Любая реклама систем распознавания включает в себя хотя бы одно обещание о практически 100%-ной точности предсказаний. Но жизнь часто напоминает мем про ожидание и реальность. И довольно часто идеальные в обучении модели на практике не всегда дают идеальные результаты.

В чем причина?
Почему презентация так отличается от практики?

В-первых, разные условия. Обучение проводится на максимально качественных снимках, сделанных под отличным освещением. И на таких изображениях в дальнейшем модели, действительно, дают прекрасные результаты. Именно на таких идеальных данных производители демонстрируют вам работу своих ИИ-систем, а не фото из обычного магазина за углом.

Во-вторых, презентация проводится на специально отобранных примерах. Дело не только в качества фото, а в сложных случаях и ошибках, на которых система уже предобучена. Но на практике, ей предстоит столкнуться с новым рядом таких случаев уже непосредственно в вашем магазине. И пока система не усвоит этот новый урок, пока не сделает работу над ошибками, она будет давать неправильные результаты.

Какой вывод можно из этого сделать? Важно оценивать систему не по презентации, а по работе в условиях вашей реальности.

Даже идеальная система периодически ошибается, столкнувшись с реалиями обычного магазина, где невозможно предусмотреть все заранее.

Давайте разберем подробнее основные причины ошибок распознавания.

Обилие похожих товаров
Если система смотрит только на картинку, она нередко путает почти идентичные позиции. Например, два йогурта разного вкуса или вода разных объёмов, - для компьютера это просто похожие цветовые пятна.

Без заложенной памяти о том, что обычно стоит на этом месте, система начинает гадать, а не распознавать как следует.

На полке всегда есть движение: покупатель заслонил товар, упаковка ушла за угол, появилась новая коробка. Камера этого просто не видит, а система честно фиксирует «товара нет». Человек понимает, что товар просто загорожен, а компьютер воспринимает ситуацию буквально.

Загорождение товара
На полке всегда есть движение: покупатель заслонил товар, упаковка одного товара заслоняет другой, появилась новая коробка. Камера этого просто не видит, а система честно фиксирует как «товара нет».

Отсутствие трекинга между кадрами 
В реальной жизни товар не может то исчезать, то появляться на полке при каждом моргании наблюдающего. Потому что мы в отличие от машин понимаем, когда этот товар кто-то или что-то загораживает. Компьютер же понимает такую картину по-другому. Если система не следит за историей передвижения товара, сравнивая текущее фото с предыдущим, то на отчете возникает “мигание”: то банку видит, то нет, то меняет одну на другую, хотя на полке ничего не менялось.

Устаревший контекст
Иногда система путается даже на привычной выкладке, если не учитывает, насколько актуальна разметка этой полки, и где точно товар находился в прошлый раз.

Без контекста ошибки возникают даже там, где обычно всё работает безупречно.

Ошибки неизбежны, но их можно минимизировать через трекинг, учёт контекста, регулярное обновление данных и правильную настройку системы под реалии вашей сети.

Реальные метрики для бизнеса:

• Процент ручных доработок. Сколько раз из 100 оператору приходится что‑то исправлять после автоматической разметки?
• Доля пропущенных пустот (out‑of‑stock). Сколько раз система не заметила пустую полку?
• Частота ложных алертов. Сколько сигналов оказались ложной тревогой, которые только отвлекли сотрудников?

Почему нельзя верить точности предсказаний (Accuracy) слепо?
Бывает, что система даёт 95% точности на бумаге, но оператор каждую вторую позицию исправляет вручную. Это значит, что бизнес‑метрика провалена, даже при красивых технических показателях.

Как держать качество под контролем?

• Регулярно пересматривать спорные случаи.
• Собирать обратную связь от операторов и дообучать модели.
• Не бояться видеть и фиксировать неидеальные цифры, – только так качество растёт по‑настоящему.