域名預(yù)訂/競(jìng)價(jià)，好“米”不錯(cuò)過(guò)
人工智能一浪接一浪地席卷全球，AI的其中一個(gè)重要分支——計(jì)算機(jī)視覺，也如雨后春筍，不斷涌現(xiàn)出新的想法和應(yīng)用。人臉識(shí)別已經(jīng)逐漸滲透我們的日常生活，機(jī)器能夠認(rèn)準(zhǔn)人臉，想必大家都有所耳聞;而另一類計(jì)算機(jī)視覺的應(yīng)用，是進(jìn)行 商品識(shí)別。
當(dāng)前新興的一些無(wú)人零售店，背后就需要機(jī)器對(duì)商品進(jìn)行自動(dòng)識(shí)別，拍圖購(gòu)物、AR互動(dòng)營(yíng)銷等場(chǎng)景，也運(yùn)用了商品識(shí)別技術(shù)。人工智能商業(yè)公司 ImageDT，則利用商品圖像識(shí)別技術(shù)提供2B商業(yè)服務(wù)，包括基于互聯(lián)網(wǎng)圖片大數(shù)據(jù)的商業(yè)分析，以及基于門店貨架識(shí)別的 渠道數(shù)據(jù)洞察，幫助消費(fèi)品企業(yè)提升業(yè)績(jī)。
今天，圖醬就跟大家科普應(yīng)用在無(wú)人店、新零售中的商品識(shí)別技術(shù)。
數(shù)據(jù)邏輯
讓小孩“記住”超市里的所有商品
我們教一個(gè)小孩識(shí)物的時(shí)候，比如“蘋果”，首先要讓他反復(fù)的看到 “蘋果”，他便能認(rèn)識(shí)“蘋果”;他可能會(huì)認(rèn)錯(cuò)，把“梨”認(rèn)成“蘋果”，這個(gè)時(shí)候應(yīng)該幫他指出來(lái)。小孩看到的“蘋果”越多，辨識(shí)的能力就越強(qiáng)。
基于深度神經(jīng)網(wǎng)絡(luò)的人工智能，讓機(jī)器具備理解的能力，基本過(guò)程就像教一個(gè)小孩認(rèn)蘋果一樣。首先要有大量的數(shù)據(jù)， 比如“蘋果”的圖片;同時(shí)，要增加大量機(jī)器會(huì)認(rèn)錯(cuò)的“負(fù)樣本”，比如“梨”的圖片;然后經(jīng)過(guò)一個(gè)深度神經(jīng)網(wǎng)絡(luò)，反復(fù)學(xué)習(xí)，最終獲得一個(gè)有效的識(shí)別模型。
對(duì)于快消商品的識(shí)別，我們不僅要認(rèn)出一個(gè)瓶子包裝，還要認(rèn)出是一瓶酸奶還是啤酒;不僅要認(rèn)出酸奶，還要認(rèn)出是哪個(gè)品牌的酸奶，甚至是哪個(gè)口味和規(guī)格。要讓機(jī)器能夠準(zhǔn)確識(shí)別成千上萬(wàn)的快消商品SKU，是一項(xiàng)極其龐大而復(fù)雜的AI工程。
數(shù)據(jù)采集
讓機(jī)器獲得學(xué)習(xí)的原始素材
首先，我們需要梳理出所有的目標(biāo)商品清單，并設(shè)法獲得每一件商品的圖片數(shù)據(jù)。根據(jù)商品的特征辨識(shí)度，通常需要幾十到幾百?gòu)埖挠行D片。
數(shù)據(jù)采集是一套組合拳。電商平臺(tái)上擁有結(jié)構(gòu)化的商品介紹圖片以及大量的買家曬圖，社交平臺(tái)上也能獲取到大量的消費(fèi)者曬圖，是性價(jià)比最高的數(shù)據(jù)源。超市店內(nèi)的真實(shí)貨架數(shù)據(jù)，是最可靠的數(shù)據(jù)源，但獲取和后期處理的成本都比較高。
除此之外，ImageDT還通過(guò)自主研發(fā)智能燈箱和 智能采集車，模擬各種不同的場(chǎng)景對(duì)商品進(jìn)行360°拍攝從而建立龐大的訓(xùn)練數(shù)據(jù)庫(kù)，以此來(lái)獲取最 豐富的訓(xùn)練數(shù)據(jù)。
數(shù)據(jù)標(biāo)注
有多少人工，才有多少智能
采集到原始圖片數(shù)據(jù)，通常會(huì)混雜許多“臟數(shù)據(jù)”，需要進(jìn)行清洗;大部分情況下，還需要對(duì)圖片中的物體進(jìn)行標(biāo)注和 分類。只有可靠的數(shù)據(jù)才能產(chǎn)生高質(zhì)量的識(shí)別模型。
在每一個(gè)人工智能公司，都有一支特殊的軍隊(duì)——數(shù)據(jù)標(biāo)注團(tuán)隊(duì)。ImageDT也不例外，在背后支撐這個(gè)團(tuán)隊(duì)的是一個(gè)充滿黑科技的標(biāo)注系統(tǒng)。
