Adapta Robotics
Robotul care rezolvă problema etichetelor greșite de pe rafturi28 min read
ERIS, un robot specializat în scanarea etichetelor de la raft creat de Adapta Robotics, va putea fi observat în curând în supermarketurile din România
Dacă ai avut vreodată neplăcerea să observi, într-un supermarket, că un produs avea un preț mai ridicat la casă decât cel de pe raft, probabil că te-ai gândit, iritat, că la mijloc e rea-voința retailerului. De fapt, acest lucru e provocat, adesea, de erori care apar oarecum inevitabil în sistemul de funcționare magazinelor mari. Prețurile se pot schimba chiar de mai multe ori pe zi, iar miile de etichete trebuie actualizate manual, și numărul angajaților care fac asta este insuficient.
Site oficial: adaptarobotics.com un start-up bucureștean de robotică, propune o soluție aproape automatizată. Ei l-au creat pe ERIS (Effective Retail Intelligent Scanner) – care va fi cunoscut în magazinele Carrefour sub numele de Marcel –, un robot care scanează automat toate etichetele de pe un raft, citește și compară prețurile cu cele corecte și printează etichetele noi. În același timp, robotul analizează și gradul de umplere al rafturilor și, pe viitor, ar putea verifica chiar acuratețea plasării produselor în sine. Lansarea lui oficială a fost anunțată chiar săptămâna trecută, iar compania are deja „O companie specializată în IT lansează un robot pentru industria de retail, care să ajute angajații în munca repetitivă”, economedia.ro
Compania bucureșteană nu este la primul proiect de succes. Adapta Robotics a intrat deja pe piața internațională cu MATT, un robot care testează inputurile fizice pentru ecranele device-urilor din industrii vaste, de la mașini de spălat smart la instrumentele de pe bordurile avioanelor.
Formată de membrii unei echipe de robotică creată de studenți de la Politehnică, care a fost laureată la zeci de competiții de profil, Adapta Robotics a început ca divizie a companiei de software development rinf.tech, dar s-a transformat pe parcurs într-un start-up separat. Am vorbit cu cei trei fondatori ai companiei – Diana Baicu, Mihai Crăciunescu și Cristian Dobre – despre cum au reușit să transforme pasiunea pentru robotică într-un business de succes, cum funcționează roboții pe care îi propun și cum decurge procesul de antrenare și dezvoltare al acestora.
Co-fondatorii Adapta Robotics, de la stânga la dreapta: Cristian Dobre, Diana Baicu și Mihai Crăciunescu. FOTO: Andrei Cojan/Adapta Robotics
Mindcraft Stories: Cum a început Adapta Robotics?
Mihai Crăciunescu: Echipa noastră a început acum mulți ani, în Politehnică, când construiam roboți pentru diverse competiții. După un timp în care am câștigat aproape toate competițiile la care am fost, naționale sau internaționale, am decis să facem pasul către o firmă.
Cristian Dobre: Robotica este un hobby foarte costisitor și din motivul ăsta am fost nevoiți să ne angajăm. După câteva job-uri mai de vară, să zic așa, am ajuns la Site oficial: rinf.tech Ei voiau să construiască un robot pentru a testa dispozitive mobile, dar nu aveau know-how-ul. Am devenit parte din echipa lor, iar ei ne-au ajutat să scriem un proiect de finanțare europeană ca să putem dezvolta un astfel de robot, pe care l-am numit MATT.
M.S: Deci MATT a fost primul proiect pe care l-ați avut ca business de robotică?
Diana Baicu: MATT a fost primul prototip pe care l-am făcut atunci când eram o divizie în cadrul rinf.tech, prin 2015. De atunci, și în special în ultimii doi ani, am început să ne separăm de ei și să ne creem o identitate proprie ca start-up nou de robotică. Între timp, am început să ne ocupăm și de dezvoltarea lui ERIS.
