В качестве примера для применения данного кейса рассмотрим крупную компанию в сегменте e-commerce.
Задачи
Спектр задач, который требуется решить по данному кейсу обычно достаточно большой и можно разбить на группы:
Группа 1. Роботизированный контроль процесса приемки и отгрузки
Первая особенность задачи — наличие “обратной выгрузки” на объекте
Представьте ситуацию: на объект заехала машина, в которой находится 20 паллет. Однако для склада требуется только 15. При этом первые 5 блокируют разгрузку нужных 15… Это совершенно не страшно, просто вынужденно выгружают первые 5 мест, чтобы освободить возможность отгрузки последующих 15.
Но в этот момент может произойти следующее: не все 5 загрузили обратно или загрузили обратно 6 из 5, захватив что-то лишнее. Данные ошибки могут допускаться без злого умысла, но в случае “ручного” контроля появляется необходимость в многочасовом поиске того или иного груза. И это действительно может занимать часы, т.к. оператору приходится лично пересматривать многочисленные видео, при этом не понимая, где и как искать потерянный паллет. А учитывая количество камер и ворот на объекте, такая мелкая задача может занимать от нескольких часов до нескольких дней.
Задача же роботов в данном случае не в том, чтобы предотвратить ошибку, а в том, чтобы оперативно сообщить, на каких воротах и с какой поставкой произошла некорректная обратная загрузка. Таким образом поиск груза занимает не дни, а несколько секунд, т.к. робот моментально показывает видео с фиксацией сбоя: что не так загрузилось и куда оно поехало.
Причем, для нейросетевых роботов процессы поставки (товары въезжают внутрь объекта) и отгрузки (товары выезжают из объекта) являются идентичными с точки зрения логистического объекта.и решаются с помощью одной и той же модели.
Вторая особенность задачи — Особые учетные системы, с которыми необходимо сопоставлять полученные данные
Проблема появляется в ситуациях, когда товары готовятся к упаковке. Здесь обычно требуется состыковать все эти процессы с различными системами видеонаблюдения клиента.
Помимо специфичности самих систем учета, важно и то, что таких систем как правило не одна, не две и даже не три. Заметим, что это совершенно нормально для компаний, которые осуществляют сложную логистику и сложносоставные процессы.
Обратим внимание, что на складе, как правило, уже стоит какая-то система видеонаблюдения. При этом на разных процессах находятся разные типы оборудования и разные типы софта, которые с этими видео работают. Задача системы уидеоаналитики заключалась в моментальной (по запросу) демонстрации всего пути прохождения товара внутри логистического объекта.
Хорошо разработанная система видеоаналитики умеет работать одновременно с разными учетными системами, в том числе с “недружелюбными” для выгрузки данных и стыковками с ними. Это позволяет достаточно быстро предлагать рабочие решения для разных клиентов. В результате, если поступит информация от покупателя, что какой-то товар раздавило, то не составит труда выяснить, где произошла данная проблема с товаром.
Для этого не потребуется как раньше вручную заходить в каждую систему и искать этот товар в разные моменты времени в архиве видеозаписей. Достаточно ввести номер коробки или номер паллета (любой сущности, которая существует на складе) и получить мгновенный доступ к видеоистории движения этой сущности по складу, где происходил любой контакт с персоналом.
Группа 2. Соответствие выданного задания при работе на мезонине
Речь идет об особой части склада, где, как правило, находится мелкий и дорогой товар. Работая на этом участке склада, сотрудники получают задание на свой ТСД (WMS компании), в котором описано, в какую секцию склада и в какую ячейку должен отправиться сотрудник для выполнения задания.
С точки зрения обывателя, тут не должно быть проблем, но на практике все не так просто.
Вариант “сотрудник невнимательный”
Специалист отправился не в ту секцию и, соответственно, начинает выполнять не те действия. По-хорошему, об этом сотруднику должна подсказать сама ТСД, которая сразу заблокирует доступ. Но это произойдет только при условии, что этой системе своевременно сообщили обо всех манипуляциях (что достали, куда положили).