比如，圖片在標(biāo)注前通常會(huì)先經(jīng)過(guò)弱模型的處理，讓機(jī)器先解決 50%的問(wèn)題;系統(tǒng)有支持批量標(biāo)注的小圖模式，讓標(biāo)注員可以一目十行，成倍提高標(biāo)注的速度;產(chǎn)品經(jīng)理反復(fù)打磨每一個(gè)功能，做A/B測(cè)試，從每處細(xì)節(jié)提高標(biāo)注的體驗(yàn)和效率。
除此之外，標(biāo)注團(tuán)隊(duì)還為不同任務(wù)配置了不同等級(jí)的質(zhì)量保證機(jī)制，包括抽樣審核、全量審核、交叉校驗(yàn)、埋點(diǎn)校驗(yàn)等，確保讓機(jī)器學(xué)習(xí) 最準(zhǔn)確最可靠的訓(xùn)練數(shù)據(jù)。
模型訓(xùn)練
“活到老學(xué)到老”，機(jī)器也要不斷學(xué)習(xí)
準(zhǔn)備好了數(shù)據(jù)，下一步就是讓機(jī)器進(jìn)行學(xué)習(xí)，建立識(shí)別模型的過(guò)程。同樣的數(shù)據(jù)，選擇不同的神經(jīng)網(wǎng)絡(luò)算法、以及不同的參數(shù)設(shè)置，將會(huì)影響最終模型的效果。模型建立之后，還需要進(jìn)行管理：模型之間存在層次關(guān)系，數(shù)據(jù)和模型會(huì)存在版本的迭代，這些問(wèn)題，當(dāng)遇到大量商品類別的時(shí)候，顯得非常艱難。
在ImageDT內(nèi)部，有一個(gè)自助式的深度學(xué)習(xí)平臺(tái)，支持拖拉拽的算法和參數(shù)測(cè)試，甚至一個(gè)非程序員都可以傻瓜式的完成一次建模任務(wù)，并獲得模型的效果評(píng)估報(bào)告。
每一位ImageDT的新員工，不管是工程師，還是前臺(tái)，都會(huì)接受一次半小時(shí)的建模培訓(xùn);而在培訓(xùn)結(jié)束后，每個(gè)人都將能夠獨(dú)立的建立一個(gè)圖像識(shí)別模型，整個(gè)過(guò)程只需要 半小時(shí)。
同時(shí)，深度學(xué)習(xí)平臺(tái)就像一個(gè)模型倉(cāng)庫(kù)，兼顧著對(duì)象、數(shù)據(jù)和模型的管理。
整個(gè)建模的過(guò)程已經(jīng)標(biāo)準(zhǔn)化，最快只需要一天，就能完成從數(shù)據(jù)采集、標(biāo)注、建模到上線的整個(gè)流程。
ImageDT的研發(fā)團(tuán)隊(duì)分為四個(gè)組，產(chǎn)品組、建模組、數(shù)據(jù)組和研究組。前三個(gè)組，負(fù)責(zé)實(shí)現(xiàn)流水線的搭建和經(jīng)營(yíng)，使得每天都能井井有條地建立大量新的商品識(shí)別模型，并快速上線，對(duì)每天數(shù)千萬(wàn)的圖片數(shù)據(jù)進(jìn)行識(shí)別和分析。研究組，則要克服各種疑難雜癥，比如容易產(chǎn)生褶皺的軟包裝、商品側(cè)面和背面的識(shí)別、遮擋和反光環(huán)境下的識(shí)別等等。
目前，在實(shí)際生產(chǎn)環(huán)境下，已經(jīng)達(dá)到95%以上的識(shí)別準(zhǔn)確率。
人臉都有眼睛、鼻子、嘴巴等固定的特征，而超市中琳瑯滿目的商品，則千奇百態(tài)。與人臉識(shí)別相比，商品識(shí)別有更高的工程復(fù)雜度。 ImageDT正在做的，就是實(shí)現(xiàn)這個(gè)龐大的AI工程，讓機(jī)器能夠自動(dòng)地、準(zhǔn)確地識(shí)別 每一件商品。
關(guān)于ImageDT
ImageDT(圖匠數(shù)據(jù))是一家人工智能商業(yè)應(yīng)用公司。團(tuán)隊(duì)專注于為企業(yè)提供商業(yè)智能化技術(shù)與服務(wù)，具備領(lǐng)先的數(shù)據(jù)采集、圖像識(shí)別、語(yǔ)義分析、海量數(shù)據(jù)挖掘等技術(shù)，長(zhǎng)期服務(wù)于日化、乳制品、食品、飲料等快速消費(fèi)品生產(chǎn)和零售企業(yè)，主要產(chǎn)品包括：智能貨架圖像識(shí)別與洞察系統(tǒng)，互聯(lián)網(wǎng)圖片大數(shù)據(jù)應(yīng)用等，用智能科技助力企業(yè)業(yè)績(jī)?cè)鲩L(zhǎng)。
申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！