Andrei Cojan/Adapta Robotics
M.S: De unde v-a venit ideea unui robot care să se ocupe cu scanarea etichetelor de pe rafturi?
M.C.: Răspunsul mai scurt este că am discutat cu un retailer din România, care ne-a prezentat câteva probleme pe care le are în cadrul magazinelor, iar noi l-am văzut ca pe un fel de challenge tehnic.
Retailerii pot să plătească amenzi destul de serioase dacă prețurile de la raft nu sunt conforme cu cele reale. Iar partea de etichetare greșită nu este neapărat o rea-voință a unui retailer, ci este o eroare. Pentru a rămâne competitivi, ei au zilnic schimbări de preț sau promoții temporare la anumite produse. Din punct de vedere logistic, la un magazin cu 10.000 de etichete, să te asiguri că fiecare etichetă este actualizată de fiecare dată este o problemă. Undeva tot va apărea eroarea umană.
Ca ingineri care dezvoltă roboți de atâția ani, evident că soluția noastră a fost un robot.
D.B.: Din discuțiile cu diverși actori din mediul de retail, ne-am dat seama că majoritatea soluțiilor în domeniul acesta propun niște platforme autonome. Ceea ce, bineînțeles, din punct de vedere tehnic sună foarte bine, însă nu e neapărat cea mai eficientă soluție. Asta pentru că problemele identificate de robotul respectiv trebuie să fie rezolvate tot de oameni.
Cu ERIS, ne-am decis de la început că trebuie operat de un om. Astfel, eficientizăm pipeline-ul, prin faptul că operatorul poate să rezolve problemele care apar pe pe loc.
De exemplu, ERIS începe scanarea după ce este plasat în fața unui raft, dar există o distanță pe care trebuie să o păstreze față de acesta. Toate aceste informații sunt specificate de robot, care transmite operatorului cât de aproape sau de departe trebuie să stea, precum și viteza la care poate scana etichetele.
Am început cu un cu un prototip, bineînțeles, pe care l-am testat într-un proiect pilot în magazine. Acum am făcut un redesign, bazat pe tot ce am învățat în circa un an și jumătate de când ERIS funcționează deja.
M.S: Cum funcționează mai exact ERIS?
C.D.: ERIS este un tool. Poți să te gândești la la el ca la un megascanner. În loc să ia fiecare bucată de raft și fiecare cod de bare pentru a verifica fiecare preț, cum se întâmplă când verifici manual, scanează întreaga suprafață, iar operatorul trebuie doar să-l împingă pe lângă raft.
ERIS e dotat cu șaisprezece camere. Opt dintre acestea sunt camere care măsoară distanța – adică, în loc să înregistreze culoarea, camera respectivă o să returneze o imagine alb-negru; alb înseamnă că produsul respectiv este foarte aproape, iar negru înseamnă că este foarte departe.
După ce preia datele, robotul analizează fiecare imagine captată cu camerele convenționale și folosește un model de detecție pentru a localiza regiunile unde se află etichetele de preț.
M.C.: Robotul ia imagini de la toate camerele în același timp și construiește o singură imagine mare pe verticală, înaltă de aproape doi metri, cât e raftul. Din aceasta, el încearcă să identifice unde se află o etichetă.
Odată ce a descoperit zonele cu etichete, ele sunt decupate din imaginea mare și trimise către două rețele neuronale: una care identifică codul de bare și alta care citește prețul. Cea din urmă este dezvoltată cu un model de machine learning creat de noi. Odată ce are ambele informații, poate interoga prețul actual al produsului în baza de date actualizată a retailerului.
Există și un modul separat care identifică gradul de ocupare al produselor la raft, pentru a avertiza retailerul dacă raftul este o gol sau dacă se termină stocul.
Precizia întregului sisteme este de peste 98%, în unele cazuri chiar de 100%, deoarece tot flow-ul a fost optimizat pentru a funcționa cât mai bine în mediul real din magazin.
