Opakowanie produktu jako źródło danych. Jak uwzględnić systemy AI w procesie projektowym?

Wraz z rozwojem technologii opakowanie produktu musi sprostać nowym wyzwaniom: nie tylko chronić produkt, pozostawać atrakcyjne i czytelne dla kupujących, ale jednocześnie dostarczać jednoznacznych informacji algorytmom. Ten tekst ma na celu pomóc brand managerom, projektantom i agencjom marketingowym spojrzeć na opakowania z perspektywy systemów rozpoznawania obrazu oraz zoptymalizować ich projekty w duchu AI-friendly.

UWAGA: Ten tekst jest artykułem specjalistycznym, przeznaczonym głównie dla osób mających wpływ na cykl życia produktu, zwłaszcza projektowanie opakowań jednostkowych i zbiorczych znajdujących się na sklepowych półkach. Więcej przykładów i informacji znajdziesz w bezpłatnym e-booku.

Projektowanie opakowań towarów, które trafiają na sklepowe półki od dawna wymaga łączenia wielu perspektyw: właściwości produktu, marki, zauważalności, sentymentu konsumenta, produkcji, logistyki, sprzedaży i wymogów prawnych. Każda decyzja dotycząca formy, materiału, typografii czy hierarchii informacji jest wynikiem kompromisów między tymi obszarami. Rosnąca popularność wizji komputerowej i image recognition w sprzedaży sprawia, że na znaczeniu zyskuje kolejny kontekst: automatyczna analiza przez systemy rozpoznawania obrazu.

Opakowanie coraz częściej funkcjonuje jako obiekt analizowany przez algorytmy, i to na różnych etapach swojego cyklu życia. Technologie AI mogą wspierać m.in. ocenę projektów, kontrolę jakości w procesie produkcji, analizę ekspozycji w sprzedaży, a także procesy sortowania i recyklingu. Wraz z postępującą automatyzacją rośnie więc znaczenie tego, czy opakowanie produktu przekazuje wystarczająco czytelne informacje nie tylko człowiekowi, ale również aparatom, kamerom, robotom i systemom, które mają je zidentyfikować, sklasyfikować lub wykorzystać jako źródło danych.

Sztuczna inteligencja jest dziś wykorzystywana w różnych fazach cyklu życia opakowania – od projektowania, przez wykrywanie wadliwych egzemplarzy w procesie produkcji, analizę ekspozycji w sprzedaży, aż po sortowanie odpadów oraz kierowanie ich do właściwych strumieni recyklingu. W tym kontekście coraz większego znaczenia nabiera sposób, w jaki opakowanie przekazuje informacje nie tylko ludziom, lecz także systemom rozpoznawania obrazu.

dr Monika Ratajczyk adiunkt w Instytucie Nauk o Zarządzaniu i Jakości UMCS; badacz rynku w dziedzinie opakowań i zachowań konsumentów

Ewolucja, nie rewolucja

Z perspektywy projektowej nie jest to rewolucja ani odrębny zestaw reguł. Większość czynników, które sprzyjają automatycznemu rozpoznawaniu, ma swoje odpowiedniki w dobrze znanych zasadach projektowania: przemyślanej kolorystyce, wyraźnym kontraście, czytelnej hierarchii informacji, czy charakterystycznych wyróżnikach graficznych.

Nowy jest przede wszystkim kontekst, który wpływa na rozłożenie akcentów w projektowaniu. System taki jak eLeader Shelf Recognition AI, badający ekspozycję sklepową, nie pracuje na packshocie ani na pliku produkcyjnym (żeby być precyzyjnym – to nie jest wystarczające dla osiągnięcia topowej jakości rozpoznawania produktów). Bazuje na zdjęciu wykonanym w sklepie. „Widzi” produkt w otoczeniu innych opakowań, w niemożliwym do skontrolowania oświetleniu, często przy częściowym zasłonięciu i zmiennej jakości ekspozycji. Nie może go przesunąć ani obrócić ani zajrzeć w głąb regału. W efekcie projekt opakowania jest oceniany także pod kątem tego, czy zachowuje wystarczającą jednoznaczność wizualną, jeśli nie jest prezentowany w idealnych warunkach.

Co właściwie rozpoznaje system?

System odczytuje opakowanie produktu wyłącznie na podstawie tego, co widzi na zdjęciu. Nie zna szczegółowego briefu, wytycznych z brand booka marki ani intencji stojącej za konkretnym rozwiązaniem graficznym. Dla modelu rozpoznawania obrazu opakowanie jest zbiorem atrybutów pozwalających przypisać widoczny obiekt do konkretnego SKU: charakterystycznego układu grafiki, kolorystyki, kształtu, logotypu, oznaczenia wariantu, czy innych wyróżników wizualnych.

Kluczowa jest więc czytelność cech, które pozwalają odróżnić określone SKU od pozostałych wariantów. Jeśli taki wyróżnik jest subtelny, ma niewielki kontrast albo znajduje się w miejscu podatnym na zasłonięcie, na zdjęciu może przestać pełnić swoją funkcję identyfikacyjną. Dla systemu znaczenie ma ostatecznie to, które informacje są rzeczywiście dostępne w obrazie i pozwalają na jednoznaczne zidentyfikowanie produktu.

