मैन कार सहायक

यह ब्लॉग आमतौर पर लाइसेंस प्लेट मान्यता के लिए समर्पित है। लेकिन, इस कार्य पर काम करते हुए, हम एक दिलचस्प समाधान के लिए आए, जिसे कंप्यूटर विज़न कार्यों की एक विस्तृत श्रृंखला में आसानी से लागू किया जा सकता है। हम अब इस बारे में बात करेंगे: एक मान्यता प्रणाली कैसे बनाई जाए जो आपको निराश न करे। और यदि आप असफल होते हैं, तो आप उसे बता सकते हैं कि गलती कहाँ है, पहले से कहीं अधिक विश्वसनीय समाधान है। बिल्ली के लिए आपका स्वागत है!

क्या हुआ था?

कल्पना कीजिए, आपने कार्य का सामना किया: फोटो में पिज्जा खोजने के लिए और यह निर्धारित करने के लिए कि यह किस तरह का पिज्जा है।

आइए हम उस मानक पथ के माध्यम से संक्षेप में चलते हैं जो हम अक्सर चलते थे। क्यों? समझने के लिए कैसे करें ... कोई ज़रूरत नहीं है।

चरण 1: आधार उठाओ



चरण 2: मान्यता की विश्वसनीयता के लिए, यह ध्यान दिया जा सकता है कि पिज्जा है और पृष्ठभूमि क्या है (इसलिए हम मान्यता प्रक्रिया में एक विभाजन तंत्रिका नेटवर्क को शामिल करेंगे, लेकिन यह अक्सर इसके लायक है):



चरण 3: हम इसे "सामान्यीकृत रूप" में लाते हैं और एक अन्य दृढ़ तंत्रिका नेटवर्क का उपयोग करके वर्गीकृत करते हैं:



बहुत बढ़िया! अब हमारे पास एक प्रशिक्षण आधार है। औसतन, प्रशिक्षण आधार का आकार कई हजार छवियां हो सकता है।

हम 2 कनवल्शन नेटवर्क लेते हैं, उदाहरण के लिए, यूनेट और वीजीजी। पहले इनपुट छवियों पर प्रशिक्षित किया जाता है, फिर हम छवि को सामान्य करते हैं और वर्गीकरण के लिए वीजीजी को प्रशिक्षित करते हैं। यह बहुत अच्छा काम करता है, हम इसे ग्राहक को हस्तांतरित करते हैं और ईमानदारी से अर्जित धन पर विचार करते हैं।

यह उस तरह से काम नहीं करेगा!

दुर्भाग्य से, लगभग कभी नहीं। कार्यान्वयन के दौरान कई गंभीर समस्याएं होती हैं:

1. इनपुट डेटा की विविधता। हमने एक उदाहरण पर अध्ययन किया, वास्तव में, सब कुछ अलग-अलग निकला। हां, बस ऑपरेशन के दौरान कुछ गड़बड़ हो गई।
2. बहुत बार, मान्यता सटीकता अपर्याप्त रहती है। मुझे 99.5% चाहिए, लेकिन अच्छे दिन में यह 60% से 90% हो जाता है। लेकिन वे चाहते थे, एक नियम के रूप में, एक समाधान को स्वचालित करने के लिए जो खुद काम करता है, और लोगों से भी बेहतर!
   
3. ऐसे कार्यों को अक्सर आउटसोर्स किया जाता है, जिसका अर्थ है कि अनुबंध पहले से ही बंद हैं, कृत्यों पर हस्ताक्षर किए गए हैं और व्यवसाय के मालिक को यह तय करना है कि संशोधन में निवेश करना है या निर्णय को पूरी तरह से छोड़ देना है।
4. हां, यह बस समय के साथ कम होने लगता है, जैसे कि किसी भी जटिल प्रणाली में, यदि आप ऐसे विशेषज्ञों को शामिल नहीं करते हैं जिन्होंने सृजन में भाग लिया था, या योग्यता के समान स्तर पर।

