• С новым 2018 годом!

    AIbigdatacomputer visiondeep learningneural networksассоциациибазы данныхИИискусственный интеллекткогнитивные технологиикомпьютерное зрениеметод Байесанейроинтерфейснейронные сетинейронынечеткая логикаобучающие данныеобучениераспознавание образовробототехникасмыслжизнифреймворкэкспертные системыLogotrakrShelfMatchLikeThisKUZNECH

    Дорогие друзья!

    Примите наши теплые поздравления с замечательными, волшебными праздниками Нового года и Рождества! Пусть наступающий год ознаменуется новыми возможностями, которые приведут к процветанию вашей компании.

    Желаем крепчайшего здоровья, растущего благополучия и личного счастья всем сотрудникам вашей профессиональной команды. Надеемся, в 2018 году мы с лёгкостью будем решать совместные задачи и претворять в жизнь взаимовыгодные проекты.

    В благодарность за сотрудничество мы подготовили для вас небольшой, но приятный сюрприз. На нашем новогоднем IT-дереве спрятан подарок. Сможете его отыскать?

    С уважением и признательностью,

    Команда Kuznech

  • Автоматизированный аудит товарной выкладки ShelfMatch

    19.12.2017 Блог

    В последние годы ритейлеры начали осознавать важность IT-решений и новых технологий, способных автоматизировать различные процессы, сократить время на проведение рутинных операций, снизить издержки и повысить продажи. В частности, недостатки мерчандайзинга, проводимого вручную, привели к появлению спроса на автоматизированный аудит товарной выкладки, и российская компания Kuznech стала первой, кто взялся удовлетворить потребности отечественного ритейла. О том, как программа ShelfMatch позволяет контролировать размещение десятков тысяч товарных наименований практически без участия человека, порталу Merchandising.ru рассказал исполнительный директор компании Kuznech Руслан Ленин.

    Каковы преимущества системы ShelfMatch по сравнению с ручным аудитом?

    Большинство торговых представителей и мерчандайзеров проводят аудит товарной выкладки вручную. Обычно мерчандайзер за день должен посетить от 3 до 5 крупных торговых точек или до 15-ти мелких. Давайте представим, сколько времени сотрудник тратит на пересчет товаров на полке, подсчет продукции конкурентов и определение доли полки. Не минуты, а часы. И информация, которую он предоставит компании-заказчику, не всегда будет достоверной: сказывается человеческий фактор (усталость, невнимательность, большое количество однотипных упаковок и пр.). Иногда мерчандайзеры попросту обманывают заказчика, даже не посещая торговые точки и сообщая выдуманные данные. Чтобы этого не происходило, с полевого персонала требуют фотографировать полку. Но обработку снимка для заказчика сотрудник сделает лишь вечером, а к этому времени ситуация в магазине уже изменится. Таким образом, у ручного аудита полки есть существенные недостатки: трудозатратность, неточность собранных данных и их неактуальность.

    Между тем, чтобы понять, что не так с товаром или выкладкой, почему в одной точке товар лучше продается, а в другой – хуже, необходимо иметь точную и оперативную аналитику. Сервис ShelfMatch тоже работает с фотографиями, но он за считанные секунды сравнивает реалограмму с планограммой в режиме реального времени, благодаря чему сотрудник может внести корректировку в выкладку немедленно. ShelfMatch распознает товарные позиции на полке автоматически, в несколько раз увеличивая скорость сбора информации, а также точность и объем собираемых данных, снижая затраты на их обработку и анализ. Благодаря этому достигается конечная цель – повышаются объемы продаж.

    Подчеркну, что мы не предлагаем решение, которое полностью заменит те, что сейчас используют мерчандайзеры. Мы предлагаем интеграцию в существующие решения клиента, чтобы ускорить стандартные процедуры, которые выполняются в компании.

    Технология, лежащая в основе сервиса: нейронные сети. Несколько слов о том, как она работает?

  • Как автоматизировать мерчендайзинг: практические советы

    13.12.2017 Блог

    Можете ли вы за пару секунд глазами пересчитать количество SKU на этом фото? А на глаз, но безошибочно и быстро определить долю полки для каждой категории товаров и сравнить полученные данные с планограммой?

    А современные технологии компьютерного зрения способны справиться с такими задачами не только во много раз оперативнее, но и гораздо точнее, чем человеческий мозг. На фотографии выше система автоматического контроля мерчандайзинга за 2,5 секунды распознала 37 SKU, 39 фейсингов, вычислила процент полки для шампуней, красок для волос и средств для укладки, сравнила выкладку с планограммой и обнаружила 2 несоответствия. Сколько времени ушло бы на ручной подсчёт этих показателей у вашего торгового представителя?

    Ежедневно руководители, маркетологи, мерчендайзеры и супервайзеры сталкиваются с большим количеством вопросов, касающихся выкладки товаров на полках магазинов:
    — Выставлена ли моя продукция в соответствии с планограммой?
    — Все ли товарные позиции (SKU) присутствуют на полке?
    — Каково моё конкурентное окружение?
    — Есть ли ценники под всеми товарами моей продукции?
    — Разместила ли торговая сеть акционные ценники?