D.B.: Dacă operatorul identifică o etichetă greșită, el poate să o printeze pe loc și să o înlocuiască, pentru că pe robot sunt două imprimante. Alternativ, mai are opțiunea ca, la final, după ce a terminat scanarea, să printeze mai multe etichete corectate deodată. În acest caz , robotul are o funcție de localizare prin care poate să-i arate unde a scanat eticheta greșită.
M.S: Cum l-ați antrenat pe ERIS să detecteze etichetele și gradul de ocupare al rafturilor dintr-un magazin?
M.C.: Cea mai mare provocare pe care am avut-o au fost dataset-urile, adică să strângi suficiente informații relevante care sunt etichetate corect, astfel încât să antrenezi o rețea cu precizia pe care am menționat-o mai devreme. La început, am luat o groază de poze cu rafturile din magazine, pe care Pentru ca un set de date să poată fi folosit în antrenarea unui algoritm, datele trebuie să fie etichetate cu cuvinte-cheie relevante pentru acestea, adăugate de observatori umani sau să folosim servicii de adnotare online.
Volumul de date necesar a fost enorm, iar la serviciile online calitatea rezultatelor întoarse a fost foarte slabă. Adică din 1.000 de poze, poate 200 erau adnotate cum trebuie.
Am investit destul de mult timp și resurse într-un simulator, în care practic am simulat magazinul cu produse, cu date reale din magazin, prin care am reușit să ne antrenăm rețelele cu precizie ridicată.
D.B.: Am făcut un fel de joc în Unreal Engine, un magazin virtual, pentru a ne genera datele, ca să putem obține o cantitate mare de date cu efort minim de adnotare. În același timp, asta ne-a permis și să configurăm mai ușor modelele în caz de modificări ulterioare. Dacă schimbăm retailerul, de exemplu, soluția funcționează, în mare, dar mai trebuie făcute mai trebuie făcute mici ajustări.
C.D.: Colegul care a lucrat pe zona asta a făcut un algoritm foarte cool, care genera rafturile programatic. De fiecare dată când porneai simulatorul, aranjarea lor în magazin rămâne aceeași, dar etichetele și gradul de ocupare al rafturilor diferea.
Un avantaj foarte mare este faptul că într-un mediu de joc poți să achiziționezi și date despre distanța până la obiecte și să testezi și partea asta.. Astfel de date pot fi obținute fie dacă te duci cu camera care măsoară distanța și scanezi tot magazinul, ori, mult mai ușor, dacă încarci algoritmii într-un astfel de simulator. În Unreal Engine, e foarte simplu să calculezi distanța de la cameră la un produs de pe raft.
M.C.: Fiecare retailer are etichete cu alt format și poate chiar alt font. Iar noi trebuie să ne asigurăm că ERIS poate recunoaște prețul indiferent de aceste variabile. Ele există câteodată chiar și în interiorul aceluiași magazin. De exemplu, sunt etichete galbene sau electronice, cu promoție sau fără promoție – poți fi și zece feluri diferite . Soluția trebuie să fie robustă la astfel de schimbări.
ERIS (stânga) și două versiuni ale robotului MATT. Andrei Cojan/Adapta Robotics
M.S: Cât de eficient este ERIS în comparație cu un operator uman?
D.B.: Suntem în punctul în care am văzut deja că robotul este mai eficient decât un operator uman. După calculele noastre, comparând cât i-ar lua unui operator experimentat să scaneze un raft de vreo 200-300 de etichete și în cât timp ar face același lucru ERIS, a ieșit o îmbunătățire de 85%. Luând în calcul și partea de schimbare de etichetă, procentul de eficientizare este de 45-50z%. Planul nostru este să ducem acest procent undeva la 65-70%.
M.S: Ce alte planuri de îmbunătățire a robotului ERIS aveți pe viitor?
D.B.: Avem deja versiunea a doua, pe care am dezvoltat-o și urmează să o scoatem pe piață. Am încercat să optimizăm atât partea de hardware cât și costurile, să îmbunătățim performanța, să-l facem mai fiabil și mai ușor de utilizat. Aceasta va crește și numărul de camere de imagine la zece.