नतीजतन, कई लोगों के लिए जिन्होंने अपने हाथों से इस सभी यांत्रिकी को छुआ है, यह स्पष्ट हो जाता है कि सब कुछ पूरी तरह से अलग तरीके से होना चाहिए। कुछ इस तरह:



डेटा हमारे सर्वर (HTTP POST के माध्यम से, या पायथन एपीआई का उपयोग करके) को भेजा जाता है, GPU सर्वर इसे "जैसा भी हो", तुरंत परिणाम वापस कर देगा। जिस तरह से, छवि के साथ एक ही मान्यता परिणाम संग्रह में जोड़ा जाता है। एक व्यक्ति तब सभी डेटा या इसके यादृच्छिक भाग को नियंत्रित करता है, इसे सही करता है। सही परिणाम दूसरे संग्रह में डाल दिया गया है। और फिर, जब ऐसा करना सुविधाजनक होगा (उदाहरण के लिए, रात में), मान्यता के लिए उपयोग किए जाने वाले सभी दोषपूर्ण तंत्रिका नेटवर्क उस व्यक्ति को ठीक करने वाले डेटा का उपयोग करके पुनर्प्राप्त किए जाएंगे।

इस तरह के एक मान्यता सर्किट, मानव पर्यवेक्षण, और आगे के प्रशिक्षण ऊपर सूचीबद्ध कई समस्याओं को हल करते हैं। इसके अलावा, उन समाधानों में जहां उच्च सटीकता की आवश्यकता होती है, मानव-सत्यापित आउटपुट का उपयोग किया जा सकता है। ऐसा लगता है कि मानव-सत्यापित डेटा का यह उपयोग बहुत महंगा है, लेकिन आगे हम दिखाएंगे कि यह लगभग हमेशा आर्थिक समझ में आता है।

वास्तविक उदाहरण

हमने वर्णित सिद्धांत को लागू किया है और इसे कई वास्तविक कार्यों पर सफलतापूर्वक लागू किया है। उनमें से एक एक टैबलेट से ली गई रेलवे टर्मिनलों में कंटेनरों की छवियों पर संख्या की मान्यता है। यह काफी सुविधाजनक है - कंटेनर में टैबलेट को इंगित करें, मान्यता प्राप्त संख्या प्राप्त करें और टैबलेट प्रोग्राम में इसके साथ काम करें।

एक विशिष्ट स्नैपशॉट उदाहरण:



तस्वीर में, संख्या लगभग सही है, केवल दृश्य शोर का एक बहुत। लेकिन कठोर छाया, बर्फ, अप्रत्याशित लेटरिंग लेआउट, शूटिंग के समय गंभीर झुकाव या दृष्टिकोण होते हैं।

और इसलिए यह उन वेब पेजों के एक सेट जैसा दिखता है, जिस पर "जादू" होता है:

1) फ़ाइल को सर्वर पर अपलोड करना (बेशक, यह html पृष्ठ से नहीं किया जा सकता है, लेकिन पायथन या किसी अन्य प्रोग्रामिंग भाषा का उपयोग करके):


2) सर्वर मान्यता परिणाम लौटाता है:


3) और यह ऑपरेटर के लिए एक पृष्ठ है जो मान्यता की सफलता की निगरानी करता है और, यदि आवश्यक हो, तो परिणाम को सही करता है। 2 चरण हैं: प्रतीक समूहों के क्षेत्रों की खोज, उनकी मान्यता। यदि वह त्रुटि देखता है तो ऑपरेटर यह सब ठीक कर सकता है।


4) यहां एक सरल पृष्ठ है, जहां आप प्रत्येक मान्यता चरणों के लिए प्रशिक्षण शुरू कर सकते हैं, और, चलकर, वर्तमान नुकसान देखें।


हर्ष अतिसूक्ष्मवाद, लेकिन यह महान काम करता है!

