Журнал / Кирилл Наумов
AI для контроля полок: от фотографии к понятной задаче
Как использовать компьютерное зрение, чтобы замечать возможные пробелы на полках, сверять их с остатками и передавать сотруднику конкретную задачу.
Автор: Кирилл Наумов ·
По фотографии полки можно заметить, что знакомого товара нет на привычном месте. Но изображение само по себе не объяснит, лежит ли товар в подсобке, задержалась ли поставка, ошиблись ли в учёте, переставили ли позицию ради акции или товара действительно нет. Поэтому полезная система — не просто «камера нашла пустое место», а короткий и проверяемый путь от визуального сигнала до следующего действия.
Сформулируйте один вопрос о полке
Выберите узкую задачу: замечать возможные пробелы в конкретной категории, проверять правильность выкладки акции или помогать определить, какую полку пополнить во время следующего обхода. Зафиксируйте категорию, формат магазина, источник фотографий и периодичность. Не начинайте с задачи «контролировать все полки». Товары, упаковка, освещение, высота стеллажей и местные правила выкладки различаются — системе нужны примеры именно из тех магазинов, где её планируют применять.
В рецензируемом исследовании [устойчивого контроля наличия товара на полке](https://pmc.ncbi.nlm.nih.gov/articles/PMC6631981/) описано, как изменения изображений могут помогать находить возможные проблемы с наличием. Другая научная работа по [обнаружению отсутствующих товаров на фотографиях полок](https://pmc.ncbi.nlm.nih.gov/articles/PMC10819825/) рассматривает распознавание товаров и практические сложности поиска пробелов. Это исследовательские подходы, а не доказательство того, что камера безошибочно определит проблему в любой сети.
Сверьте изображение с тем, что происходит в магазине
Визуальное предупреждение стоит сопоставить с товаром и его вариантом, планограммой или ожидаемым местом, остатком по кассе, поставкой и данными подсобки — если они доступны. Модели полка может показаться пустой. Сотрудник проверит, не поменяли ли выкладку по плану, не закрывает ли этикетка упаковку и не лежат ли последние единицы в подсобном помещении. «Возможный пробел» — повод проверить, а не готовый вывод о причине.
Передайте сотруднику задачу, которую можно закрыть
Небольшая очередь задач должна содержать фотографию, ряд или стеллаж, вероятный SKU, причину сигнала и понятное действие: проверить, пополнить полку, поправить остаток или отметить, почему выкладка намеренно отличается от плана. Сначала показывайте ситуации, которые сильнее влияют на покупателя. Если устройство создаёт десятки почти одинаковых предупреждений, предлагает товар, которого в этом магазине нет, или требует постоянно входить в другую систему, оно добавило команде работы вместо того, чтобы её снять.
Организуйте съёмку в соответствии с задачей. Если лица покупателей или сотрудников для неё не нужны, кадрируйте изображения так, чтобы их не собирать. Заранее определите, кто может смотреть снимки, сколько времени они хранятся и как сотрудник сообщит о неверном или лишнем предупреждении. Цель — улучшить наличие товара, а не незаметно превратить контроль полок в наблюдение за командой.
Измеряйте всю цепочку, а не только точность модели
Проверьте долю подтверждённых предупреждений и отдельно — какие пробелы система пропустила. Затем проследите за всей операцией: сколько времени проходит до проверки, пополнения или исправления учёта, стало ли чаще удаваться найти товар на полке, повторяется ли проблема, сколько ложных сигналов возникает и какую нагрузку получает команда. Сравните результат с нынешним способом обхода в похожих магазинах и сменах. Система может заметить больше пустых мест, но покупателю от этого не легче, если задания откладывают или товара нет нигде.
Начните с ограниченного теста
Возьмите одну категорию и небольшую группу магазинов. На старте AI только подсказывает: сотрудник подтверждает ситуацию и отмечает, что помогло её исправить. По ходу теста улучшайте справочник товаров, схему выкладки и правила передачи сложных случаев. Расширяйте проект, только если сигналы достаточно надёжны, задача реально закрывается во время обычной смены, а доступность товара улучшается в честном сравнении. Смысл прост: помочь нужному человеку вовремя исправить проблему на полке, пока покупатель ещё выбирает товар.
Другие практические сценарии AI в ритейле, продажах, обучении сотрудников и программах лояльности разбираем на странице [AI for Retail workshop](https://www.kirillnaumovai.com/workshops/ai-retail-november).