Mesterséges intelligencia megoldások az Akcióvadász mobil appban

A mesterséges intelligencia alkalmazása komoly mértékben növelte az Akcióvadász mobil applikáció esetében a működés hatékonyságát. A papír alapú akciós újságok termékeit megjelenítő appnál a katalógusok feldolgozása immáron 90%-kal kevesebb időt vesz igénybe. Milyen út vezetett az AI-eszköz alkalmazásához? Milyen lépésekben alkalmazott mesterséges intelligencia megoldásokat a fejlesztés során a LogiNet? Cikkünkben ezt a folyamatot mutatjuk meg!

Az akciós katalógusokat tartalmazó Akcióvadász mobil applikáció számos előnyt nyújt a felhasználók számára. Az applikációba felvitt újságokhoz és termékekhez különböző extra funkciók párosulnak, amik a papír alapú újságokkal nem megoldhatóak. Ilyen például, hogy feliratkozhatnak termék típusokra, kereshetnek termékekre vagy kategóriákra, amiből kitűnik, melyik mikor és hol akciós, bevásárlólistát állíthatnak össze a legkedvezőbb árú vagy a kedvenc termékekből, elmenthetik az összes hűségkártyájukat egy applikációba. Az akciós katalógusok betöltése ugyanakkor számos kihívást jelentett a cég számára, amelyet mesterséges intelligencia megoldással oldott meg. 

A következőkben bemutatjuk hogyan változott az akciós katalógusok betöltése, a felvitel módja az applikáció életciklusa alatt.

1. Kézi feldolgozás

A kézi feldolgozás volt a kiinduló folyamat. Eredetileg az adatrögzítők az újságokon szereplő termékeket egy adminisztrációs felületen kézzel vették fel egyenként.

Régi adminisztrációs felület - új termék hozzáadása

Egy termék felviteléhez az adatrögzítő megkereste a releváns adatokat és kitöltötte a megfelelő mezőket. A kategória kiválasztása, és az illusztráció - a termék kép - hozzáadása is a feltöltő feladata volt.

A kategorizálás - mivel több különböző személy csinálta - nem lett konzisztens, továbbá a termékekhez csatolt kép kiválasztásában sem volt párhuzam. Egyesek az adminisztrációs oldalról vágták ki a képet az újságból, mások az interneten kerestek valami hasonlót. Mind a két folyamat lassú volt, és több esetben nem megfelelő képet választottak az adatrögzítők. Emellett sok volt az elírás és a hibás adatfelvitel is. Fontos megemlíteni ezek mellett, hogy a munkafolyamat monoton és is lassú volt: egy katalógus feldolgozása közel 8 órányi munkát vett igénybe.

Régi adminisztrációs felület - termék módosítása

2. AI bevezetése a feldolgozási folyamatba

Az AI eszközök fejlődése eljutott egy olyan szintre az ágazatban, amellyel már érdemes volt kísérletezni. A katalógus feltöltési folyamatban az adatok kinyerését sikerült automatizálni az első AI eszközzel. A ChatGPT mesterséges intelligencia megoldás 3.5-ös verziója ugyanis már alkalmas volt arra, hogy nagyjából felismerje a termék nevét, leírását, és közepesen jó eredménnyel az árát. 

Bár az árak felismerése sikeresen megtörtént, több ár megjelenése esetén viszont nem tudta egyértelműen meghatározni, hogy az adott ár a termék régi, akciós vagy hűségkártyás ára-e. Emiatt a rögzítők feladata volt az AI által megtalált adatok ellenőrzése és javítása. Az AI ekkor még nem rendelkezett olyan képességgel, amely a felvitt adatok kategorizálására, a képek csatolására vonatkozott, így ezek a feladatok továbbra is a rögzítőkre hárultak.

Míg a GPT 3.5 alatt még sok hibát vétett az AI, a GPT-4 első verziója esetében már kielégítően működött. Ám a fejlesztés közben kijött GPT-4o modell volt az első, amellyel a manuális adatfeltöltéshez képest jelentős, 70% körüli időmegtakarítást tudtunk elérni. Egy 60 oldalas katalógus feldolgozása a korábbi 7-8 óráról 2 órára / kb. 120 percre csökkent.

