AI-аналіз поведінки покупців у офлайн-магазині

AI-аналіз поведінки офлайн-покупців

E-commerce знає про кожен клік: скільки часу користувач дивився на товар, що додав у кошик. Офлайн-рітейл досі працює в темній зоні — є дані на вході та касі, а все, що між ними, — чорний ящик. Ми розробляємо AI-системи, які перетворюють сирий відеопотік на actionable аналітику: від трекінгу траєкторій до атрибуції покупок. Наш стек — YOLOv8 для детекції, DeepSORT для трекінгу та кастомні моделі поведінки. Це дає до 40% більше даних, ніж традиційні лічильники. Гарантуємо точність не нижче 95% на цільових метриках. Вартість впровадження визначається після аудиту, а окупність досягається за 4–6 місяців. Понад 6 років досвіду та 15+ реалізованих проєктів у рітейлі підтверджують надійність підходу.

Перш ніж будувати систему, потрібно зрозуміти, які дані реально впливають на рішення. Безглуздо збирати теплову карту заради теплової карти — потрібні метрики, які дозволяють порівнювати викладку та оптимізувати планограму. Нижче — набір метрик, які ми застосовуємо в проєктах, та їх прив'язка до CV-завдань.

Типова проблема рітейлера — нерозуміння, чому одні зони продають, а інші — ні. Ми допомогли одній мережі з 10 магазинів збільшити конверсію молочної секції на 18% за рахунок перестановки планограми на основі даних аналітики. Досвід підтверджує: точкові зміни на основі даних дають результат швидше, ніж інтуїтивні рішення.

Як пов'язати трекінг у залі з покупкою?

Трекінг у залі дає анонімний трек. POS дає чек з позиціями. Завдання — матчити їх без порушення приватності. Використовуємо три підходи:

• Timestamp-based matching: у покупця на касі час транзакції. Трек із цим часом у прикасовій зоні — це, ймовірно, він. При одній черзі точність до покупця. При кількох паралельних касах — неоднозначність.
• Zone sequence matching: послідовність зон, які відвідав покупець, зіставляється зі складом чека (купив молоко — мав бути в молочному відділі). Статистичне matching, не індивідуальне.
• App-based linking: покупець з додатком магазину ідентифікується при вході (QR або beacon). Його трек персоналізований, покупка прив'язана до loyalty account. Найчистіший варіант, але вимагає проникнення додатку.

Метод timestamp-based matching ґрунтується на припущенні, що покупець після вибору товарів прямує до каси. Ми обчислюємо середній час перебування в прикасовій зоні та зіставляємо його з міткою часу транзакції. Для підвищення точності використовуємо фільтр Калмана для згладжування треків. Похибка не перевищує 5 секунд.

Чому теплових карт недостатньо для A/B тестування?

Класичний рітейл-кейс: порівнюємо два розташування товарів. Традиційний підхід — міняти планограму в різних магазинах, порівнювати продажі за місяць. Проблема — багато confounders (різні магазини, різні дні, різні акції).

CV-based A/B: в одному магазині міняємо викладку на тиждень, порівнюємо метрики engagement та conversion із системи аналітики за період A та період B. Контролюємо confounders через нормалізацію на загальний трафік. Статистично значущий результат за 2–3 тижні замість 2–3 місяців.

З практики: клієнт-рітейлер протестував два розташування кавової секції (біля входу vs біля кас). CV-аналітика за 14 днів показала: біля входу — engagement rate 34%, conversion 12%; біля кас — engagement rate 19%, conversion 21%. Різні патерни поведінки, різні стратегії. Економія часу на A/B тести з CV-аналітикою сягає 80%.

Порівняння підходів:

Додаткову інформацію про методи комп'ютерного зору можна знайти у відкритих джерелах.

Що дає емоційний та демографічний аналіз?

Анонімний демографічний зріз (стать, вікова група) без розпізнавання особи — додатковий контекст для аналітики. Алгоритм: face detection → attribute classifier (DeepFace, OpenCV + Caffe model, або кастомний MobileNetV3). Зберігається лише агрегована статистика по зонах та часових слотах.

Facial expression analysis біля товару — наскільки реалістичне завдання? Чесно: для аналітики в магазині обмежено корисне. Міміка занадто короткочасна (< 0.5 сек), покупець дивиться не в камеру. Але attention estimation (куди дивиться покупець) — робоча задача через gaze estimation по head pose.

Інтеграція з BI та retail системами

Система аналітики поведінки максимально корисна в поєднанні з даними продажів:

• Інтеграція з 1С:Торгівля, SAP Retail — через REST API або пряме підключення до БД для отримання даних про продажі по зонах.
• Power BI / Tableau / Metabase — експорт агрегованих даних за розкладом.
• Кастомний дашборд — план-схема магазину з live-даними, історичні тренди, A/B результати.

Зберігання вихідного відео: 30 днів за замовчуванням (згідно з рекомендаціями Роскомнадзору для відеоспостереження). Аналітичні дані — безстроково (агрегована статистика без персональних даних).

Як ми це робимо: процес роботи

1. Аналітика: аудит поточної інфраструктури, підбір камер та сервера, визначення цільових метрик.
2. Проектування: архітектура системи — локальний сервер + хмарна BI, вибір моделей під завдання.
3. Реалізація: встановлення ПЗ, калібрування камер, навчання моделей на даних магазину (fine-tuning).
4. Тестування: A/B тест пілотної зони, звірка з продажами, коригування.
5. Деплой: запуск у промислову експлуатацію, інтеграція з POS та BI, навчання персоналу.

Що входить у роботу

• Документація: архітектура, API-специфікації, інструкції з експлуатації.
• Доступ до дашборду з метриками в реальному часі.
• Навчання до 5 співробітників роботі з системою.
• Технічна підтримка на 3 місяці (включено), потім за SLA.

Ми автоматизували аналітику для 15+ рітейл-мереж, працюємо понад 6 років. Наші інженери сертифіковані за AWS та PyTorch.

Строки

Система аналітики поведінки для 1 магазину з базовими метриками (трафік, dwell time, теплові карти): 4–7 тижнів. Повна платформа з journey analytics, A/B тестуванням та POS-інтеграцією: 3–5 місяців.

Отримайте консультацію щодо впровадження AI-аналітики у вашому магазині. Зв'яжіться з нами — підберемо рішення під ваше завдання.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.