यह वर्णित दृष्टिकोण (या हमारे अनुभव और मान्यता प्राप्त सर्वर) का उपयोग करने की योजना बनाने वाली कंपनी के पक्ष से कैसे दिख सकता है?

1. अत्याधुनिक तंत्रिका नेटवर्क का चयन किया जाता है। यदि सब कुछ मौजूदा डीबग किए गए समाधानों पर आधारित है, तो आप सर्वर को शुरू कर सकते हैं और एक सप्ताह में मार्कअप को कॉन्फ़िगर कर सकते हैं।
   
2. सर्वर पर एक डेटा स्ट्रीम (अधिमानतः अंतहीन) का आयोजन किया जाता है, कई सौ फ्रेम चिह्नित किए जाते हैं।
   
3. प्रशिक्षण शुरू होता है। यदि सब कुछ "फिट" होता है, तो परिणाम 60-70% सफल मान्यता है, जो आगे अंकन में बहुत मदद करता है।
   
4. फिर सभी संभावित स्थितियों को प्रस्तुत करने, मान्यता परिणामों की जांच, संपादन, फिर से जाँचने का व्यवस्थित काम शुरू होता है। जैसा कि आप सीखते हैं, एक व्यापार प्रक्रिया में सिस्टम को एम्बेड करना अधिक से अधिक लागत प्रभावी हो रहा है।

और कौन ऐसा करता है?

बंद लूप थीम नया नहीं है। कई कंपनियां एक प्रकार या किसी अन्य के डेटा प्रोसेसिंग सिस्टम की पेशकश करती हैं। लेकिन काम प्रतिमान पूरी तरह से अलग तरीकों से बनाया जा सकता है:

• एनवीडिया अंक कुछ बहुत अच्छे और शक्तिशाली मॉडल हैं जो एक सहज ज्ञान युक्त जीयूआई में लिपटे हुए हैं जहां उपयोगकर्ता को अपने चित्रों और JSON को संलग्न करने की आवश्यकता होती है। मुख्य प्लस - प्रोग्रामिंग और प्रशासन का एक न्यूनतम ज्ञान आपको एक अच्छा समाधान देता है। माइनस - यह समाधान इष्टतम से दूर हो सकता है (उदाहरण के लिए, एसएसडी कुएं के माध्यम से कार संख्या की खोज करना संभव नहीं है)। और समाधान को कैसे अनुकूलित किया जाए, यह समझने के लिए, उपयोगकर्ता के पास पर्याप्त ज्ञान नहीं है। यदि उसके पास पर्याप्त ज्ञान है, तो उसे DIGITS की आवश्यकता नहीं है। दूसरा माइनस - आपको अपना खुद का उपकरण होना चाहिए जिस पर सब कुछ कॉन्फ़िगर और तैनात करना है।
  
• Markup सेवाएं जैसे मैकेनिकल Turk, Toloka, Supervise.ly। पहले दो आपको मार्कअप टूल प्रदान करते हैं, साथ ही वे लोग जो डेटा को चिह्नित कर सकते हैं। उत्तरार्द्ध महान उपकरण प्रदान करता है, लेकिन लोगों के बिना। सेवाओं के माध्यम से, आप मानव श्रम को स्वचालित कर सकते हैं, लेकिन आपको कार्य को स्थापित करने में एक विशेषज्ञ होने की आवश्यकता है।
  