Вариант “сотрудник хитрый”
Специалист получает задачу в одной секции, но умышленно отправляется в другую, в которой совершает противоправные действия (например, цепляет под свою одежду пару десятков айфонов или съедает килограмм дорогих орехов).
Для решения этой группы задач удобно применить нейросетевых роботов. Они получают информацию из учетной системы и понимают, у каких сотрудников какие задания. При этом моментально происходит сопоставление — где находятся такие сотрудники, не находятся ли они в секциях, в которых заданий у них нет.
Более того, если сотрудник задерживается в какой-то секции, то робот запускает сигнал тревоги (разумеется, на своем языке) для последующего разбора. Ну, а далее соответствующее должностное лицо изучает видео, вызывает на “допрос” такого сотрудника и, владея полной информацией, принимает управленческое решение.
Уведомления нейронной сети о выявленных нарушениях в компании могут направляться одновременно всем назначенным лицам: сотрудникам службы безопасности, HR, прямому операционному управляющему и т.д.
Группа 3. Контроль работы аутсорсинговых организаций
Крупные логистические компании пользуется услугами аутсорсинговых организаций по “поставке” персонала. Каждый день на объекты приезжает различное количество соответствующего персонала. Закрывать таким образом кадровые вопросы вполне разумно, но вот со справедливым расчетом заработной платы могут возникнуть сложности.
Дело в том, что стоимость услуг аутсорсинговой компании определяется количеством человеко-часов. Но по факту количество людей и отработанных часов может быть гораздо меньше, чем было согласовано. На практике это происходит сплошь и рядом. Например, один человек регистрируется по несколько раз (в результате компания считает, что на смену вышло 100 сотрудников, а по факту работает 90). Может быть и иная ситуация, когда человек заходит на территорию объекта, а затем выходит из нее по своим делам. Аутсорсинговые сотрудники далеко не всегда заинтересованы в полноценном рабочем дне и частенько по возможности отлынивают. Отследить же несколько тысячный персонал с помощью простых видеокамер на практике невозмоно.
В качестве решения данной задачи хорошо подходит нейросетевое решение с распознаванием лиц. Нейросетевые роботы фиксируют абсолютно всех входящих и выходящих людей, определяя количество уникальных лиц. Каждое лицо привязано к конкретной аутсорсинговой компании. Отдельно фиксируется продуктивное время работы каждого сотрудника на объекте. Таким образом, если кто-то покидает объект, не дорабатыв, то нейросетевая система справедливо уменьшает чек аутсорсинговой компании.
ВНИМАНИЕ! Любые предложения готовых шаблонных решений по внедрению нейросетевой видеоаналитики для B2B является обманом
Этапы внедрения
1 Этап. Согласование политик безопасности
Иногда согласование может занимать год, а иногда проходить быстро. У любой, особенно крупной компании вся информация закрыта и, как правило, к ней очень неохотно предоставляются доступы сторонним компаниям.
По логистическому центру согласование обычно длиться около одного квартала. Главный вопрос здесь — каким образом на пилоте будут организованы доступы к видео (кто выгружает, какие есть каналы и т.д.).
2 Этап. Подготовка датасетов, обучение роботов
Работая с теми ракурсами камер, которые уже есть заказчика, готовятся нейросетевые модели, а также проводится их стыковка с базами данных заказчика.
3 Этап. Пилотирование (месяц)
Пилотный проект реализуется в ограниченном функционале, когда программа работает на одних-двух воротах. Этого результата достаточен, чтобы заказчик увидел то, что оговорено в договоре.
Пилотный проект представляет собой готовый софт, который фиксирует все необходимое в онлайн режиме: что-то не завезли, не там разгрузили и т.д. Вплоть до того, что по документам разгрузка состоялась, а по факту в этом месте ее не было или обратная ситуация: выгрузка есть, а документов по операции нет и т.д.
Масштабирование всегда является более простой задачей, потому что конкретный бизнес уже изучен, а основные аспекты для внедрения нейросетевых роботов реализованы.
