Колонки

Работа над инновационным продуктом за пять шагов

Колонки
Фарид Нигматуллин
Фарид Нигматуллин

Генеральный директор компании «ВидеоМатрикс»

Ахмед Садулаев

В наши дни на рынке постоянно появляются новые предложения, и потребитель становится все более требовательным. Для того, чтобы привлечь внимание клиентов, компании должны предлагать то, чего нет у конкурентов.

Продукты компании «ВидеоМатрикс» — линейка программного обеспечения Vmx — полностью собственная разработка. Работая с нейронными сетями и алгоритмами с машинным зрением в промышленной видеоаналитике, предприятие постоянно имеет дело с тем, что называют «инновационный продукт». Генеральный директор «ВидеоМатрикс» Фарид Нигматуллин расскажет о том, как создавать инновации, на основе опыта своей компании.
Работа над инновационным продуктом за пять шагов

1. Вникни в детали

Самое очевидное начало работы над любым проектом — провести бизнес-анализ проблемы: данные по умолчанию, сложности, условия, люди, компетенции. Все основные загвоздки всегда кроются в нюансах. И то, что показалось, на первый взгляд, пряником, после погружения в задачу может оказаться крепким орешком. 

В одном из проектов «ВидеоМатрикс» перед нами была поставлена задача — увидеть машинным зрением факт промышленной эмиссии в атмосферу. Казалось бы, нет ничего проще детектировать выходящее облако из труб. Но есть нюансы — обнаруживать надо только рыжий и бурый дым, игнорируя огонь, белый пар. Это не весь ворох тонкостей и деталей.

2. Уточни задачу и верифицируйся

Далее следует разбить входные данные по классам и разобрать детали на понятия: что нужно, что не нужно, что мешает, что можно использовать. Более того, вернитесь к заказчику и уточните — верно ли мы понимаем, что: «белый дым выглядит вот так, рыжий хвост — вот такой, может быть другого оттенка — вот такого, а вот это — просто огонь из трубы, и мы его не определяем как ключевой объект детекции? Все верно?».

В нашем распоряжении были клиентские сутки видеозаписи заводских труб со стороны в зимнем варианте. Скромно, но в целом были единичные представления всех необходимых сценариев: пар, дым, огонь — что дало возможность классифицировать возможные кейсы. Зима — это белая пелена в кадре, которая, накладываясь на огонь, давала ощущение рыжеватого дыма и, соответственно, ложные срабатывания. Так, уточняя детали и классифицируя понятия, мы встретили первую проблему на годовом пути инновационной разработки.

3. Проработай гипотезы

Именно этот этап своим увеличенным объемом отличает инновационную разработку от разработки простого продукта — он может занимать до 50% времени проекта. Именно здесь важны качественные брейн штормы — что уже было ранее и как решалось, что нового видим в кадре и какие методы, подходы, инструменты можно попробовать.

В этот период постарайтесь убрать все рутинные задачи с вовлеченных в процесс людей. Рутина — это работа руками, в инновационном процессе работает мозг. И чтобы он смог изучить картинку до пикселя, зацепиться за ключевой нюанс, который вытащит весь проект, дайте ему время и эту возможность.

Так, в нашей задаче мы решили изначально опереться на сделанное нами решение, которое определяло парение в технологическом процессе внутри предприятия. Параллельно прорабатывали дополнительные инструменты, которые бы позволили детектировать дым по цвету, его градациям, при этом не путая рыжий хвост с огнем под белой зимней пеленой. К тому же, когда вышло солнце, стало понятно — перечень гипотез оказался недостаточным и его нужно расширять. Солнце играло всеми видами красок, превращая даже обычные закатные, рассветные облака и тучи — в засвеченную бурую и рыжую массу. Количество ложных срабатываний подчеркивало необходимость нового подхода и свежих решений.

В процессе «борьбы с солнцем» мы добавляли трекинг дыма и фильтрацию — когда искусственному интеллекту наглядно объяснялось, что дым может быть только из трубы и никак не может начаться посредине неба и разрастаться сверху вниз. Мы крутили пороги и сдвигали диапазоны, чтобы подстроить детектор движения и сократить ложные срабатывания. Разработали библиотеку цифровой сегментации. Но время шло, сменялись сезоны, а солнце продолжало подкидывать все новые сценарии для работы и требовать новых решений.

4. Оцени результаты

Отработка, тестирование и сбор статистики после внедрения решений приводят к трем классам гипотез:

  • точно не работают
  • точно работают
  • вроде работают, но надо «докрутить»

От первых отказываемся, вторые используем, третьи доводим до ума в рамках разумного. 

Когда за полгода не получилось победить солнце палитрой, мы отказались от детекции по цвету. Появилась версия с фиксацией относительных изменений. Собиралась история кадра и отслеживались относительные модификации цвета. Так, дымом в зимнюю пелену являлось изменение оттенка за последние 5 секунд с молочного на чуть более насыщенный, а в летнее — с рыжего — на плотный бурый. Затем появились математические 3D-карты относительного изменения насыщенности нужного нам рыже-бурого оттенка. Ближе к концу по мере роста потребностей мы в продукте дополнили детектирующую нейронную сеть сегментирующей. 

5. Пройди последнюю милю

Последняя миля — самый трудный этап. Условно — когда 98,5% точности работы системы нужно довести до 99%. Самые тяжелые шаги. Это может быть моментом триумфа и финишной прямой. А может быть тот момент, когда ты понимаешь, что где-то не хватило гипотез, где-то были неточные параметры, и теперь нужно глубокое тестирование и сбор статистики, либо… либо и вовсе полный возврат на начало цикла инновационной разработки. 

Не пытайтесь довести систему до совершенства любой ценой, если условные 0,5% точности потребляют несоизмеримое задаче количество специалистов, времени разработки, бюджета. В таком случае лучше открыто разложить на весы перед заказчиком бизнес-задачу и потребляемые ресурсы. Иногда разумнее согласовать точку остановки. В инновационной разработке с самого начала она может быть не очевидной.

В рамках создания инновационного продукта мы учились максимально полно охватывать облако эмиссии с разными оттенками в центре и по краям, наконец победили солнце и собрали все возможные сценарии и их виды в разное время года. Сейчас уведомления о существенной эмиссии падают на почту ответственным сотрудникам предприятия, а разработанная система трудится каждый день.

Фото: Unsplash

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Материалы по теме

  1. 1 Как мы разрабатывали систему для распознавания 700 тысяч человек — кейс российской компании
  2. 2 Как мы обучили нейронку распознавать свиней с точностью 99,9%
  3. 3 Использование имитационного моделирования на производстве. Как работает?
  4. 4 Через пыль и непризнание: как Джеймс Дайсон построил инженерную империю
  5. 5 Как начать карьеру в промышленной сфере? Рекомендации от международной компании
ArtTech — карта разработчиков арт-технологий
Все игроки российского рынка технологий для искусства
Перейти