Нейросети

С 2022 года клиентов оператора «Триколор» и в голосовом, и в текстовом каналах успешно обслуживает виртуальный ассистент, созданный при помощи BSS. Для повышения качества обслуживания в сценариях, где предполагается множество вариантов ответов, а стандартные механизмы и линейные скрипты не дают клиентам необходимого уровня комфорта, эксперты применили нейробота. В некоторых сценариях ассистенту требуется учитывать множество факторов: настройки оборудования и спутниковой антенны, статусы каналов, уже произведенные действия и даже погодные условия. В ответах клиента может быть очень много комбинаций, что подразумевает достаточно большое количество возможных ответвлений в диалоге с роботом. В этом случае нейробот понимает речь и контекст диалога и предлагает ответы исходя из этих данных.

Нейробот состоит из 4 модулей, в которых происходят обработка человеческой речи и формализация полученной информации, актуализация текущего состояния и определение следующего шага диалога (следующий вопрос или завершение беседы), формирование и выдача пользователю ответа. Поскольку нейробот состоит из нескольких отдельных модулей, есть возможность комбинировать решения в зависимости от требований и ожиданий заказчика.

Модель обработки речи нейробота учитывает как реплику пользователя, так и вопрос ассистента. Это позволяет точнее понимать пользователя и более эффективно определять дальнейшие шаги обслуживания.

При этом виртуального ассистента можно настраивать, обеспечивая большую контролируемость, если важно следовать скрипту. Когда дается большая свобода действий, виртуальный ассистент реализуется с помощью нейросетевых технологий: бот принимает решения на основе кейсов из обучающего набора. Даже если бот столкнется с ситуацией, которой не было в примерах, он выстроит дальнейшее обслуживание на основании модели обучения. Это позволяет избежать ручного выстраивания сценария: не нужно тратить ресурсы на внесение разных комбинаций вопросов и диалогов в скрипт.

Модель компьютерного зрения, внедренная на «Северстали», получает изображения с камер с высоким разрешением и затем на специальном сервере с высокопроизводительными графическими процессорами обнаруживает и классифицирует дефекты на рулонах. После этого эксперты проводят аттестацию и принимают решение о соответствии продукции требованиям клиента. Для оценки качества работы модели отслеживаются две метрики некорректных срабатываний: «перебраковка» (как часто модель путает классы дефектов) и «недобраковка» (как часто модель не обнаруживает дефекты). Vera достигает уровней 12% и 14% соответственно, в то время как рыночные аналоги демонстрируют результаты более 30% и 15%.

Доля уведомлений заказчиков об отклонениях в качестве поверхности готовой продукции снизилась примерно в 1,8 раза за первую половину текущего года по сравнению с аналогичным периодом 2022 года. Экономический эффект за тот же период составил около 2 млн руб.

Модель непрерывно совершенствуется разработчиками «Северсталь Диджитал» совместно с экспертами Центра цифрового развития качества «Северстали», которые проводят ее дообучение. НТА-4 стал третьим агрегатом, на котором работает эта модель. Впервые ее внедрили на стане 2000 в 2020 году. В 2022 объем претензий клиентов по дефектам поверхности снизился в 1,5 раза по сравнению с 2021. Затем решение было масштабировано на НТА-3, где за год объем претензий сократился в 4,8 раза.

Прошедшая конференция Gartner CFO & Finance Executive Conference была посвящена обсуждению опыта успешного внедрения искусственного интеллекта в финансовых организациях. Ожидается, что к 2026 году 80% финансовых служб крупных предприятий будут использовать в своей деятельности платформы генеративного ИИ, обученные на их собственных бизнес-данных. Но предварительно финансовый директор, отвечающий за финансовое состояние организации, должен сбалансировать преимущества и риски генеративного искусственного интеллекта, обсудив совместно с другими членами высшего руководства три основных вопроса:

