में कनेक्शन स्थानांतरित करने के बजाय, यह केवल-पढ़ने के लिए मेमोरी बनाने के लिए आंतरिक कनेक्शन का उपयोग करता है। यदि आप डिजिटल लॉजिक से परिचित हैं, तो आप एक एनालॉग के रूप में ट्रिगर्स की कल्पना कर सकते हैं। इसका मतलब है कि आप नेटवर्क को एक एकल दृश्य परत के साथ प्रशिक्षित कर सकते हैं जो छवि पर "दिखता है" और वह सब कुछ जो वे मेमोरी में देखते हैं, को स्थानांतरित करता है, ताकि नेटवर्क वीडियो पर कार्रवाई को पहचान सके।

और इन घटनाओं के बाद, आपके पास अचानक एल्गोरिदम हैं जो लोगों, वस्तुओं और कार्यों को अत्यधिक उच्च सटीकता के साथ पहचान सकते हैं। दूसरे शब्दों में, आप किसी व्यक्ति को पहचानने के लिए एल्गोरिदम को प्रशिक्षित कर सकते हैं, यह जान सकते हैं कि स्टोर का उत्पाद कहां स्थानांतरित होने पर छवि पर है, और व्यक्ति जब इसे डालता है या इसे बंद कर देता है तो पहचान लेता है। आपको केवल थोड़ा GPU चाहिए। और यह कितना सुविधाजनक है कि मांग पर उपलब्ध GPU के सबसे बड़े संग्रह में से एक अमेज़न के अंतर्गत आता है - यह उनकी बेहद शक्तिशाली और लाभदायक AWS क्लाउड सेवा है।

क्या हमने मस्तिष्क एल्गोरिदम और कंप्यूटर की सेना के साथ सस्ते कैमरों के संयोजन से अमेज़ॅन गो के रहस्य को तोड़ दिया है? वास्तव में नहीं, क्योंकि एक और समस्या को हल करने की आवश्यकता है। कैमरों के देखने का कोण सीमित है - इसलिए एक व्यवसाय एक स्टोर पर उन्हें कैसे कवर कर सकता है? क्या होगा अगर ग्राहक कैमरे और शेल्फ के बीच खड़ा हो?

ऐसा करने के लिए, सुनिश्चित करें कि किसी भी क्षेत्र को कई कैमरों पर देखा जाता है। लेकिन यह एक और सवाल उठाता है - कई कैमरों के इनपुट डेटा को एक सुसंगत तस्वीर में कैसे संयोजित किया जाए?

खाद्य संश्लेषण

इसके लिए हम 1960 के दशक में लौटेंगे। तब नासा के इंजीनियरों को एक बड़ी समस्या का सामना करना पड़ा था - उनके पास कई अलग-अलग नेविगेशन उपकरण थे, जाइरोस्कोप से लेकर ट्रैकिंग सितारों तक, और उन्हें अंतरिक्ष यान के स्थान के एक सबसे अच्छे अनुमान के लिए सभी मापों को कम करने की आवश्यकता थी।

अमेज़ॅन गो को भी इसी तरह की समस्या थी। काम करने के लिए इस पूरे विचार के लिए, खरीदारी कार्ट के बारे में एक सुसंगत जानकारी में कई अलग-अलग समय के लिए कई अलग-अलग कैमरों से टिप्पणियों को संयोजित करना आवश्यक है। पकड़ यह है कि दुनिया अनिवार्य रूप से एक अनिश्चित जगह है, इसलिए निर्णय को इस अनिश्चितता को स्वीकार करना था। अधिकतम सटीकता के साथ सब कुछ निर्धारित करने की कोशिश करने के बजाय, सफल मॉडल एक संभाव्य दृष्टिकोण का उपयोग करते हैं।

नासा में, इसके पास कलमन फ़िल्टर नामक एक एल्गोरिथ्म था, जिसे वे प्रत्येक उपकरण की त्रुटियों और सबसे अच्छे अनुमान में माप के संयोजन को ध्यान में रखते थे। कलमन फ़िल्टर बेयस फॉर्मूला पर आधारित है ।

संक्षेप में, बेयस सूत्र एक गणितीय संबंध है जो किसी घटना के अवलोकन और उसके घटित होने की संभावना को जोड़ता है, और आपको संभावना देता है कि घटना वास्तव में हुई थी। परिणाम इस प्रकार है: हमारा विश्वास है कि संभावित राज्यों में से एक सच है (एक पश्च-अयोग्यता) इस स्थिति में अवलोकन (एक प्राथमिकता संभावना) से पहले इस स्थिति में हमारे विश्वास की ताकत के बराबर है, सेंसर से प्राप्त आंकड़ों से इस राज्य के समर्थन से गुणा किया जाता है।