C.D: ERIS este deja foarte performant și majoritatea procesării de date se face direct pe robot. Ca să-ți faci o idee, într-un minut se transmit și procesează în jur de 60 de GB de date pe ERIS. Ne propunem, pe viitor, ca aceste date să fie agregate și transmise către sistemele de retail și de logistică, ca să poată fi valorificate și acolo.
D.B: Asta ar însemna integrarea integrarea cu alte sisteme ale magazinului, astfel încât să se cunoască, de exemplu situația istorică a stocurilor. Avem multe planuri pe partea asta, inclusiv o platformă de analytics pe baza tuturor informațiilor pe care le obține ERIS, care efectiv să să ajute retailer-ul să înțeleagă tot ce se întâmplă în magazin.
M.C.: O altă funcționalitate care o avem pe radar este una de planogramă, prin care poți verifica dacă un produs este poziționat unde trebuie pe raft. De exemplu, producătorii de produse plătesc un premium ca să aibă produsele pe pe raftul de sus , raftul al treilea ș.a.m.d, de obicei ca să fie mai la vedere, iar retailerul trebuie să se asigure că produsele respective sunt acolo. Acolo se intră într-o zonă de detecție a produsului în sine, ceea ce este mai complicat decât eticheta, dar asta e o funcționalitate pe care o discutăm pentru viitor.
MATT testând touchscreen-ul unei tablete. Adapta Robotics
M.S: Cât despre MATT, cum ați ajuns la un robot care testează inputuri pentru diverse device-uri?
M.C.: MATT a fost proiectat ca un robot care să automatizeze testarea pe telefoane, prin 2015. a Între timp, poți automatiza prin software cam tot ce se întâmpla pe un telefon, deci MATT a rămas o perioadă în urmă.
Doar că au apărut alte industrii care necesită testare pentru ecrane tactile, cum ar fi cea auto. Mai sunt situațiile în care trebuie să integrezi un telefon cu un dispozitiv și să te asiguri că legătura bluetooth funcționează sau că dacă apeși un buton pe telefon se întâmplă ceva pe celălalt dispozitiv, precum în cazul electrocasnicelor pe care le controlezi prin intermediul telefonului.
Am văzut MATT este perfect pentru asta, așa că l-am trecut pe testarea inputurilor și a devenit un fel de referință în această industrie. Cei mai mulți clienți pentru MATT îi avem în Statele Unite, dar și în Olanda, Germania, Franța, Spania sau chiar Lituania.
Andrei Cojan/Adapta Robotics
M.S: Ce planuri de extindere aveți pe viitor?
M.C: Suntem destul de activi și încercăm să scalăm utilizarea lui ERIS, în primul rând în România, pentru că suntem un start-up românesc. Dar țintele noastre sunt peste hotare, pentru că acolo e impactul va fi mult mai evident. În România, și mâna de lucru din magazine este mai ieftină. Și cum întotdeauna se pune problema de return of investment pentru retailer, în țări ca Suedia, Norvegia, Marea Britanie, Germania sau Franța investiția va fi mult mai ușor de făcut pentru retailer.
Marea majoritate a competitorilor noștri sunt companii de renume sau companii cu finanțare incredibil de bună. Trebuie să punem focusul pe calitate, adică efectiv robotul ăla să facă ceea ce promitem că face.
Multe din inițiativele din acest domeniu eșuează pentru că au foarte multe cuvinte frumoase în prezentare, dar când ajung să lanseze un robot el nu îndeplinește funcționalitățile de bază sau le îndeplinește cu eficiență foarte slabă. Ca să luăm „o bucată din plăcintă”, ne concentrăm pe calitate: AI-ul și robotul trebuie să funcționeze la procentaje foarte bune, ca să putem livra o soluție fiabilă care chiar îmbunătățește situația din magazine.