1. Необходимость развенчания мифов с целью исключения завышенных ожиданий

Генеративный искусственный интеллект предоставляет компаниям возможность легко ориентироваться в своих данных, объемы и сложность которых постоянно растут. Однако ограничения существующих технологий препятствуют достижению этой цели, порождая завышенные ожидания. Финансовым директорам совместно с руководителями технических подразделений (ИТ-директором, директором по данным, директором по информационной безопасности) необходимо отделить рекламную шумиху от реальности и поделиться сделанными выводами с другими членами команды высшего руководства. Большое количество параметров, используемых системами генеративного искусственного интеллекта, мешает прозрачной оценке результатов, выдаваемых алгоритмом. Между тем алгоритм, возможно, преследует какие-то неустановленные цели или основывает свои выводы на неточной, не относящейся к делу, нарушающей этические нормы или даже противоправной информации.

2. Выбор согласованных, ответственных и выполнимых вариантов использования ИИ

Понимая ограничения генеративного ИИ, финансовые директора смогут ответственно подходить к выбору вариантов его использования, соответствующих общей стратегии организации и учитывающих существующие риски. В наилучших вариантах внимание всегда акцентируется на сильных сторонах бизнеса, а слабости нивелируются. Приведение фундаментальных возможностей генеративного ИИ в соответствие с уникальными стратегиями и целями бизнеса поможет компании выгодно отличаться от конкурентов.

3. Управление генеративным ИИ и определение принципов его приемлемого использования

Генеративный ИИ требует контроля со стороны человека, помогающего обеспечивать соответствие выдаваемых им результатов особенностям человеческих суждений и представлений о справедливости. Даже если результаты эти кажутся вполне убедительными, они не всегда отличаются точностью, непредвзятостью и надежностью. Рекомендации по использованию ИИ с учетом рисков безопасности и необходимости соблюдения нормативных требований финансовым директорам следует разрабатывать с привлечением юристов, кадровиков, аудиторов, специалистов по безопасности и представителей других подразделений компании. При обсуждении важно учитывать также потенциальное влияние на работников, особенности корпоративной культуры и необходимость обучения.

Решение, созданное в X5, позволяет бороться сразу с несколькими видами типичных ошибок. Например, если товар был поднесен к сканеру, но не отобразился в системе или если пользователь по ошибке пробил один товар под видом другого. Кроме того, благодаря нейросети касса самообслуживания теперь может подсказать, если покупатель некорректно разместил товар на весах. Искусственный интеллект поможет распознать количество и вид товаров, в том числе, кофе, алкоголь, схожие по виду овощи и фрукты, конфеты. На текущем этапе алгоритм различает категории и классы товаров, однако в процессе обучения он сможет распознавать сорта и виды продуктов.

В случае ошибки ИИ подскажет пользователю, какой товар был некорректно просканирован и при необходимости «позовет» сотрудника магазина, если покупатель не справится сам. При этом на экран кассы выведется изображение товара, на которое среагировала система. Ассистент кассовой зоны может видеть на рабочем планшете текущий статус работы всей кассовой зоны и дистанционно принять решение об отмене или корректировке покупки.

По итогам пилота, который проходил весной этого года в московских магазинах, доля ошибок в покупках на кассах самообслуживания снизилась на 10%.

При помощи камеры, которой оснащены кассы самообслуживания X5, а также системы машинного зрения, нейросеть в реальном времени анализирует видеопоток. Умный алгоритм работает непосредственно на компьютере, расположенном внутри кассы, и не задействует облачные мощности. Чтобы повысить точность распознавания, в терминалы была внедрена дополнительная камера, которая позволяет охватить всю рабочую зону перед кассой.

Решение, запущенное на рыбинском предприятии «ОДК-Сатурн», позволило автоматизировать процесс оценки качества деталей авиационных двигателей и лопаток силовых установок и включает в себя использование передовых алгоритмов обработки изображений.

Новый способ автоматизированного люминесцентного контроля обеспечивает съемку всех поверхностей детали, поиск дефектов, расчет их геометрических характеристик, классификацию и определение годности изделия согласно нормативной документации. Данный способ позволяет выявлять все типы дефектов, в том числе трещины, корольки, спаи и др. Применение этого метода контроля в технологическом производственном процессе повышает точность и достоверность получаемых результатов.