शराब और सोडा के उदाहरण पर लौटना: उदाहरण के लिए, एक तंत्रिका नेटवर्क रिपोर्ट करता है कि ग्राहक ने शराब ली थी। बेयस सूत्र हमें बताता है कि जिस संभावना से उसने वास्तव में लिया था वह इस संभावना के बराबर है कि वह वाइन लेगा, इस संभावना से कई गुना कि कैमरा सही तरीके से वाइन लेने के तथ्य की रिपोर्ट करता है।

बायेसियन-आधारित संभाव्य योजना का उपयोग करते समय अमेज़ॅन के दो बड़े फायदे हैं। सबसे पहले, कंपनी एक प्राथमिकताओं पर विचार कर सकती है, क्योंकि यह कई ग्राहकों की पिछली खरीद का इतिहास जानता है। इसका मतलब यह है कि अगर अमेज़ॅन गो ग्राहक हर मंगलवार को कॉफी और एक कप केक खरीदता है, तो इससे पहले कि वह उचित अलमारियों में जाता है, स्टोर पहले से ही इन खरीद की संभावना बढ़ा सकता है। यह एक बड़ी मात्रा में उपयोगकर्ता डेटा का उपयोग करने का एक प्राकृतिक तरीका है जो कंपनी के पास पहले से है।

दूसरा बड़ा फायदा यह है कि हर चीज को प्रायिकता भाषा में अनुवाद करने से आप कई सेंसर से कई समय अवधि में कई माप जोड़ सकते हैं। टिप्पणियों की स्वतंत्रता को मानते हुए, आप बस संभावनाओं को गुणा कर सकते हैं। साथ ही, एक घटना की पूर्ववर्ती संभावना दूसरे के लिए प्राथमिकता के रूप में उपयोग की जा सकती है।



उदाहरण के लिए, कई कैमरों को एक शेल्फ देखना चाहिए। कुछ पास खड़े हैं, कुछ दूर। कई कैमरों का मानना ​​है कि ग्राहक ने शेल्फ से सस्ती सोडा लिया, एक का मानना ​​है कि उसने एक महंगा उत्पाद लिया, किसी ने कुछ नहीं देखा, और उत्तरार्द्ध का मानना ​​है कि वह सिर्फ अपनी नाक उठा रहा था। और अब क्या?

अमेज़ॅन इस मामले के लिए जटिल तर्क के साथ आ सकता है, जिसमें से यह पालन किया जाएगा कि किस कैमरे पर भरोसा किया जा सकता है। क्या यह करीब था और बेहतर था कैमरे का दृश्य, जो मानता था कि ग्राहक ने महंगा सोडा लिया था? क्या खरीदार को एक कैमरे द्वारा अवरुद्ध किया गया था जिसने नाक में एक पिकिंग देखी थी? लेकिन आपको केवल विश्वसनीयता चाहिए। प्रत्येक कैमरे की त्रुटियों की संख्या के आधार पर, उसके स्थान और अवलोकन के आधार पर, बेयस सूत्र हमें बताता है कि सभी इनपुट डेटा को कैसे संयोजित किया जाए, यह समझने के लिए कि उपयोगकर्ता ने क्या सस्ता सोडा, महंगा लिया, या कुछ भी नहीं लिया।

वास्तव में, चूंकि आप संभावनाओं की अद्भुत दुनिया में चले गए हैं, बेयस सूत्र आपको पूरी तरह से विभिन्न प्रकार के सेंसर के साथ इनपुट को संयोजित करने की अनुमति देता है।

इसलिए, अमेज़ॅन ने खरीद के लिए स्वचालित रूप से भुगतान करने के लिए आरएफआईडी सेंसर का उपयोग करने के लिए पेटेंट आवेदन दायर किया है । निष्क्रिय आरएफआईडी सेंसर सामान पर रखे जाते हैं, और फिर स्टोर में स्थित स्कैनर द्वारा पढ़े जाते हैं। यह तकनीक एक स्वचालित स्टोर बनाने के लिए एक उत्कृष्ट उम्मीदवार है, क्योंकि यह आज सस्ता और व्यापक है। और चूंकि यह रिमोट स्कैनिंग की अनुमति देता है, इसलिए इसका उपयोग कैशियर के बजाय किया जा सकता है। स्कैनर वहां रखें जहां ग्राहक जाते हैं, और आप देखेंगे कि उनकी टोकरी में क्या है, बिना सामान प्राप्त किए और उन्हें कैशियर के सामने पेश करें। एक प्रचार वीडियो देखने के दौरान, मैंने देखा कि सभी सामान पहले से पैक किए गए थे - डिब्बाबंद भोजन, चिप्स के पैकेट और भोजन के साथ प्लास्टिक के कंटेनर। इन उत्पादों से न केवल अधिक लाभ होता है, वे आपको प्रत्येक आइटम पर एक निशान लगाने की अनुमति भी देते हैं।

