Datanomics

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. 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...

Компьютерное зрение в ритейле: громкий старт, тихая реальность Даже самые передовые решения могут столкнуться с реальностью рынка и остаться нишевыми. Один из ярких примеров - сеть магазинов Amazon Go, построенная на технологии компьютерного зрения Сеть камер, датчиков движения и умных весов отслеживает, что покупатель берёт с полок, а оплата происходит через приложение Amazon Go. Для клиента это значит: просто взять товары и уйти - система автоматически спишет оплату. Вы, возможно, помните,...

Модели машинного обучения стали ключевым инструментом для прогнозирования спроса, цен и динамики рынка. Они анализируют огромные массивы данных, выявляют закономерности и помогают принимать решения быстрее и точнее, чем человек. Но в периоды нестабильности и резких изменений даже самые продвинутые алгоритмы сталкиваются с ограничениями. Это не делает их бесполезными, наоборот, важно понимать, где именно проходит граница между возможностями модели и реальностью, чтобы использовать их максимально эффективно...

Рынок готовой еды в России переживает стремительный рост. В 2024 году его объём превысил 1 трлн рублей, в 2025 году приблизился к 1,14 трлн, а к 2026 году сегмент доставки готовой еды выходит на уровень более 1 трлн рублей. С учётом HoReCa совокупный рынок оценивается в 3,8 трлн рублей и имеет потенциал вырасти до 14 трлн в ближайшие годы. Такой масштаб делает точность планирования критически важной для производителей. На фоне роста ассортимента и увеличения числа торговых точек ручное планирование через Excel перестаёт работать...

Прогнозирование спроса — одна из тех задач, где бизнес особенно рассчитывает на искусственный интеллект. Кажется логичным: если модель обучить на продажах, сезонности, погоде и сотне других факторов, она должна точно предсказывать, что и когда купят клиенты. Но реальность оказывается сложнее. ИИ действительно помогает, но не всегда так, как ожидают компании. В статье мы разбираем три кейса, где ожидания столкнулись с ограничениями данных и природы спроса. Хлебозавод: когда ассортимент мешает прогнозу Производитель с более чем 700 SKU хотел ежедневный прогноз по каждой позиции...