    Своевременные и правильные ответы на эти вопросы крайне важны для повышения оборачиваемости товаров, достижения плановых объемов продаж, умелого обхождения с запасами товаров нерегулярного спроса, корректного исполнения договорных обязательств перед торговыми точками и поставщиками.

    Для того, чтобы помочь бизнесу автоматизировать и оптимизировать процесс контроля торговой полки, петербургская ИТ-компания «Кузнеч» разработала сервис ShelfMatch: полностью автоматическую систему распознавания SKU и глубокого анализа продуктовой выкладки. Система обеспечивает точность распознавания, близкую к 99% — для сравнения, предел точности человеческого глаза составляет 96-97%.

    Высокоточность и эффективность работы ShelfMatch объясняется технологической основой…

  • AI, машинное обучение, нейросети – в чём отличие

    Искусственный интеллект — Машинное обучение — Глубокое (глубинное) обучение — Нейронные сети. Всё это взаимосвязанные, но не тождественные понятия. Давайте разберёмся.

    Про искусственный интеллект мы уже говорили неделю назад.

    Машинное обучение (machine learning, ML) — это подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных к обучению: ученые «скармливают» системе большой объём (прежде размеченных) данных, которые они хотят, чтобы машина умела определять. И машина просеивает эти данные через себя и учится определять: это нужный мне объект, это не он, это снова нужный мне объект. И так со временем система становится способной распознавать заданные объекты: от цифр до животных, от самолётов до типов растений.

    mashine-learning

    В основном о машинном обучении говорят в контексте big data и data mining, поскольку методы machine learning умеют самостоятельно выявлять в эмпирических данных прежде неизвестные закономерности и делать прогнозы.

    Глубинное (глубокое) обучение напрямую связано с нейронными сетями. По сути, слово «глубинное» обозначает степень сложности (глубины) обучения нейросети и указывает на то, что обучение в данном случае производится на больших (глубоких) выборках данных.

    Искусственные нейронные сети (neural networks, NN) представляют собой упрощенный аналог естественных нейронных сетей, существующих в головном мозге человека. Несмотря на то, что современные нейросети устроены в полторы тысячи раз проще, чем головной мозг крысы, они успешно решают интересные и нетривиальные задачи. Например, на их основе построены такие продукты, как: Prisma по стилизации фотографий под художественные картины, Mubert, пишущий электронную музыку, OpenFace, распознающий лица даже внешне похожих людей, NeuralTalk, описывающий картины в нескольких предложениях, медицинский сервис ImagineCare, следящий за состоянием пациента.

  • Искусственный интеллект: история и развитие

    04.09.2017 Блог

    Термин «Искусственный интеллект» впервые был употреблён в далёком 1956 году на Дармутской конференции (Гановер, штат Нью-Гэмпшир, США). Целью новой области науки, получившей название «Искусственный интеллект» (ИИ, Artificial Intelligence, AI), было изобрести суперкомпьютер, симбиоз человеческого и машинного интеллекта, который выполнял бы функции головного мозга человека с не меньшим, а то и большим успехом. «Мы попытаемся понять, как обучить машины использовать естественные языки, формировать абстракции и концепции, решать задачи, сейчас подвластные только людям, и улучшать самих себя,» — говорилось в программе конференции.

    kasparov-deep-blue

    10 лет спустя, в 1966 году была протестирована программа для общения ELIZA, названная так в честь Элизы Дулитл, персонажа пьесы «Пигмалион» Бернарда Шоу, обучавшейся языку «высшего класса людей». По сути, ELIZA была виртуальным собеседником и могла довольно разумно (в рамках возможностей технологии AI на тот момент) отвечать на простые вопросы.

    В 70-е годы искусственный интеллект затронул сферу медицины…

  • Kuznech Nature Аware

    20.05.2017 Блог

    20 мая сотрудники Kuznech участвовали сразу в двух экологических акциях: посадке деревьев под Приозерском и уборке леса от несанкционированных свалок в микрорайоне Бронка (Пениковское поселение, Ленинградская область).

    Всего в этот день наши волонтёры посадили более 300 саженцев сосны, ели и других хвойных культур в рамках «Всероссийского дня посадки леса». Сажали на месте, где в 2015 году была проведена сплошная санитарная рубка леса, поражённого насекомыми-вредителями – в 2010 году был сильный ураган, поваливший много деревьев, лес поредел, ослаб и не смог сдержать атаку жуков-короедов.

    01

    02

    А в Бронке собрали и вывезли 2 пухто мусора и целую машину с прицепом старых покрышек. Смотрите фото до и после!

    Бронка ДО

    Бронка ПОСЛЕ

    Помимо разовых выездных акций мы собираем макулатуру и стараемся минимизировать объём выбрасываемого неперерабатываемого мусора в нашем петербургском офисе.

    Когда бескорыстно делаешь доброе дело, на душе сразу становится хорошо. Присоединяйтесь к нам!

