Повышение рентабельности магазина нейронной сетью

Жизнь без магазинов уже невозможно представить: они экономят самый дорогой ресурс — время. Вместо того, чтобы домохозяйству самостоятельно изготовить все необходимое, мы предпочитаем специализацию и обмен результатами труда. Дешевая нефть позволяет покупать, не выходя из дома: специально обученный курьер доставит заказ на автомобиле. На волне ажиотажа вокруг пандемии взлетел спрос на разработку онлайн-магазинов. Возросла конкуренция в сети, следовательно, владельцам нужно находить новые способы завоевания и удержания клиентов. Что мы вам, собственно, и предлагаем.

Мы создали остаточную нейросеть (Residual Network), зашитую в мобильное приложение, которая повышает рентабельность интернет-магазина. Пользователь посредством отправки роботу фотографии формулирует свои предпочтения по контурам, форме, текстуре и цвету. Далее включается нейросеть, которая предварительно обучена тому, что такое «прекрасное» на 100-Гбайтной базе, состоящей из 2 млн отобранных фотографий товаров. Фотографии накоплены посредством анализа и парсинга открытых источников, в том числе 600 крупнейших интернет-магазинов. Идея строится на поиске товара, максимально похожего на образцовый, изображенный на фотографии. Вместо того, чтобы отпустить к конкурентам, пользователю предлагается показать свое предпочтение и получить ссылку на приобретение аналогичного товара со склада здесь и сейчас.

Нейросеть (другие названия — нейронная сеть или искусственная нейронная сеть) — математическая модель, функционирующая по принципу биологической нейронной сети. То есть действует так же, как и нервные клетки живого организма. Нейросети имитируют деятельность мозга человека и способны не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и сами анализировать вновь поступающую информацию.

В нашем кейсе нейросеть работает так же, как работал бы живой продавец-консультант в магазине ювелирных украшений или стилист при подборе моделей одежды и обуви.

Также создана GAN-нейросеть, способная генерировать совершенно новые дизайны ювелирных изделий на основе каталога производителя.

Генератор и дискриминатор

Нейронные сети GAN не программируются привычными командами, а самостоятельно обучаются в специально созданном окружении. После обучения сетка умеет создавать товары, подобные тем, на которых обучалась.

GAN — это generative adversarial network — генеративно-состязательная сеть. GAN состоит из двух нейросетей.

• Генератор — нейросеть, способная генерировать изображения наподобие образцового.
• Дискриминатор — нейросеть, которая пытается отличить настоящую картину от «подделки», сконструированной генератором.

Метафорично произошедшее напоминает обучение рисованию в художественной школе. Ученик пытается воспроизвести готовую картину пера Винсента Ван Гога «Звездная ночь», каждый раз показывая результат учителю.

Сенсей выдает замечания, падаван их устраняет, вновь и вновь отдавая учителю на проверку. Шаг за шагом изображения ученика все меньше и меньше отличаются от оригинала. Учитель необыкновенно настойчив, он практически изматывает ученика бесконечной критикой. Человек из плоти и крови не смог бы вынести такого тирана. Нейроученик же полностью очищен от чувств и любого другого «человеческого фактора», поэтому робот по щелчку пальцев выполняет 100 000 циклов обучения-исправления за 16 часов.

Дискриминатор оценивает то, что сделал генератор, определяя отличия. Две нейросети обучаются вместе: дискриминатору становится все труднее находить отличия, а генератор постоянно старается улучшать результат.

Обучение GAN происходит следующим образом.

• Получаем набор настоящих и сгенерированных изображений.
• Обучаем дискриминатор лучше различать оригинал и подделку.
• Тренируем комбинированную модель, состоящую из обеих сетей, чтобы улучшить работу генератора.

Архитектура GAN

Дискриминатор, чтобы отличать настоящее изображение от фальши, использует классическую архитектуру сверточной сети — CNN (convolutional neural network). Архитектура нацелена на эффективное распознавание образов при помощи операции свертки, суть которой в том, что каждый фрагмент изображения умножается на матрицу (ядро) свертки поэлементно, а результат суммируется и записывается в выходную матрицу. На каждом этапе ее размер уменьшается вдвое. В конце дискриминатор возвращает число 0, если подделка, и 1, если оригинал.

Генератор — тоже сверточная сеть, но решает задачу обратную, используя процесс под названием обратная свертка. Генератор получает на вход рандомный шум, а затем генерирует на основе него изображения, выполняя операции, обратные к действиям дискриминатора благодаря транспонированным сверточным слоям. Ядро проходит по матрице, увеличивая ее размерность в 2 раза.

Архитектура ResNet

Остаточная нейронная сеть ResNet (Residial Network) — нейронная сеть с соединениями для быстрого доступа. Такую нейросеть можно представить как ансамбль менее глубоких сеток, которые объединены общими выходами.

