`

СПЕЦИАЛЬНІ
ПАРТНЕРИ
ПРОЕКТА

BEST CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Crayon: лучшие практики AI/ML для бизнеса. Часть вторая. AWS

+22
голоса

Компания Crayon провела вебинар, на котором были рассмотрены лучшие практики AI/ML для бизнеса от Amazon Web Services. Предлагаем вашему вниманию отдельные доклады, прозвучавшие на этом мероприятии

Вебинар открылся докладом Сандриса Йермаканса (Sandris Jermacans), архитектора решений в Data & AI CoE, Вена. Его тема - как достичь успеха в реализации решений ИИ на основе машинного зрения от AWS.

Докладчик начал с обзора типичных сценариев использования машинного зрения. Они, в частности, включают нахождение брака или дефектов, распознавание образов, беспилотное движение транспорта, робототехнику и автоматизацию, а также видеонаблюдение и поиск.

 лучшие практики AI/ML для бизнеса. Часть вторая. AWS

Типичные сценарии использования машинного зрения

Начинать нужно с доступных на рынке проверенных классических решений. Они недорогие, и риски при их внедрении – минимальны. Примерами могут служить OCR, распознавание лиц, номерных знаков автомобилей, контроль качества и др. В то же время, во многих проектах можно столкнуться с рядом вызовов. Прежде всего, трудно найти хороший пример внедрения, который может быстро окупиться, поскольку обычно инвестиции в такие проекты довольно высокие. И есть такие бизнес-кейсы, в которых трудно рассчитать окупаемость, потому что она не зависит от качества продукта.

Следующий вызов связан с восприятием клиентов - некоторые из них  думают, что решения машинного зрения заменят человека. Если количество продуктов небольшое, тогда человек очень хорошо справляется с контролем качества. При этом можно достичь точности 90-95%, но дальнейшее повышение требует значительных усилий.

 лучшие практики AI/ML для бизнеса. Часть вторая. AWS

Сандрис Йермаканс: «Желательно, чтобы любой проект машинного зрения начинался с установки инфраструктуры для сбора данных»

Еще одна проблема состоит в том, что у большинства клиентов в начале проекта нет сбора данных. Желательно, чтобы любой проект машинного зрения начинался с установки инфраструктуры для сбора данных.

Иногда возникает ситуация, когда решение разрабатывается, но у клиента нет конкретного плана или бизнес-процесс не готов его использовать. Например, есть камера, которая позволяет распознавать дефекты продукта, но возможность автоматической сортировки отсутствует или даже нет ее. Это означает, что данные, в принципе, собираются и есть какая-то статистика, но это никаким образом не помогает клиенту сэкономить деньги или больше заработать.

Если со сбором данных все налажено, желательно, чтобы клиенты начинали с решений, которые находятся в облаке. У AWS есть обширный каталог готовых решений, которые можно быстро внедрить в бизнес-процессы. Если же решение нужно разрабатывать с нуля, то у Amazon имеются сервисы, которые позволят быстро разработать проекты, проверить их эффективность и точность распознавания в облаке. Убедившись, что все хорошо работает, можно модели перенести на локальную инфраструктуру.

Практический пример использования технологии ML в розничной торговле привел архитектор решений из AWS Егор Мясников. Часто можно слышать, что ML – это будущее, начал он. Но на самом деле, это уже наше настоящее. Идея анализа данных для поиска путей развития не нова, и для многих это уже неотъемлемая часть их бизнес-процессов. Технологии ML дают возможность вывести работу с данными на совершенно новый уровень. Это создание новых сервисов для клиентов, повышение их лояльности и упрощение внутренних процессов в компаниях. Применение AI/ML стало намного проще и больше не требует создания научных подразделений в рамках компании. Именно поэтому в ближайшие годы будет виден довольно большой рост применения этих технологий и качественное изменение в компаниях. Так, Gartner прогнозирует, что к 2024 г. 75% крупных компаний перейдут от пилотных проектов ИИ к их реальному промышленному применению.

Но что понимать под ИИ? Этот термин существует уже довольно давно и описывает технику, которая позволяет компьютерам имитировать интеллектуальные возможности человека, используя логику, условные операторы if-then и ML. По сути ML - это подмножество ИИ, которое использует компьютеры, чтобы искать паттерны в данных для автоматического построения логических моделей. В подраздел ML входит так называемое глубокое обучение. Оно позволяет строить глубокие многоуровневые нейронные сети, которые выполняют задачи, такие как распознавание образов и обработку естественных языков.