    03

  • Все по местам: кто, как и зачем автоматизирует мерчандайзинг

    ShelfMatchБольшая головная боль многих производителей и ритейлеров – мерчандайзинг. Контроль за наличием товара на полках, правильностью выкладки, соответствием планограмме – как разобраться с этим всем, например, поставщику, работающему с федеральной сетью магазинов?

    Организационно вопрос можно решать по-разному: набирать штат своих мерчандайзеров, полагаться на сотрудников магазина ,отдать проблему на откуп внешнему агентству или комбинировать эти способы.

    Но как бы то ни было, эту работу необходимо координировать и оптимизировать. В этом на помощь приходят технологии, о которых мы сегодня и поговорим.

    Первоначально мерчандайзинг («завезенный» в Россию международными монстрами типа Coca-Cola, Philip Moris и др.) предполагал собой переписывание вручную каждой ассортиментной позиции и ее расстановки, занесение данных в таблицы Excel и т.д.

    Затем на помощь пришла цифровая фотография, хотя, и этот способ требовал серьезной обработки результатов. Да и достоверность отчетов нельзя было гарантировать – кто знает, где и когда, был сделана фотография, не поленился ли автор «дорисовать» содержимое полок в редакторе.

    Сейчас мы имеем дело с практически полной автоматизацией процесса. Задача полевого мерчандайзера сводится к тому, чтобы сделать качественный снимок и отправить его на распознавание. Отчет и рекомендации система может выдать сама.

    Как это работает…

  • Мерчандайзинг: технологии визуального распознавания на службе у ритейла

    Merchandising.ru
    Портал Merchandising.ru разместил статью о возможностях технологий Kuznech для ритейла, рассказав о сервисах ShelfMatch и Similar4.

    Читать статью…

  • Kuznech — модератор на AI Conference 2017

    25.04.2017 Новости

    25 апреля в Москве проходит «AI Conference», в ходе которой ведущие эксперты обсуждают вопросы, связанные с использованием искусственного интеллекта в бизнесе. Интеграция AI в бизнес повышает эффективность работы компании, позволяет прогнозировать поведение клиентов и спрос на конкретные товары, снизить издержки, упростить контроль рутинных задач, выбрать наиболее выгодные стратегии развития.

    Модератором второй части конференции выступает Михаил Погребняк, СЕО Kuznech. В сессии принимают участие представители компаний Amazon, IBM East Europe / Asia, Microsoft, HeadHunter, Visionlabs, Skolkovo. Обсуждаемые на сессии вопросы:
    — Deep learning для e-commerce
    — Машинное обучение в рекрутинг
    — Технологии распознавания лиц в банках
    — Цифровая трансформация бизнеса и демократизация искусственного интеллекта
    — Реальная польза от виртуального ассистента
    — AI в автомобильной индустрии и сервисной робототехнике
    — Бизнес-модели с использованием AI

  • Встреча с Michelin на French Tech Connect

    06.04.2017 Новости

    6 апреля в Инновационном центре Сколково состоялась встреча Kuznech с руководителями корпорации Michelin.

    Следуя цели способствовать прогрессу передвижения товаров и людей, Группа Мишлен разрабатывает, производит и продает шины для всех видов техники. Также Мишлен издает туристические путеводители, гиды по отелям и ресторанам, дорожные карты, атласы и предлагает цифровые продукты и услуги, способствующие развитию мобильности.

    Группа Мишлен представлена в 170 странах мира на пяти континентах, насчитывает 68 заводов, расположенных в 17 странах. В Группе Мишлен работает 111 700 человек. Все научные исследования и разработки осуществляются в Технологическом центре Мишлен с подразделениями в Европе, Северной Америке и Азии. В России компания активно развивается с 1997 года и сегодня предлагает на рынке шины для всех сегментов рынка: легковые, грузовые, сельскохозяйственные, авиационные, шины для крупногабаритной и двухколесной техники. В 2004 году был открыт первый в России среди иностранных шинных брендов завод Мишлен по производству легковых шин в деревне Давыдово (Орехово-Зуевский район, Московская область), а в 2011 году на базе завода открыт цех по восстановлению грузовых шин. В компании Мишлен в России работает около 1000 человек.

    Сегодня компания продолжает наращивать свой технологический и инновационный потенциал в сфере устойчивого развития мобильности, привлекая к сотрудничеству различные компании, в том числе, из смежных сфер деятельности. Так, среди прочего, Группа Мишлен активно интересуется проектами из сферы «Индустрия 4.0 и Интернет вещей в промышленности» и пригласила Kuznech на презентацию решений по распознаванию изображений в реальном времени с целью контроля качества изготавливаемой продукции и автоматического определения степени износа шин.

    Встреча прошла энергично и плодотворно. Представители Группы Мишлен проявили неподдельный интерес к технологиям Kuznech, активно задавали вопросы о возможностях конкретного применения технологий для нужд Michelin.

    Благодарим Сколтех за предоставленную площадку для общения!