Sztuczna inteligencja (SI) staje się kluczowym narzędziem wspomagającym innowacje i rozwój biznesu. W Solwicie korzystamy z dobrodziejstw tej technologii od wielu lat, co daje nam sporo doświadczenia w tworzeniu rozwiązań SI dla klientów z różnych sektorów, od farmacji po elektronikę. Świadczymy usługi w zakresie Computer Vision, sztucznej inteligencji (SI), machine learning (ML), deep learning oraz trenowania dedykowanych modeli językowych dla klientów. Warto dodać, że posiadamy również autorskie narzędzie dla branży retail, czyli Shelf Inspection AI. Ta technologia skupia się na rozpoznawaniu obiektów na zdjęciach, a jego skuteczność przewyższa ludzkie oko, co potwierdzają wyniki (w 99,5% przypadków Shelf Inspection AI lepiej rozpoznaje obiekty na zdjęciach).
Zespół Solwitu ma nie tylko wiedzę teoretyczną, ale przede wszystkim praktyczne doświadczenie w pracy nad projektami w różnych środowiskach. Nasi inżynierowie regularnie zdobywają certyfikaty Google Professional Data Engineer, co potwierdza naszą wiedzę i umiejętności w zakresie przetwarzania i analizy danych. Celem, który zakładamy przy każdym projekcie, jest poprawa efektywności biznesowej klientów, a osiągamy go dzięki zastosowaniu AI w procesach decyzyjnych, automatyzacji zadań czy analizie danych. Nasze rozwiązania przynoszą wymierne korzyści, pozwalając naszym partnerom osiągać lepsze wyniki, optymalizować procesy oraz zwiększać konkurencyjność na rynku. Bez względu na branżę czy skomplikowane wymagania projektu, nasz zespół jest gotowy sprostać wyzwaniom.
Paweł Ziemiński, Director of Software Engineering, Solwit Center of Competence
W kolejnej części artykułu przyjrzymy się bliżej konkretnym projektom zrealizowanym przez Solwit, prezentując ich założenia, rozwiązania oraz efekty, jakie przyniosły naszym klientom.
Klient z sektora paliwowego potrzebował rozwiązania do automatycznego rozpoznawania produktów na zdjęciach oraz ich rozmieszczenia z ustalonym planogramem. Pomimo licznych wyzwań, takich jak duże etykiety, obecność szkła oraz nietypowe rozmieszczenie produktów, zrealizowaliśmy projekt, osiągając skuteczność w granicach 99-100% w zależności od kategorii produktowej.
Klient z branży rozwiązań typu embedded poszukiwał partnera z kompetencjami w Machine Learning/Computer Vision (ML/CV) do wsparcia w realizacji projektu inteligentnych kamer miejskich. Korzystając z nagranych materiałów z kamery klienta, analizowaliśmy ruch miejski za pomocą modeli YOLO oraz algorytmów śledzenia obiektów. Wyniki poddaliśmy post-processingowi, wizualizując wykryte grupy i zliczając ich liczbę oraz określając natężenie ruchu. Skróciliśmy czas realizacji projektu, osiągając wysoką skuteczność modeli oraz wykorzystując skalowalną i bezserwerową infrastrukturę chmurową.
Bunge Polska Sp. z o.o. – producent spożywczych tłuszczów roślinnych
Nasz klient potrzebował systemu weryfikującego zgodność etykiet z wzorcami, by uniknąć błędów w drukowaniu etykiet. Opracowaliśmy dedykowaną aplikację LabelScan opartą na algorytmach SI z obszaru Computer Vision. System umożliwia błyskawiczną wizyjną weryfikację etykiet na linii produkcyjnej. Po wdrożeniu LabelScan w grudniu 2022 roku na trzech liniach produkcyjnych oraz dodatkowym stanowisku, proces weryfikacji etykiet stał się automatyczny i błyskawiczny, osiągając dokładność na poziomie 99,9%.
Jedna z wiodących sieci aptek poszukiwała wsparcia w automatyzacji weryfikacji ekspozycji w sklepach detalicznych, by zwiększyć i przyspieszyć proces kontroli. Zaproponowaliśmy Shelf Inspection AI, nasze autorskie narzędzie umożliwiające weryfikację planogramów niemal w czasie rzeczywistym. W efekcie, oprócz 99,5% skuteczności rozpoznawania produktów na zdjęciach, osiągnęliśmy błyskawiczną analizę ekspozycji i znaczne obniżenie kosztów merchandisingu.
Klient z branży farmaceutycznej zlecił nam stworzenie spersonalizowanej aplikacji Shelf Inspection AI do automatyzacji weryfikacji ekspozycji w swoich placówkach. Dostosowaliśmy modele do oferowanych przez niego produktów oraz frontend aplikacji do jego brandingu. W dwóch placówkach klienta sfotografowano regały, a na ich podstawie opracowano syntetyczny planogram. Następnie przeprowadzono trening dwóch modeli: detektora obiektów (półka i face produktu) oraz klasyfikatora typów produktów. W efekcie osiągnęliśmy precyzję od 98,49 do 99,9%.
W trakcie produkcji ważne jest kontrolowanie jakości poprzez ocenę warstwy lutu na powierzchni lutowniczej, która może zawierać różnego rodzaju wady. Naszym zadaniem było stworzenie systemu do automatycznego wykrywania tych wad na płytach obwodów drukowanych. Wytrenowaliśmy demonstracyjny model, który segmentuje obraz pod kątem przynależności do trzech klas: tło, powierzchnia lutownicza pada, pęcherz, co umożliwia automatyczną kontrolę dużej liczby płyt w krótkim czasie.
Klient potrzebował wsparcia w przygotowaniu frameworka integrującego moduły detekcji i śledzenia obiektów, post-processingu otrzymanych rezultatów oraz estymowaniu pozy w trybie 2D oraz 3D. Celem projektu było zwiększenie szybkości inferencji procesu oceny umiejętności obiektu na podstawie wideo. Nasz framework miał za zadanie usprawnić konfigurację workflowu i zmniejszyć czas inferencji poprzez elastyczne zmienianie parametrów konfiguracyjnych dla poszczególnych modułów. Poszczególne moduły zostały umieszczone w oddzielnych kontenerach Docker, co umożliwia ich uruchomienie lokalnie na różnych platformach.
Firma potrzebowała systemu, który przewidziałby rozładowanie baterii i zapewnił ciągłość pracy urządzenia, aby uniknąć przerw w świadczeniu usług ochrony. Zastosowaliśmy rekurencyjną sieć neuronową do wykrywania wzorców poprzedzających awarię lub rozładowanie baterii, co umożliwiło zgłoszenie alarmu przed wystąpieniem tych zdarzeń. W efekcie zredukowaliśmy liczbę awarii prowadzących do przerw w działaniu systemu, zoptymalizowaliśmy rutynowe kontrole serwisowe i skróciliśmy przerwy w pracy systemu.