 лучшие практики AI/ML для бизнеса. Часть вторая. AWS

Егор Мясников: «К 2024 г. 75% крупных компаний перейдут от пилотных проектов ИИ к их реальному промышленному применению»

Сегодня можно наблюдать уникальное преобразования в розничных продажах. Основной фокус направлен на четыре ключевых драйвера розничного бизнеса. Это возможность выбирать правильные продукты и предлагать их в правильном месте и по правильной цене. Таким образом, повышать ценность клиента с помощью маркетинга и программ лояльности в целом, инвестируя в общий клиентский опыт. Поскольку маржа в розничной торговле относительно низкая, важно держать расходы под контролем. Также необходимо оптимизировать расходы, например, на уровне сотрудников магазина, стоимости доставки.

 лучшие практики AI/ML для бизнеса. Часть вторая. AWS

Использование данных дает организациям возможность быстро экспериментировать, внедрять инновации и ускорять бизнес-процессы. Это необходимо делать в трех основных областях розничных продаж. Первая – это цепочка поставок, где ключевым моментом является возможность автоматизировать и оптимизировать процессы, прогнозировать показатели и поведение пользователей, а также спрос и продажи для правильного планирования мощностей и материалов. Далее, это магазин. Здесь ключевым моментом является обогащение пользовательского опыта покупок. Преобразования магазинов как физических, так и виртуальных, также улучшает и дифференцирует их от конкурентов.  

И, наконец, непосредственно заказчик, для которого все это делается. Тут необходимо преобразовать отношения, сделать их более личными, персонализировать контент и рекламные предложения, которые должны быть всегда актуальными для клиента. Можно также разнообразить каналы, по которым выполняется взаимодействие с ним.

Обратимся сперва к прогнозированию. Изучая исторические тенденции, организации могут сделать выводы о том, что и когда может произойти, и учесть это в своих будущих планах, от спроса на продукцию до запасов и персонала.

 лучшие практики AI/ML для бизнеса. Часть вторая. AWS

Наука прогнозов базируется на исторических тенденциях

Для прогнозирования существенную роль играет точность. Если прогноз занижен, то компания будет недостаточно инвестировать, что может привести к нехватке сырья или материалов, а также снижению качества обслуживания клиентов. В противном случае, компания будет чрезмерно инвестировать в продукты и персонал, что в итоге приведет к напрасным расходам. Эта задача прекрасно решается при помощи ML и с большей точностью по сравнению со статистическими моделями или ручным планированием. Так, клиенты AWS "More Retail", одной из крупнейших сетей гипермаркетов и супермаркетов в Индии, пользуются специальным сервисом Amazon Forecast для сокращения пищевых отходов. Благодаря более точному прогнозированию отходы свежих продуктов сократились на 30%. А уровень точности прогнозирования запасов улучшился с 80% до 90%. Этот сервис подходит и для других областей, например, для планирования персонала или промоакций.

Вторая популярная задача – персонализация и персонализированные рекомендации. Персонализация присутствует повсюду, и все с ней сталкиваются практически везде, - 63% заказчиков считают персонализацию стандартным уровнем обслуживания. Именно поэтому был разработан специальный сервис Amazon Personalize, который позволяет компаниям легко внедрить персонализацию в их продуктах. Хорошим примером служит StockX, рынок с интересным подходом к формированию цены, как на бирже. В 2019 г. небольшая группа инженеров ML добавила на домашнюю страницу с помощью Amazon Personalize строку с товарами «Рекомендуем для вас». В итоге она стала самой эффективной строкой, и вовлеченность клиентов выросла на 50%. Еще одним примером является MECCA, которая предлагает своим клиентам лучшее в мире красоты в розничных магазинах и онлайн-каналах в Австралии и Новой Зеландии. После интеграции Personalize, компания увидела, что ее клиенты положительно реагируют на новые рекомендации. Например, на 60% увеличилось количество переходов из писем рассылок электронной почтой и, соответственно, увеличился доход от рассылок в целом. Все это строилось на Amazon Personalize.