लेकिन अकेले RFID के उपयोग से इसकी कमियां हैं।एक खरीदार को दूसरे से अलग करना संभव नहीं होगा। आप देखते हैं कि स्टोर सोडा, चिप्स और सैंडविच का एक सेट छोड़ देता है, और आप समझते हैं कि यह एक खरीद है, लेकिन इसे किसने खरीदा है? इसके अलावा, RFID त्रुटियां दे सकता है। यदि दो ग्राहक स्कैनर से गुजरते हैं, तो आप दोनों की खरीद को स्कैन कर सकते हैं, और यह नहीं जान पाएंगे कि किसने क्या ऑर्डर किया है।

बेयस सूत्र के आधार पर संभावित अनुमान ऐसी समस्याओं से निपटने में मदद करते हैं। अमेज़ॅन सैकड़ों खरीदारों के लिए स्थान और संभावित खरीदारी संयोजनों द्वारा संभावनाएं दे सकता है। स्थिति क्वांटम यांत्रिकी की एक बहु-विश्व व्याख्या के समान है: हर बार कुछ ग्राहक कार्रवाई के बाद, स्टोर इस कार्रवाई के साथ एक नया "दुनिया" बनाता है और इसे ट्रैक करता है (बेयस के अनुसार इस दुनिया की संभावना को अपडेट करता है)।

आइए कैमरों पर वापस जाएं और सोडा उदाहरण: आरएफआईडी पर आधारित, अमेज़ॅन किसी विशेष तर्क को विकसित करने की आवश्यकता के बिना, कैमरों की पुष्टि या खंडन करने के लिए स्कैनिंग का उपयोग कर सकता है।

और केक पर चेरी। तंत्रिका नेटवर्क के लिए मशीन सीखने के साथ, अधिक डेटा के साथ संभाव्य स्कोर में सुधार किया जाता है। आंकड़ों के साथ, आप जितना अधिक माप करेंगे, उतना ही बेहतर होगा। प्रत्येक नया डेटा सेट उपयोगकर्ता द्वारा सिस्टम की सटीकता और इसकी धारणा को बेहतर बनाता है।

और अमेज़ॅन को गर्व है ... आपका डिनर

विवरण सटीक नहीं हो सकता है, और यह सुनिश्चित करने के लिए कि जब तक अमेज़ॅन अपने कार्ड का खुलासा नहीं करता है, तब तक हमें पता नहीं चलेगा, लेकिन बेयस फॉर्मूला इस यथार्थवादी प्रणाली को कैसे काम कर सकता है, इसकी काफी यथार्थवादी तस्वीर को पूरा करने में मदद करता है।

स्टोर में प्रवेश करते हुए, आप अपने स्मार्टफोन को स्कैनर पर स्वाइप करते हैं। कैमरा-चालित एल्गोरिदम छवि मान्यता और गहराई से प्रशिक्षण के दौरान आपको ट्रैक करते हैं। हर बार जब आप कोई आइटम लेते हैं या उसे वापस करते हैं, तो कैमरे इस क्रिया को पहचानते हैं। कई कैमरों के अवलोकन बायेसियन फार्मूले का उपयोग करके संयुक्त हैं, और जो आपने लिया उसके बारे में जानकारी दें। सिस्टम आपके द्वारा लिए गए सामान के सभी संभावित संयोजनों की निगरानी करता है। हर बार जब आप एक दरवाजे या फ्रेम से गुजरते हैं, तो आपको आरएफआईडी टैग के लिए स्कैन किया जाता है, जो सिस्टम को संयोजनों की सूची को कम करने की अनुमति देता है। जब आप स्टोर छोड़ते हैं, तो सिस्टम इस बात की सूची को देखता है कि आपका क्या मानना ​​है, सबसे अधिक संभावना अनुमान का चयन करता है, और आपके खाते से आवश्यक राशि काट लेता है।

यह सब गहरी शिक्षा, क्लाउड कंप्यूटिंग और संभाव्य आकलन के विकास के साथ संभव हो गया। अमेज़ॅन गो को पांच साल पहले भी नहीं किया जा सकता था, लेकिन आज सभी घटक पहले से ही उपलब्ध हैं। और एक ही संयोजन वर्तमान में रोबोमेबाइल, एआई, टेक्स्ट ट्रांसलेशन सिस्टम और बहुत कुछ के विकास के दिल में है। आज कंप्यूटर प्रशिक्षण के क्षेत्र में काम करना बहुत दिलचस्प है। और यद्यपि मुझे यह जानने में बहुत दिलचस्पी है कि हमें और क्या इंतजार है, मैं जल्द ही स्टोर की यात्रा का आनंद लेने की उम्मीद करता हूं, जहां आप केवल सामान उठा सकते हैं और छोड़ सकते हैं।