• वे कंपनियाँ जो पहले से ही एक निश्चित समाधान (Microsoft, Google, Amazon) प्रशिक्षित और उपलब्ध कराती हैं। उनके बारे में यहाँ और अधिक पढ़ें (https://habr.com/post/312714/)। उनके निर्णय लचीले नहीं होते हैं, हमेशा "हुड के नीचे" आपके मामले में आवश्यक सर्वोत्तम निर्णय नहीं होंगे। सामान्य तौर पर, लगभग हमेशा यह मदद नहीं करता है।
• कंपनियां जो विशेष रूप से आपके डेटा के साथ काम करती हैं, उदाहरण के लिए ScaleAPI (https://www.scaleapi.com/)। उनके पास एक शानदार एपीआई है, ग्राहक के लिए यह एक ब्लैक बॉक्स होगा। इनपुट डेटा - आउटपुट परिणाम। यह बहुत संभावना है कि अंदर सभी बेहतरीन स्वचालन समाधान हैं, लेकिन यह आपके लिए महत्वपूर्ण नहीं है। एक फ्रेम के संदर्भ में काफी महंगा समाधान, लेकिन अगर आपका डेटा वास्तव में मूल्यवान है - क्यों नहीं?
• ऐसी कंपनियां जिनके पास अपने हाथों से लगभग पूरा चक्र करने के लिए उपकरण हैं। उदाहरण के लिए, आईबीएम से पावरएआई । यह लगभग DIGITS जैसा है, लेकिन आपको केवल डेटासेट को चिह्नित करना होगा। इसके अलावा, कोई भी तंत्रिका नेटवर्क और समाधान का अनुकूलन नहीं करता है। लेकिन बहुत सारे मामलों पर काम किया गया है। परिणामी तंत्रिका नेटवर्क मॉडल आपको तैनात किया गया है और http एक्सेस दिया जाएगा। अंकों के रूप में यहां भी वही खामी है - आपको यह समझने की जरूरत है कि क्या करना है। यह आपका मामला है जो "अभिसरण नहीं" हो सकता है या बस मान्यता के लिए एक असामान्य दृष्टिकोण की आवश्यकता हो सकती है। सामान्य तौर पर, समाधान एकदम सही है यदि आपके पास एक काफी मानक कार्य है, जिसमें अच्छी तरह से अलग-अलग वस्तुओं को वर्गीकृत किया जाना है।
  
• कंपनियां जो अपने उपकरणों के साथ आपकी समस्या का समाधान करती हैं। ऐसी कई कंपनियां नहीं हैं। वास्तव में, मैं केवल क्राउडफ्लॉवर का उल्लेख करूंगा। यहां उचित धन के लिए वे स्क्राइब्लर डालेंगे, एक प्रबंधक आवंटित करेंगे, अपने सर्वरों को तैनात करेंगे, जहां आपके मॉडल लॉन्च किए जाएंगे। और अधिक गंभीर धन के लिए वे आपके कार्य के लिए अपने निर्णयों को बदलने या अनुकूलित करने में सक्षम होंगे।
  बड़ी कंपनियां उनके साथ काम करती हैं - ईबे, ओरेकल, टेस्को, एडोब। उनके खुलेपन को देखते हुए, वे सफलतापूर्वक छोटी कंपनियों के साथ बातचीत करते हैं।
  उदाहरण के लिए, EPAM द्वारा किए जाने वाले कस्टम विकास से यह कैसे भिन्न होता है? तथ्य यह है कि यहाँ सब कुछ तैयार है। समाधान का 99% नहीं लिखा गया है, लेकिन तैयार मॉड्यूल से इकट्ठा किया गया है: डेटा मार्कअप, नेटवर्क चयन, प्रशिक्षण, विकास। ऑर्डर पर विकसित होने वाली कंपनियों में इतनी गति नहीं होती है, समाधानों के विकास की गतिशीलता, और तैयार बुनियादी ढांचा। हम मानते हैं कि क्राउडफ्लॉवर ने जिस प्रवृत्ति और दृष्टिकोण की पहचान की है वह सच है।
  

यह किस कार्य के लिए काम करता है?