Wraz z upowszechnianiem się systemów AI, analizujących ekspozycję produktów w sklepach, ważne staje się świadome projektowanie komunikacji wizualnej w taki sposób, aby była emocjonalnie angażująca i atrakcyjna dla człowieka, a jednocześnie czytelna dla technologii. Oba „sposoby widzenia” w wielu obszarach są zbieżne i opierają się na podobnych elementach, takich jak kolor, kontrast czy typografia. Nie są jednak tożsame. To, co może utrudniać odbiór człowiekowi (np. nadmiar informacji), nie zawsze stanowi problem dla AI. Z kolei algorytmy nie rozumieją kontekstu, emocji ani znaczenia.

Joanna Roszkowska, Studio Dn / ekspertka neurodesignu i projektowania opakowań

Spójność marki i rozróżnialność wariantów

Jednym z ciekawszych napięć projektowych w kontekście opakowań AI-friendly jest relacja między spójnością linii (np. Bebiko, Tymbark, Cherrissimo), a rozróżnialnością poszczególnych SKU (Jabłka mango i banany vs. Sałatka z owoców lata itd).

Powtarzalny layout, wspólna kolorystyka i konsekwentny język wizualny porządkują portfolio oraz wzmacniają markę. Jednocześnie system rozpoznawania obrazu musi znaleźć wystarczająco stabilne cechy, które odróżnią warianty również wtedy, gdy zdjęcie nie pokazuje ich w idealnych warunkach.

Dobór środków zależy od wytycznych marki i kategorii. Różnicowanie może opierać się na kolorze, ilustracji, typografii, ikonografii, konstrukcji lub ich kombinacji. Kluczowe jest to, czy przyjęta logika pozostaje czytelna także poza prezentacją projektową: na półce, z większej odległości, w niesprzyjającym oświetleniu i w sąsiedztwie innych produktów z tej samej rodziny.

Opakowanie produktu trzeba oceniać w kontekście ekspozycji

Produkt na półce rzadko funkcjonuje jako samodzielny obiekt. Tacka, karton, zgrzewka, wielopak czy sposób ustawienia mogą zmienić to, które fragmenty grafiki są widoczne. Z punktu widzenia automatycznej analizy obrazu opakowanie jednostkowe i zbiorcze tworzą więc wspólny układ wizualny.

W praktyce oznacza to, że nawet dobrze zaprojektowany front może stracić część funkcji identyfikacyjnej po umieszczeniu produktu w docelowym systemie ekspozycji. Czasem wystarcza niewielka korekta położenia oznaczenia wariantu, zakresu nadruku bocznego albo konstrukcji opakowania zbiorczego, aby zachować czytelność bez zmiany zasadniczej koncepcji designu.

Materiał także wpływa na ilość informacji w obrazie

Połysk, metalizacja, transparentność czy elastyczność materiału są elementami języka projektowego i mają własne uzasadnienie estetyczne oraz funkcjonalne. Jednocześnie reagują na światło, kąt fotografowania i sposób ustawienia produktu. Refleks może chwilowo ukryć fragment etykiety, a zagięcie zmienić proporcje lub czytelność wybranego elementu.

Z perspektywy AI istotna jest więc nie sama obecność określonego materiału, lecz odporność kluczowych cech identyfikacyjnych na warunki, które naturalnie pojawiają się w sklepie. Ten sam test bywa użyteczny także z punktu widzenia konsumenta: informacja słabo widoczna na zdjęciu często traci czytelność również przy szybkim kontakcie z półką.

AI-friendly jako dodatkowy test funkcjonalny

Termin „AI-friendly” warto traktować pragmatycznie. Nie opisuje określonej estetyki ani osobnej metodologii projektowej. Oznacza raczej dodatkowy test funkcjonalny: czy produkt można jednoznacznie zidentyfikować także wtedy, gdy trafia do środowiska automatycznej analizy obrazu.

Taki test może być szczególnie przydatny przy rebrandingu, rozszerzaniu portfolio, zmianie gramatury, projektowaniu edycji promocyjnych lub nowych opakowań zbiorczych. To właśnie wtedy zmienia się zestaw cech, na których opiera się identyfikacja produktu, a konsekwencje mogą pojawić się dopiero po wdrożeniu w sklepach.

Dlaczego ma to znaczenie biznesowe?

Rozpoznanie SKU jest początkiem dalszego procesu analitycznego. Jeśli system pomyli wariant albo nie zidentyfikuje produktu, błąd może przejść do raportów dotyczących dostępności, udziału w półce, listingu, promocji czy kontroli cenowej. Projekt opakowania produktu nie odpowiada oczywiście za jakość tego procesu samodzielnie – znaczenie mają również model AI, aktualność bazy wzorców, sposób wykonywania zdjęć i warunki ekspozycji, ale jest jednym z elementów, które wpływają na wiarygodność wyniku, który staje się podstawą do podejmowania strategicznych decyzji i działań w terenie.

Dlatego, wraz z coraz powszechniejszym wykorzystaniem narzędzi opartych na image recognition, sensowne staje się rozszerzenie standardowej walidacji projektu opakowania o kilka prostych scenariuszy: sprawdzenie produktu w docelowym opakowaniu zbiorczym, obok podobnych wariantów, przy różnym oświetleniu i na zdjęciu wykonanym z perspektywy sklepowej alejki. Celem nie jest tworzenie projektu pod algorytm, lecz wcześniejsze wychwycenie sytuacji, w których identyfikacja produktu może być niejednoznaczna. Jest to ważna przewaga konkurencyjna, zarówno dla producentów, którzy dzięki temu mogą otrzymywać dane lepszej jakości, jak dla projektantów, którzy mogą oferować projekty opakowań dostosowane do najnowszych standardów.