Дополнительным эффектом от применения данного способа является формирование «цифрового следа» изготавливаемой продукции, который позволит проводить ретроспективную аналитику производственного процесса с целью его оптимизации.

В Московской области цифровой контроль за состоянием пассажирского транспорта заработал в августе прошлого года. За это время проведено порядка 220 тыс. осмотров. Из них, начиная с декабря, более 48 тыс. проверок провела нейросеть.

Искусственный интеллект в онлайн-формате анализирует состояние транспортных средств по нескольким критериям: повреждения кузова, бампера и стекла, наличие ржавчины. Ответственный исполнитель транспортной компании делает фотографии и загружает их в мобильное приложение «Проверки Подмосковья». Далее фотографии обрабатываются нейросетью, и выявленные дефекты проходят дальнейшую модерацию. После этого перевозчику поступает задание по их устранению.

С помощью мобильного приложения «Проверки Подмосковья» проводится предрейсовый контроль 12,5 тыс. автобусов Московской области.

Система видеоанализа разработана дата-офисом «М.Видео-Эльдорадо». Данные с IP-камер магазина обрабатываются нейронной сетью на основе YOLO – решения для детекции множественных объектов на изображении. Для обработки видеопотока используются облачные решения и инфраструктура на основе Raspberry. Интеллектуальное решение по заданным параметрам в режиме реального времени анализирует поток данных из магазина, может отличить сотрудников от посетителей, а затем «накладывает» данные о местоположении людей на план магазина.

Первым рабочим сценарием для тестирования в рамках системы видеоаналитики стала помощь покупателям, которые некоторое время стоят или перемещаются по торговому залу в одиночку. ИТ-решение позволяет оперативно выявить таких клиентов и отправляет уведомление в чат-бот магазина, после чего свободный консультант подходит к клиенту и оказывает персонализированную помощь. Нововведение способствует росту уровня внимательности персонала и повышению качества его работы с посетителями – вовлеченность персонала увеличилась в пять раз.

Нейросеть также анализирует количество посетителей в зоне выдачи товара и касс. В случае превышения нормы персонал получит сообщение и предпримет действия для разрешения ситуации.

Еще одним продуктом, созданным на базе нейросети, стали «тепловые карты» для анализа торгового пространства и управления продажами. Программное решение строит плотностное распределение посетителей магазина по зонам, что позволяет изучить поведенческие модели покупателей, оценивать удобство расположения стеллажей с разными группами товаров и выбирать места для размещения рекламных материалов.

«М.Видео-Эльдорадо» планирует провести пилоты в нескольких магазинах и в перспективе решение может быть растиражировано более чем на тысячу магазинов компании при подтвержденной экономической эффективности.

Как отмечает директор офиса больших данных «М.Видео-Эльдорадо» Кирилл Иванов, решение в области видеоаналитики разработано менее чем за полгода «с нуля». При этом обошлись без инвестиций в дорогостоящие сторонние готовые платформы, силами собственной команды, собранной из выпускников и студентов ВШЭ.

Полученные данные позволяют лучше узнать покупателей, их потребности и привычки и в перспективе сделать аналитику в магазине такой же богатой, как на сайте или в мобильном приложении. Поведенческая аналитика помогает выводить взаимодействие с клиентами на новый уровень, отвечать их персональным требованиям, а также повышать эффективность и качество собственных бизнес-процессов.

В ближайшее время планируется нарастить возможности созданного инструмента, добавляя новые рабочие сценарии – например, регистрацию групповых посещений.

Целью проекта стало увеличение скорости торгового аудита и ценового мониторинга, а также получение оперативной информации о наличии товара на полках торговых сетей. В его ходе требовалось автоматизировать процесс распознавания наименований (бренд, марка и литраж товара), определять полку, на которой размещен товар, распознавать ценники.