शायद 70% कार्य इस तरह से स्वचालित हैं। सबसे उपयुक्त कार्य पाठ वाले क्षेत्रों की विविध मान्यता है। उदाहरण के लिए, कार पंजीकरण प्लेट, जिसके बारे में हम पहले ही बात कर चुके हैं , ट्रेन नंबर ( यहां दो साल पहले हमारा उदाहरण है ), कंटेनरों पर शिलालेख।



उत्पादों और उनकी गुणवत्ता के लिए कारखानों में बहुत सारी प्रतीकात्मक तकनीकी जानकारी मान्यता प्राप्त है।

स्टोर अलमारियों और मूल्य टैग पर उत्पादों को पहचानते समय यह दृष्टिकोण बहुत मदद करता है, हालांकि काफी जटिल मान्यता समाधान वहां बनाए जाने हैं।



लेकिन, आप तकनीकी जानकारी वाले कार्यों से बच सकते हैं। किसी भी शब्दार्थ, चाहे वह उदाहरण सेगमेंटेशन हो, कारों की पहचान के साथ, अर्गाली, मूस और फर सील भी इस दृष्टिकोण पर पूरी तरह से गिरेंगे।



एक बहुत ही आशाजनक दिशा वॉयस और टेक्स्ट चैट बॉट में लोगों के साथ संचार बनाए रखना है। अंकन का एक असामान्य तरीका होगा: संदर्भ, वाक्यांश का प्रकार, इसका "भरने"। लेकिन सिद्धांत समान है: हम एक स्वचालित मोड में काम करते हैं, एक व्यक्ति समझ और उत्तरों की शुद्धता को नियंत्रित करता है। ग्राहक के असंतुष्ट या चिड़चिड़े स्वर में आप ऑपरेटर की सहायता का सहारा ले सकते हैं। जैसे ही डेटा जमा होता है, हम पीछे हट जाते हैं।

वीडियो के साथ कैसे काम करें?

यदि आप या आपकी कंपनी के भीतर आवश्यक योग्यताएं हैं (मशीन लर्निंग में थोड़ा अनुभव, ज़ू फ्रेमवर्क के साथ काम करना, ऑफ़लाइन और ऑनलाइन दोनों), तो सरल कंप्यूटर विज़न समस्याओं को हल करने में कोई कठिनाई नहीं होगी: विभाजन, वर्गीकरण, पाठ पहचान और एट अल।

लेकिन वीडियो के लिए, सब कुछ इतना आसान नहीं है। आप इन अंतहीन डेटा को कैसे चिह्नित करते हैं? उदाहरण के लिए, यह पता चल सकता है कि हर कुछ सेकंड में एक ऑब्जेक्ट (या कई ऑब्जेक्ट) फ़्रेम में दिखाई देता है जिसे बाहर चिह्नित करने की आवश्यकता है। नतीजतन, यह सब एक फ्रेम-बाय-फ्रेम देखने में बदल सकता है और इतने सारे संसाधन लेता है कि किसी को समाधान शुरू करने के बाद किसी व्यक्ति द्वारा अतिरिक्त नियंत्रण के बारे में बात करने की ज़रूरत नहीं है। लेकिन इसे दूर किया जा सकता है यदि आप वीडियो को सही तरीके से प्रस्तुत करते हैं ताकि ब्याज के क्षेत्र के साथ फ्रेम को उजागर किया जा सके।

उदाहरण के लिए, हम विशाल वीडियो श्रृंखला में आए, जिसमें रेलवे प्लेटफार्मों के युग्मन - एक विशिष्ट वस्तु को उजागर करना आवश्यक था। और यह वास्तव में आसान नहीं था। यह पता चला कि सब कुछ इतना डरावना नहीं है, यदि आप मॉनिटर को व्यापक रूप से लेते हैं, तो फ्रेम दर चुनें, उदाहरण के लिए 10 एफपीएस, और एक छवि पर 256 फ्रेम रखें, अर्थात। एक छवि में 25.6