 лучшие практики AI/ML для бизнеса. Часть вторая. AWS

Однако не стоит забывать о безопасности. Злоумышленники непрерывно атакуют, используя различные методы. Каждый день обнаруживаются новые типы атак и новые способы мошенничества. Борьба с мошенниками может быть длительным процессом. Это борьба с ботами, с фальшивыми регистрациями, заказами, отзывами и многим другим. Для защиты от таких мошенников был создан сервис Amazon Fraud Detector. Один из крупнейших регистраторов доменов GoDaddy использует его для того, чтобы не позволять мошенникам регистрироваться на его платформе. Многие говорят, что физические магазины закрываются и уже не имеют никакого значения. Но согласно недавнему исследованию, проведенному в 2020 г., в котором участвовало более 300 розничных брендов, магазины все еще обрабатывают 86% всех заказов. Поскольку электронная коммерция быстро растет, особенно с наступлением пандемии, розничные продавцы, как правило, вкладывают в нее больше инвестиций, однако на физические магазины все же приходится очень большой процент продаж.

Здесь наступило время поговорить об «умных» магазинах. Вот шесть основных технологий, которые помогают сделать магазин умным. Это машинное зрение, дополненная реальность, робототехника, IoT, голосовые сервисы и мобильные технологии.

Рассмотрим возможные сценарии использования каждой из этих технологий. Начнем с машинного зрения. Здесь можно использовать цифровые видеокамеры для понимания, что происходит в магазине. Камеры могут определить и идентифицировать движения, указывающие на намерения клиентов, и эту информацию можно использовать, чтобы предлагать лучший сервис. Варианты использования машинного зрения могут быть разнообразными. Например, обнаружение разбитых товаров и разливов и быстрая уборка для предупреждения травм, обнаружение курящих людей на бензоколонках, отслеживание потоков клиентов в магазине и многое другое. Хорошим примером здесь служит Dafgårds, которая использовала технологию машинного зрения для визуального контроля дефектов продуктов в режиме реального времени.

Относительно новой тенденцией является использование дополненной реальности (AR). К примеру, камеру мобильного устройства можно использовать, чтобы показать физический мир с наложением дополнительной информации. Если говорить о виртуальной реальности (VR), то здесь пользователь полностью погружается в виртуальный мир с помощью специальных очков. Можно выделить несколько примеров использования AR и VR в розничной продаже. Например, VR-прогулка по магазину для менеджера. Он может видеть данные магазина и размещенных в нем продуктов. Например, уровень запасов продукта или мгновенный отчет о продажах этого продукта. Дополненная реальность (AR) позволяет покупателям получать дополнительную информацию о продуктах, виртуальная примерочная помогает покупателям увидеть, как они будут выглядеть в покупаемой одежде.

Использование автономных машин или роботов для выполнения монотонной работы в магазине становится практически реальностью. Конечно, роботизированное взаимодействие с покупателями пока не сравнится с живым общением с человеком, но в магазине много других задач, которые роботы могут выполнять. Например, автоматы для продажи товаров, отслеживание запасов и остатков продуктов на полках, проверка планограмм, правильность размещения товаров, уборка и даже безопасность. Роботы могут патрулировать проходы в поисках опасных ситуаций.

Людям удобнее всего коммуницировать, разговаривая, и сейчас голосовые помощники становятся все более популярными. Голосовые технологии AWS, подобные той, что используются в Alexa, предоставляют отличный способ для взаимодействия с покупателями и сотрудниками в магазине. Например, спросить, где найти нужный товар, или обратиться к голосовому киоску.

Используя подключенные датчики, можно добавить в магазины интеллектуальную автоматизацию. Например, с помощью датчиков Bluetooth направлять клиентов в магазине, а с помощью мониторинга оборудования убеждаться, что пищевые продукты хранятся при соответствующей температуре и влажности. Использовать умные полки и в режиме реального времени отслеживать количество товара на них.

Мобильные телефоны уже стали неотъемлемой частью жизни, и они могут использоваться пользователями, чтобы улучшить свой покупательский опыт. С помощью устройств можно получить дополнительную информацию о продукте, можно использовать их для организации самообслуживания и других задач. Сотрудники могут применять свои планшеты для более тесного взаимодействия с покупателями.

