Главная задача любого компьютера — быстрое решение рутинных задач. Точное и непрерывное измерение температуры воздуха, безошибочный подсчет чисел, архивирование данных.
А что насчет нерутинных вопросов? Может ли математический алгоритм оперативно реагировать на изменяющиеся данные? Например, подсчитать количество людей в помещении и, в зависимости от полученных данных, отработать один из нескольких сценариев?
Может, если в работе модели реализуется технология компьютерного зрения. В статье на портале "Хабр" эксперты по анализу данных "Центр 2М" Татьяна Воронова и Эльвира Дяминова объясняют принципы и преимущества этого подхода. Компьютерное зрение в сочетании с машинным обучением позволяет создать эффективную систему, способную безошибочно детектировать количество людей в пространстве и анализировать полученные данные.
Как следует из материала экспертов, вести подсчет посетителей можно двумя способами: детектируя силуэты и головы. У каждого подхода свои преимущества и недостатки. Например, при детектировании по силуэту может пострадать скорость распознавания, а если камера установлена далеко, то модель приходится доучивать отдельно. При детектировании голов основной проблемой является качество изображений и масштаб объектов, из-за чего алгоритм ошибочно принимает за посетителей стулья, капюшоны и елочные шары.
В ходе работы специалисты "Центр 2М" выявили, что наиболее эффективным решением является комбинаторное использование двух подходов к детектированию. Такой метод позволяет точно детектировать фигуры и оценить качество работы модели, а на основе полученных значений сформировать готовые дашборды, показывающие распределение посетителей по времени для средней или максимальной загрузки объекта.
Наличие аналитической отчетности — ключевое качество, отличающее искусственный интеллект от обычного компьютера. Нейросетевые модели в данном случае не просто выполняют рутину, считая количество людей в очереди, — они предлагают статистику, на основе которой можно принимать эффективные управленческие решения. Опираясь на имеющуюся информацию, руководство может управлять потоком посетителей: например, задействовать в час пик дополнительные ресурсы или в период низкой активности переключать свободных специалистов на более важные задачи. В конечном итоге такой поход улучшает клиентский опыт и серьезно укрепляет положительный имидж компании.
Узнать больше об особенностях компьютерного зрения и процессе обучения моделей можно из
полного текста статьи Татьяны Вороновой и Эльвиры Дяминовой на портале "Хабр".