Аудит мест продаж проводят мерчандайзеры и торговые представители Beluga Group. Они фотографируют магазинные полки и заполняют мерчандайзинговые отчеты в приложении «ST Мобильная Торговля». Собранные данные поступают в центральный офис компании, где для их обработки подключается штат операторов. Проектная команда проанализировала технологические инновации и предположила, что применение нейронных сетей позволит оптимизировать и ускорить процесс обработки данных.

Первый пилот по оцифровке категорий «Водка» и «Вино» Beluga Group провела в 2018 году. Лучший результат показала система SmartMerch, но точность данных составила всего 70%. Основная трудность заключалась в том, чтобы научить нейросеть распознавать объем бутылок. Бутылки водки разного литража на фото часто выглядят одинаково. Во время пилота проверили несколько подходов к повышению качества данных, один из которых – высчитывать площадь бутылки и сравнивать ее с окружающими объектами.

Вторая итерация состоялась в 2019 году на ограниченной выборке: в процессе распознавания участвовал не весь ассортимент, а несколько позиций. При этом качество результатов приблизилось к 90%. Но оставался вопрос — удастся ли сохранить такой высокий уровень на полном ассортименте. В это же время Beluga Group провела дополнительный пилот по выбору новых устройств для полевых сотрудников.

В третий пилот по технологиям распознавания изображений компания вошла с новыми смартфонами и планшетами. Тестирование проводилось на всех SKU в трех торговых сетях. Средняя точность определения SKU системой SmartMerch достигла 96%, качество распознавания ценников — 100%.

В августе модуль SmartMerch, интегрированный в SFA-систему «ST Чикаго», заработает на устройствах мерчандайзеров в Москве и Санкт-Петербурге. Осенью планируется запустить проект на территории всей России. Переход на цифровой мониторинг приведет к переосмыслению доли полки Beluga Group в торговых сетях.

После внедрения цифрового мерчендайзинга сформированный отчет приходит уже к 8 утра следующего дня, система гарантированно обрабатывает все загруженные снимки, а доля полки рассчитывается исходя из текущей ситуации в конкретной торговой точке — компания получает данные о ситуации «здесь и сейчас».

Данный проект был реализован в рамках развития концепции операционной эффективности и цифровой трансформации ПАО «Юнипро». На первом этапе были определены задачи, которые должна выполнять система видеоаналитики на основе искусственного интеллекта. При проведении ремонтных работ на предприятиях с помощью нейросети необходимо было подсчитать количество сотрудников, осуществляющих ремонт оборудования, и среднее время их нахождения в зоне проведения ремонтных работ, которая находилась под наблюдением.

После согласования задач и требований к предоставлению результата специалисты «Центр 2М» в течение месяца обучали систему промышленной видеоаналитики CenterVision, использующую нейронные сети для распознавания персонала на производственных предприятиях, замеру времени их нахождения в изучаемой зоне. По итогам проведения пилотного запуска система продемонстрировала уровень достоверности модели 87%.

Созданный прототип при помощи камер видеонаблюдения способен автоматически подсчитывать количество и время нахождения персонала в зоне проведения ремонта, что позволяет проводить анализ эффективности его работы и разрабатывать соответствующие мероприятия. Благодаря использованию технологий на основе искусственного интеллекта компания «Юнипро» планирует повысить эффективность использования собственного ремонтного персонала и сократить издержки в части работ, выполняемых подрядными организациями.

После заполнения анкеты в личном кабинете «Росбанк Дом Экспресс» нейросеть сопоставляет данные клиента с CRM-базами банка. После этого клиенту предлагается перейти по ссылке на страницу базы недвижимости с перечнем объектов, наиболее полно соответствующих параметрам его анкеты.

Механизм обучения нейросети подбору недвижимости основан на анализе привязки анкет клиентов банка к приобретенным ими объектам. При этом процесс обучения является непрерывным и актуализируется на основе новых данных.

Нейросеть умеет предсказывать такие предпочтения как тип дома, стоимость недвижимости, площадь квартиры, количество комнат, тип санузла. По умолчанию также предлагается обратить внимание на объекты недвижимости неподалеку от текущего места работы заемщика. Применяя фильтр по стоимости объекта, система учитывает коэффициент инфляции.