3. AI feldolgozás a termék terület kijelöléssel

Az AI feldolgozása során bizonyos esetekben nem volt megfelelő a felismerés eredménye: előfordult, hogy nem az összes terméket azonosította, vagy hibásan értelmezte az adatokat. Ennek oka leggyakrabban az volt, hogy túl sok információ szerepelt egy oldalon. Emiatt módosítottuk a folyamatot. A feldolgozók feladata az lett, hogy az akciós újság oldalain bekeretezzék a feldolgozandó terméket és annak adatait, majd ezt a bekeretezett részt küldtük be az AI-nak. Ennek eredményeként két területen is javulás történt: a felismerés minősége jelentősen javult, és a bekeretezett rész szolgált a termék képeként. Ezzel az új metódussal, amely az AI-t már jóval specifikusabban használta, a feltöltést tovább tudtuk gyorsítani: egy 60 oldalas katalógust kb. 75-90 perc alatt lehetett feldolgozni.

Az új admin felületen bevezetett keretezés

4. AI kategorizálás bevezetése a folyamatba

A keretezés bevezetésével az adatok felismerése megoldódott, azonban a termékek kategorizálása továbbra is az adatrögzítők feladata maradt. Ennek kiváltására egy AI-alapú klasszifikációs modellt (AI Data Classification Model) képeztünk, amely lehetővé tette, hogy ez a feladat is lekerüljön a feldolgozók teendői közül. Így már csak az AI által végzett kategorizálás ellenőrzése maradt meg feldolgozási feladatként.

5. Teljes folyamat optimalizálása AI-al

Az utolsó emberi feladatot, a keretezést is sikerült egy AI-alapú eszközzel kiváltani. A megfelelő AI-technológia kiválasztásánál az objektumfelismerést (object detection) találtuk alkalmasnak erre a célra. Az AI-alapú object detection modell betanításához számos mintapéldára volt szükség, amelyeket lokálisan, a Label Studio eszközzel készítettünk el. Egy-egy üzletlánc feldolgozásához kézzel kereteztünk be 10 heti akciós újságot, és ezzel az adatforrással tanítottuk fel a keretező modellünket a Roboflow platformon. 

Az így létrehozott modellt egy Roboflow által biztosított API-n keresztül használjuk: az API-nak beküldünk egy oldalt, amelyre a modell visszaküldi a termékek automatikus keretezését, azaz a termékek területei

A Label Studio: adatforrások az AI feltanításához

Robflow Admin felülete

A feltanított modellek adminisztrálása a Robflow felületén

Feltanítás eredményének megjelenítése

Oldal AI keretezése

Számottevő hatékonyságnövekedés AI megoldással

A keretezést, az adatok felismerését és a kategorizálást immár teljes mértékben AI-eszközökkel végezzük, így az egyetlen megmaradt emberi feladat az AI-feldolgozás ellenőrzése. Így a benchmarkként alkalmazott 60 oldalas katalógus feldolgozása 45 percre csökkent, ami az eredetileg szükséges időkeret kevesebb, mint 10%-a. Az adatrögzítők helyett most már csak egy adatellenőrző személy szükséges, de célunk, hogy a jövőben ezt az ellenőrzési lépést is az AI-ra bízzuk, amivel tovább csökkenthető az emberi beavatkozás igénye. A jelenlegi állapotban az ellenőrzés a 95%-os adatminőséget 100%-ra hozza fel, amennyiben elfogadjuk a 95%-ban helyes adatokat, úgy a feldolgozás emberi munkaigénye jelenleg is 0.

Olyan szintre kívánjuk fejleszteni a folyamatot, ahol már nem lesz szükség ellenőrzésre, mert az AI-feldolgozás minősége önmagában is megbízhatóvá válik. Az AI-eszközök fejlődésével és a folyamat további finomításával úgy látjuk, hogy ez a cél belátható időn belül elérhető lesz.