यह शायद डरावना लगता है। लेकिन वास्तव में, फ्रेम पर कार के युग्मन के केंद्र को चुनते हुए, एक फ्रेम के माध्यम से क्लिक करने में लगभग 15s लगते हैं। और यहां तक ​​कि एक या दो दिन में एक व्यक्ति कम से कम 10 घंटे का वीडियो भी देख सकता है। प्रशिक्षण के लिए 30 हजार से अधिक उदाहरण प्राप्त करें। इसके अलावा, इस मामले में कैमरे के सामने प्लेटफार्मों का पारित होना एक सतत प्रक्रिया नहीं है (बल्कि दुर्लभ, यह ध्यान दिया जाना चाहिए), यह मान्यता प्राप्त मशीन को सही करने के लिए लगभग वास्तविक समय में भी काफी यथार्थवादी है, प्रशिक्षण आधार को फिर से भरना! और अगर मान्यता ज्यादातर मामलों में सही ढंग से होती है, तो एक-दो मिनट में एक घंटे का वीडियो दूर किया जा सकता है। और फिर व्यक्ति द्वारा कुल नियंत्रण की उपेक्षा करना, एक नियम के रूप में, आर्थिक रूप से लाभदायक नहीं है।

यह अभी भी आसान है अगर वीडियो को ऑब्जेक्ट के स्थानीयकरण के बजाय "हां / नहीं" चिह्नित करने की आवश्यकता है। आखिरकार, इवेंट अक्सर "एक साथ अटक जाते हैं", और माउस के एक स्वाइप के साथ, आप एक समय में 16 फ्रेम तक चिह्नित कर सकते हैं।

केवल एक चीज, एक नियम के रूप में, आपको वीडियो के विश्लेषण में 2 चरणों का उपयोग करना होगा: "फ़्रेम या रुचि के क्षेत्रों" की खोज करें, और फिर अन्य एल्गोरिदम द्वारा ऐसे प्रत्येक फ्रेम (या फ़्रेम अनुक्रम) के साथ काम करें।

मशीन-मानव अर्थव्यवस्था

दृश्य डेटा को संसाधित करने की लागत को कितना अनुकूलित किया जा सकता है? एक तरह से या किसी अन्य, डेटा मान्यता को नियंत्रित करने के लिए किसी व्यक्ति का होना आवश्यक है। यदि यह नियंत्रण चयनात्मक है, तो लागत नगण्य है। लेकिन अगर हम कुल नियंत्रण की बात कर रहे हैं, तो यह कितना फायदेमंद हो सकता है? यह पता चला है कि यह लगभग हमेशा समझ में आता है, अगर इससे पहले कि कोई व्यक्ति मशीन की मदद के बिना एक ही कार्य करता है।

चलो शुरुआत में ही सबसे अच्छा उदाहरण नहीं लेते हैं: छवि, मार्कअप और प्रकार चयन (और वास्तव में, अन्य विशेषताओं की एक संख्या) में पिज्जा की खोज करें। हालाँकि, यह कार्य उतना सिंथेटिक नहीं है जितना यह लग सकता है। वास्तविकता में मताधिकार नेटवर्क उत्पादों की उपस्थिति का नियंत्रण मौजूद है।

मान लीजिए कि GPU सर्वर का उपयोग करके मान्यता के लिए 0.5s मशीन समय की आवश्यकता होती है, एक व्यक्ति को लगभग 10s के लिए एक फ्रेम को चिह्नित करने के लिए (कई प्रकार के मापदंडों के अनुसार पिज्जा और इसकी गुणवत्ता का चयन करें), और यह जांचने के लिए कि कंप्यूटर द्वारा सब कुछ सही तरीके से पता लगाया गया है, आपको 2s की आवश्यकता है। बेशक, यह चुनौती होगी कि इस डेटा को प्रस्तुत करना कितना सुविधाजनक है, लेकिन ऐसे समय हमारे अभ्यास के साथ काफी तुलनीय हैं।

