Удосконалення роздрібних систем ШІ за допомогою відеоанотацій

Супермаркети використовують комп’ютерне бачення як спосіб скоротити витрати та покращити взаємодію з клієнтами. Камери зі штучним інтелектом можуть запобігати крадіжкам, аналізувати трафік у магазині та навіть визначати, як почуваються клієнти. Однак жваві роздрібні магазини – це динамічне середовище, повне складних рухів і взаємодій.

Щоб моделі штучного інтелекту працювали оптимально, їх потрібно навчати за допомогою анотованих відеоданих. Відеодані створюються людьми-анотаторами, які додають інформацію до кожного кадру. Ця інформація дозволяє моделям ШІ ідентифікувати об’єкти та рухи в реальному світі. Сервіси анотації даних, такі як Keymakr, можуть оптимізувати маркування відео за допомогою інноваційних інструментів і власних команд.

По-перше, у цьому блозі ми розглянемо, чому анотація відео важлива для роздрібного штучного інтелекту та як це може бути проблемою. По-друге, ми визначимо кілька важливих випадків використання ШІ в торговому просторі. По-третє, ми виберемо кілька основних технік анотації. І, нарешті, ми покажемо, як можуть допомогти постачальники відеоанотацій.

Відеоанотація та роздрібний штучний інтелект

Відеоанотація робить відеоматеріал розпізнаваним для моделей комп’ютерного зору. Для створення відеонавчальних даних люди-анотатори позначають і сегментують відеоматеріал кадр за кадром. Цей процес надзвичайно тривалий і трудомісткий.

Навіть короткий фрагмент відео може містити тисячі окремих кадрів. Однак анотовані відеодані важливі, оскільки вони дозволяють роздрібним моделям комп’ютерного зору працювати з рухомими зображеннями.

Варіанти використання основних роздрібних даних

Анотовані навчальні відеодані допомагають системам ШІ інтерпретувати рух. Це означає, що вони можуть добре працювати в жвавому середовищі роздрібної торгівлі. Це, у свою чергу, дає змогу використовувати деякі важливі випадки:

• Аналіз настрою: моделі ШІ можна використовувати для вимірювання впливу вітрин і пропозицій у магазинах. Камери зі штучним інтелектом можуть відстежувати рухи покупців і інтерпретувати їх реакцію на продукти на основі рухів тіла та виразу обличчя. Це дозволяє магазинам краще зрозуміти, які продукти та пропозиції привабливі для покупців.
• Відстеження трафіку в магазині: штучний інтелект також може допомогти покращити макети магазинів, відстежуючи рух клієнтів. Моделі комп’ютерного бачення можуть фіксувати рівень прохідного трафіку та вимірювати взаємодію з продуктом. Це може допомогти менеджерам магазинів розміщувати рекламні акції в місцях, які часто відвідують.
• Запобігання втратам: відеоанотації допомагають моделям штучного інтелекту запобігати крадіжкам під час самоконтролю. Завдяки розпізнаванню об’єктів моделі штучного інтелекту можуть бачити, який об’єкт сканується, і попереджати співробітників служби безпеки, коли вводиться неправильний тип об’єкта.

Техніка анотування відео

Випадки використання, описані вище, залежать від точної анотації відео . Наступні методи анотації гарантують, що відеодані фіксують рівень деталізації, необхідний для навчання моделей AI:

• Скелет: анотація скелета допомагає моделям зрозуміти рух людського тіла. Для виконання цієї техніки анотатори додають лінії до людських тіл у відеокадрах. Ці лінії створюють спрощену форму, яка помітна моделями AI.
• Точки: Анотація точок – це коли окремі точки використовуються для визначення важливих функцій. Найчастіше це використовується для моделей ШІ розпізнавання облич. Точки використовуються для створення зображення людського обличчя, яке можуть розпізнавати моделі ШІ.

Професійні постачальники відеоанотацій

Відеоанотації можуть забирати ресурси та увагу. Ось чому багато компаній зі штучного інтелекту вирішують передати відеоанотації досвідченим професіоналам.  Кілька анотаторів можуть працювати над одним фрагментом відеоматеріалу одночасно. А потім ці анотації можна плавно об’єднати. Keymakr також пропонує розробникам спеціальну внутрішню команду кваліфікованих анотаторів під керівництвом досвідчених менеджерів. Це робить усунення несправностей набагато легшим, ніж під час роботи з краудсорсингом.