Клиент и сервер

Управляющий сервер принимает картинки из мобильного приложения и быстро ищет похожие товары среди базы одной товарной категории, размером около 15 000 картинок. На сервере существует панель оркестрации для управления запросами от клиентов. Все фотографии встают в очередь на обработку и ждут, пока очередь освободится. Стек организован по принципу FIFO (First In First Out) — первый пришел, первый ушел.

Клиент представляет собой приложение, которое имеет право отправлять задачи по расчету похожих картинок на сервер. Нейросеть раскладывает входящую картинку на 100–150 векторов (маленьких картинок) и то же самое проделывает с каждой из базовых 15 000 картинок (среди которых ищем). Далее нейросеть пытается найти наиболее похожие картинки — в которых максимум векторов совпало.

Удивительно, но нейросеть будет пытаться найти хоть что-то, даже если ей загружать не фотографии ювелирных изделий, а абстрактные геометрические изображения.

Что получает покупатель?

Одно из внедрений нейросети прошло для бренда «Светлов» Белгородского ювелирного завода «Арт-Карат». С помощью нейросети покупатель офлайн- или онлайн-магазина может быстро подобрать товары-аналоги среди широкого ассортимента ювелирных изделий завода «Карат», даже если точно не знает, чего именно хочет. Нужно сфотографировать или загрузить изображение, либо нарисовать набросок подходящего изделия и загрузить в приложение. Поиск похожих изображений занимает 7–10 секунд, результат сразу выводится на экран.

Можно искать изделия со сложной вставкой, которую невозможно определить в фильтрах. К этому же изделию можно выбрать что-то из других категорий — например, по фото кольца со сложной вставкой можно подобрать гармонично сочетающиеся часы со схожим циферблатом. Загрузив фото имеющейся вещи, можно найти похожую. Если вы знаете, что любит ваш близкий человек (например, тип узоров или любимые цвета), можно подобрать тематические изделия в подарок.

При поиске похожих изделий анализируются.

Алгоритмы нейросети могут сличать объекты сложных форм и будут показывать то, что мы бы сами рассматривали как альтернативы.

Параметры анализируются за 10 секунд, и в результате выдается более 50 предложений. Нейросеть не упорядочивает найденные предложения по убыванию похожести, поскольку определяющий критерий выбора у каждого покупателя собственный.

Новые дизайны

Нейросеть способна генерировать ранее несуществующие дизайны ювелирных украшений и одежды. Рассмотрим на примере последней, как это происходит.

После того, как GAN обучилась рисовать свитера, мы можем генерировать неограниченное количество новых дизайнов. Мы решили обучать GAN только на фотографиях свитеров, пользующихся популярностью покупателей. Постепенно добавляя востребованные свитера в обучающую выборку, мы получаем эталонные дизайны, которые косвенно содержат в себе признаки успешности товаров. Еще раз подчеркнем, что дизайны созданы машиной: таких дизайнов ранее не существовало и не было нарисовано. Нейросеть помнит все «скормленные» ей изображения и генерирует похожие на то, что она увидела, но никак не такие же.

Советы

Экспериментируйте и обязательно просматривайте все варианты, которые предлагает нейросеть по итогам поиска.

• Фотографируйте поисковый запрос в том же ракурсе, что изделия на фотографиях в интернет-магазине.
• Исключите лишние и несущественные элементы из кадра.
• Используйте белую поверхность вокруг.
• Исключите чужие фотографии с водяными знаками.
• Рисуйте скетчи в максимальной детализации, используйте больше линий.

«Мудрый дедушка»

Возможно, вы знакомы с простыми сервисами товарных рекомендаций, которые работают с базой данных чеков. Предлагаемая технология принципиально отличается от корреляционных рекомендаций, которые исследуют лишь статистику предыдущих чеков покупателей.

Все общались с людьми, в разговоре с которыми не создается новое, т.к. подражатели не способны придумать новое, но охотно заимствуют чужую речь или «импортируют» поведение. Нейросетевые рекомендации — это «мудрый дедушка», который знает наперед и имеет готовые решения, что отличается от воспроизведения уже случившихся статистических событий.

Если компания торгует монобрендовыми товарами, то возможно мгновенно находить похожие товары среди номенклатуры конкурентов и:

• предлагать альтернативные товары взамен;
• проводить сверку ценового предложения по десяткам тысяч товаров;
• избегать копирования дизайнов товаров, отслеживая появление похожих дизайнов;
• добавить на сайт JS-функцию «Закачайте фотографию товара, и мы найдем аналогичный либо лучший среди нашего ассортимента».

Пользователь может дать картинку или ссылку на товар чужого магазина, и ваш интернет-магазин мгновенно подберет качественные альтернативы. Мгновенно — потому что заранее посчитали. Хорошие — потому что нейросеть подбирает подобно человеческой логике.

«Каталог украшений, сгенерированных нейросетью»

A Comparative Experiment in Classifying Jewelry Images Using Convolutional Neural Networks