हमें GPU लेआउट के मैनुअल लेआउट और किराये की लागत के लिए कुछ और इनपुट की आवश्यकता है। एक नियम के रूप में, आपको एक पूर्ण सर्वर लोड पर भरोसा करने की आवश्यकता नहीं है। 60,000 रूबल के मासिक सर्वर किराए की अनुमानित लागत के साथ प्रति दिन 100,000 फ़्रेम लोड करने में सक्षम होना चाहिए (यह एक GPU की प्रसंस्करण शक्ति का 60% लेगा)। यह GPU पर एक फ्रेम के विश्लेषण के लिए 2 पैसे निकालता है। काम के समय के 40 घंटे के लिए 30,000r की लागत पर एक मैनुअल विश्लेषण में 26 फ्रेम प्रति फ्रेम खर्च होंगे।



और यदि आप बाद में कुल नियंत्रण को हटा देते हैं, तो आप प्रति 1000 फ्रेम में लगभग 20 रूबल की कीमत प्राप्त कर सकेंगे। यदि बहुत अधिक इनपुट डेटा है, तो मान्यता एल्गोरिदम को अनुकूलित करना, डेटा ट्रांसफर पर काम करना और इससे भी अधिक दक्षता प्राप्त करना संभव है।

व्यवहार में, किसी व्यक्ति को मान्यता प्रणाली के रूप में अनलोड करने का एक और महत्वपूर्ण अर्थ है - यह आपके उत्पाद को स्केल करना बहुत आसान बनाता है। डेटा की मात्रा में एक महत्वपूर्ण वृद्धि आपको पहचान सर्वर को बेहतर प्रशिक्षित करने की अनुमति देती है, सटीकता बढ़ जाती है। और डेटा प्रोसेसिंग प्रक्रिया में शामिल कर्मचारियों की संख्या आनुपातिक रूप से डेटा की मात्रा में नहीं बढ़ेगी, जो संगठनात्मक दृष्टिकोण से कंपनी की वृद्धि को काफी सरल बनाएगी।

एक नियम के रूप में, जितना अधिक पाठ और रूपरेखा आपको मैन्युअल रूप से दर्ज करनी होगी, उतना ही लाभदायक है स्वचालित मान्यता का उपयोग।

और क्या यह सब बदल जाता है?

बेशक, सभी नहीं। लेकिन अब व्यवसाय के कुछ क्षेत्र पहले की तरह पागल नहीं हैं।

सुविधा में एक व्यक्ति के बिना एक ऑफ़लाइन सेवा करना चाहते हैं? एक ऑपरेटर को दूरस्थ रूप से संयंत्र और मॉनिटर करें
प्रत्येक ग्राहक के लिए कैमरों पर? यह जगह में रहने वाले व्यक्ति की तुलना में थोड़ा खराब हो जाएगा। हां, और ऑपरेटरों को लगभग अधिक की आवश्यकता है। और यदि आप ऑपरेटर को हर 5 बार लोड करते हैं? यह एक रिसेप्शन के बिना एक ब्यूटी सैलून हो सकता है, और कारखाने, और सुरक्षा प्रणालियों पर नियंत्रण हो सकता है। 100% सटीकता की आवश्यकता नहीं है - आप पूरी तरह से ऑपरेटर को श्रृंखला से बाहर कर सकते हैं।

मौजूदा सेवाओं के लिए अपनी दक्षता बढ़ाने के लिए जटिल लेखा प्रणालियों को व्यवस्थित करना संभव है: यात्रियों, वाहनों, सेवाओं के समय पर नियंत्रण, जहां टिकट कार्यालय आदि को "बायपास" करने का जोखिम है।

यदि कार्य कंप्यूटर दृष्टि के विकास के वर्तमान स्तर पर है और पूरी तरह से नए समाधान की आवश्यकता नहीं है, तो इसके लिए विकास में गंभीर निवेश की आवश्यकता नहीं होगी।