После знакомства с многими примерами использования технологий ML в розничной торговле и электронной коммерции, настало время узнать, как AWS может в этом помочь. Миссия AWS заключается в том, чтобы передать свой богатый опыт и знания в области ML всем организациям, каждому разработчику и специалисту по данным. Другими словами, компания хочет упростить ML и жизнь разработчиков в создании интеллектуальных приложений. Amazon уже более 20 лет применяет ML в таких областях, как персонализация и цепочка поставок. Сегодня ML является неотъемлемой частью бизнеса Amazon. Со временем была значительно улучшена исходная модель персонализации и внесена в другие продукты компании. ML используется Amazon на протяжение всего процесса выполнения заказов, включая разработку системы прогнозирования, которая может прогнозировать соответствующий объем спроса на каждый продукт, продающийся по всему миру. Чтобы оправдать ожидания клиентов в отношении удобства и стоимости, в скорости доставки. Также была разработана технология обработки естественного языка, чтобы дать потребителям возможность совершать покупки при помощи голоса через Alexa, и довольно интересная технология автономных полетов дронов Prime Air для доставки продуктов.

 лучшие практики AI/ML для бизнеса. Часть вторая. AWS

Кроме сервисов для ML, у Amazon есть еще более 250 сервисов для совершенно разных областей и задач, таких как аналитика, робототехника, IoT, call-центры и многих других. В стеке AWS ML сервисы разделены на три уровня. На верхнем уровне – готовые сервисы, которые помогут пользователям быстро добавить ML в свой бизнес и приложения. На среднем уровне – платформа STAGEMAKER, которая поможет специалистам по обработке данных и МО-инженерам в работе на всех этапах МО, начиная от сбора данных и заканчивая развертывание модели ML и мониторинга. Нижний уровень - это все необходимое для построения своей платформы, наподобие STAGEMAKER.

Как же начать свой путь в ML? Из регулярного общения с клиентами, как с теми, кто уже внедрил эти технологии в своих организациях, так и с теми, кто только начинает это делать, вырисовались пять ключевых пунктов, которые обычно приводят к успешному внедрению.

 лучшие практики AI/ML для бизнеса. Часть вторая. AWS

Пять ключевых пунктов, приводящих к внедрению МО

Первый – это данные. В ML они должны быть хорошего качества. Перед тем, как начать нужно задать себе несколько вопросов. Какие данные доступны сегодня? Какие данные можно сделать легко доступными в будущем, и какие данные вы хотели бы собирать прямо сегодня, чтобы они были доступны, скажем, через год? В крупных компаниях, где много отделов, необходимо наладить систему обмена и взаимного доступа к данным между отделами. Второй – это понимание, где применять ML, чтобы получить наибольший эффект в вашем бизнесе? Здесь предлагается оценить от 0 до 9 каждый потенциальный проект по трем категориям. Это готовность данных, их влияние на бизнес и применимость ML. Шанс на успех зависит от уровня используемых технологий и команды компании. Лучше выбирать тот проект, у которого сумма больше и все значения больше 5. Третий пункт– это команда. Тут важно не только найти технических специалистов, но и объединить их с экспертами по тематике. Например, в компании решили создать систему для оценки свежести продуктов, но техническим специалистам не известны тонкости, связанные с хранением, методики определения свежести этих продуктов. Поэтому, им потребуется помощь работников торгового зала, например. Четвертый – необходимо убедиться, что существует поддержка руководителей. Важно также добиваться понимания необходимости внедрения ML в организации. И пятый, последний, не следует делать недифференцированных тяжелых нагрузок, лучше сосредоточиться непосредственно на работе, которая действительно создает ценность для бизнеса компании и ее клиентов. Вместо этого нужно позволить делать это технологическим компаниям.

Итак, речь шла о применении технологий ML и всего, что с ними связано, в области розничной торговли и электронной коммерции. Но как начать?

 лучшие практики AI/ML для бизнеса. Часть вторая. AWS

Три шага для начинающих компаний

Вот три простых шага для тех компаний, которые только начинают это путешествие. Первый – нужно разработать надежную стратегию работы с данными. Как уже было упомянуто раньше, хорошая стратегия работы с данными – это основа для трансформации и инноваций с помощью таких технологий, как аналитика и ML. Следующим шагом является понимание бизнес-задач компании, чтобы можно было определить подходящий вариант использования ML для удовлетворения потребностей компании и ваших клиентов. Также нужно поставить вопрос, что компания пытается решить с помощью ML? И последний шаг - это обучение. AWS предлагает широкий ряд программ для обучения разработчиков, которые помогут на каждом этапе внедрения ML.

Де і як компаніям необхідно укріпити свій захист

+22
голоса

Напечатать Отправить другу

Читайте также

 
 

  •  Home  •  Рынок  •  ИТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Сети  •  Безопасность  •  Наука  •  IoT