В прошлом выпуске мы разбирали кейс Amazon Go, как даже у технологического гиганта проект на базе компьютерного зрения остался нишевым. Сегодня посмотрим на российскую практику: почему проекты распознавания товаров на полке редко переходят из стадии пилота в промышленную эксплуатацию.
Основные барьеры
1. Датасеты - нет универсальной базы изображений для обучения моделей. Разметка тысяч SKU для конкретного ритейлера - дорого и долго.
2. Инфраструктура - существующие камеры видеонаблюдения не подходят для фронтального контроля полок. Требуется установка нового оборудования или даже роботизированных решений.
3. Сложности распознавания - бликующие упаковки, схожие этикетки, мелкие товары или выкладка россыпью создают ошибки, которые приходится исправлять вручную.
4. Связь - облачные решения требуют стабильного интернета, а автономные приложения быстро разряжают устройства и работают менее точно.
5. Точность - для промышленного внедрения нужна точность не ниже 95%. На пилотах её можно достичь, но при масштабировании затраты растут, а доверие падает.
Вывод
Пока нет централизованной платформы с актуальными размеченными датасетами производителей, вход в такие проекты остаётся трудоёмким, а перспектива масштабирования туманной. Даже успешный пилот часто остаётся красивым пресс-релизом, а не рабочим инструментом.
Что это значит для бизнеса
- Оценивать зрелость технологии до масштабирования.
- Закладывать бюджет на инфраструктуру и адаптацию под CV.
- Тестировать точность в условиях, максимально приближенных к реальным.