Склад Шредингера: как с помощью компьютерного зрения сократить инцидентность на больших складах логистического оператора

Нейронные сети и искусственный интеллект (data science)

Доклад принят в программу конференции

Мнение Программного комитета о докладе

В докладе пойдет речь об оптимизации затрат на складах с использованием ML. В частности, докладчик расскажет про нюансы обучения моделей и о реальном применении детекторов обнаружения аномального поведения на складах, а также о том, как это помогает экономить большие бюджеты на этапе логистики.

Целевая аудитория

Инженеры компьютерного зрения, проджект-менеджмент, аналитик.

Тезисы

В крупных логистических центрах потери, связанные с ошибками персонала, нарушениями регламента и кражами, исчисляются миллиардами рублей. Установка видеонаблюдения отчасти решает проблему, но чем больше камер, тем больше объем данных для хранения, больше нагрузка на сервера, больше операторов для непрерывного мониторинга видеопотока. И при этом сами логисты признают, что видят только малую часть всех инцидентов.

Обучив камеры в крупнейшем логистическом операторе, мы смогли на порядок повысить производительность сотрудников отдела мониторинга по детектированию динамических инцидентов на складе (например, бросание груза при погрузке/разгрузке).

В докладе я расскажу, как мы на своих ошибках поняли, как именно нужно обучать модель, чтобы результаты на тестовых данных несильно отличались от данных с продакшна. И как добиться того, чтобы результаты работы модели чаще свайпали вправо.

Кандидат физико-математических наук, директор департамента разработки и внедрения систем искусственного интеллекта в BIA Technologies.
10 лет опыта разработки систем планирования и автоматизации логистики с помощью методов математической оптимизации, машинного обучения и компьютерного зрения.

Видео

Другие доклады секции

Нейронные сети и искусственный интеллект (data science)