Rozpoznawanie produktów na półkach zależy od jakości zdjęć

Rozpoznawanie produktów na półkach to proces, który zaczyna się w sklepie, a kończy na decyzjach podejmowanych w centrali. Pomiędzy nimi znajduje się jeden kluczowy element: zdjęcie ekspozycji. To ono stanowi źródło danych dla całego projektu automatycznych audytów ekspozycji. Na jego podstawie budowane są modele, prowadzone są analizy i generowane są wskaźniki, takie jak obecność, facing, udział w półce czy ceny. W praktyce oznacza to, że jakość zdjęcia bezpośrednio przekłada się na jakość całego projektu.

Poszukując wysokopoziomowych wartości wiemy, że nie jest to jedyny czynnik sukcesu. Prozaicznie okazuje się jednak, że jest jednym z tych, które mają największy wpływ – szczególnie w kontekście wdrożeń, pilotaży i późniejszego utrzymania procesu automatyzowanych audytów.

Od zdjęcia do modelu – jakość zaczyna się wcześniej niż AI

Każdy projekt Shelf Recognition AI rozpoczyna się od zebrania materiału zdjęciowego, który następnie jest wykorzystywany do budowy sampli i anotacji (trudne słowa, ale ogólnie chodzi o etykietowanie danych, żeby było wiadomo, co jest czym na zdjęciu). To moment, w którym model „uczy się”, jak wygląda rzeczywistość półki sklepowej. Zwykle za ten proces odpowiedzialne są siły terenowe klienta.

Jeśli zdjęcia są wykonane nieprawidłowo, konsekwencje są natychmiastowe. Proces anotacji wydłuża się, rośnie liczba błędów, a dane treningowe przestają być reprezentatywne. W praktyce oznacza to również wydłużenie całego etapu zbierania materiału oraz frustrację po obu stronach projektu – bo nie da się wystartować tak szybko, jak planowano.

Na tym etapie pojawia się jeszcze jeden, często niedoceniany spowalniacz: konieczność częstszych retreningów modeli. Model trenowany na niespójnych danych musi być częściej poprawiany, ponieważ „uczy się błędów”, które potem trzeba eliminować.

Rozpoznawanie produktów na półkach – zdjęcia w pilotach i testach rozwiązania

W fazie pilotażu różnice w jakości zdjęć stają się bardzo widoczne. Ta sama technologia, działająca w tych samych warunkach, może generować różne wyniki – wyłącznie ze względu na sposób wykonywania zdjęć. To prowadzi do sytuacji, w której problem przypisywany jest technologii, podczas gdy jego źródłem są dane wejściowe. W efekcie wydłuża się proces sprawdzania, a decyzje o skalowaniu są odkładane.

Warto jasno powiedzieć: rozpoznawanie produktów na półkach jest procesem opartym na analizie obrazu. Jeśli obraz jest słabej jakości, wynik również będzie obarczony błędem.

Dane, które trafiają do organizacji

Zdjęcie półki nie kończy swojego życia w modelu AI. Jest przekształcane w dane, które trafiają do wielu ról w organizacji: sprzedaży, marketingu, category managementu, analityki, czy tworzeniu rynkowych raportów. Na tej podstawie analizowane są m.in.: dostępność produktów, udziały półkowe, zgodność z planogramem, poziom realizacji promocji, ceny.

Warto podkreślić, że szczególnie wrażliwym obszarem jest rozpoznawanie cen na półkach. O ile produkty można w pewnym stopniu rozpoznać kontekstowo, o tyle cena wymaga zarówno prawidłowego rozpoznania towarów, jak i czytelności. Jeśli etykieta nie jest dobrze widoczna, system nie ma czego analizować.

Wspólny standard jakości – specyfika tych projektów

Projekty Shelf Recognition AI mają charakterystyczną cechę: jakość końcowa rozwiązania zależy od obu stron.

eLeader odpowiada za technologię i deklaruje bardzo wysoki poziom skuteczności rozpoznania (95%+). Jednocześnie nie ma bezpośredniego wpływu na jakość zdjęć wykonywanych w sklepach. To oznacza, że sukces projektu opiera się na współodpowiedzialności. To sytuacja nietypowa dla „zerojedynkowych” aplikacji biznesowych – ale kluczowa. Bez utrzymania jakości zdjęć nie da się utrzymać jakości wyników.

Rozpoznawanie produktów na półkach: aparat ma znaczenie

eLeader Shelf Recognition AI w obszarze jakości zdjęć jest rozwiązaniem stosunkowo odpornym na różnice sprzętowe. W praktyce oznacza to, że aplikacja do rozpoznawania produktów na półkach działa poprawnie na szerokim spektrum urządzeń – od standardowych smartfonów po tablety. Są jednak granice tej tolerancji.

W projektach zdarzają się sytuacje, w których użytkownicy pracują na sprzęcie o bardzo niskiej jakości (zwłaszcza tam, gdzie mamy BYOD – Bring Your Own Device). Słabe aparaty, problemy z ostrością, niska rozdzielczość czy opóźnienia w działaniu. W takich przypadkach spadek jakości prowadzi do realnego ryzyka niepowodzenia projektu.

System nie jest w stanie rozpoznać czegoś, czego fizycznie „nie widać”. Jeśli obraz jest rozmyty, poruszony, prześwietlony lub zbyt niskiej jakości, nawet najlepszy model nie zadziała poprawnie. W praktyce warto potraktować sprzęt jako element projektu – nie kluczowy, ale taki, który może stać się jego ograniczeniem lub akceleratorem (zwłaszcza w przypadku aparatu AR i rozpoznawania offline).

Co realnie wpływa na jakość zdjęć

Dlaczego aplikacja „pilnuje” użytkownika

Z tej perspektywy inaczej należy patrzeć na pewne ograniczenia w aplikacji, które wprowadziliśmy świadomie. Mechanizmy kontroli jakości zdjęć nie są po to, aby utrudniać pracę, ale aby eliminować zdjęcia, które prowadzą do błędnych wyników bo rozpoznawanie produktów na półkach zawodzi. To podejście jest proste: lepiej nie dopuścić słabego zdjęcia do analizy, niż później analizować błędne dane.

Zasady wykonywania zdjęć są proste: zdjęcie na wprost półki, bez ucinania ekspozycji, w odpowiedniej odległości. Kluczowe jest jednak ich konsekwentne stosowanie.

Równie istotne jest samo ułożenie półki. System nie powinien próbować rozpoznawać czegoś, co jest fizycznie nieczytelne. AI audytuje rzeczywistość – nie naprawia jej.

Wsparcie użytkowników jako element wdrożenia

Dlatego tak duży nacisk kładziony jest na wdrożenie użytkowników. Szkolenia online i stacjonarne, materiały edukacyjne, testy wiedzy oraz wsparcie w okresie adaptacji mają jeden cel: wypracowanie powtarzalnego standardu pracy. Bo w projektach Shelf Recognition jakość jest procesem, który wymaga utrzymywania, pielęgnacji i sukcesji.

Rozpoznawanie produktów na półkach wymaga empatii

Shelf recognition to technologia oparta na obrazie. A to oznacza, że jakość zdjęcia ma bezpośredni wpływ na jakość całego rozwiązania – od modelu AI po dane wykorzystywane w biznesie.

Nie jest to najtrudniejszy element projektu, ale jeden z tych, które mają największy wpływ na jego powodzenie. I jeden z tych, nad którymi organizacja ma realną kontrolę i przy których współodpowiada za prawidłowy przebieg projektu.