Kako je Njuškalo uz pomoć foto-prepoznavanja za 70% ubrzao predaju oglasa u mobilnoj aplikaciji

Foto-prepoznavanje dio je Njuškalove aplikacije za predaju oglasa na mobilnim uređajima. Funkcionira na način da, kada se predmet, poput majice ili automobila, fotografira kroz aplikaciju, ona će prepoznati o kojem se predmetu radi, odnosno prepoznat će njegovu kategoriju unutar oglasnika. Time se korisniku koji želi oglasiti taj predmet štede klikovi i vrijeme, što je i postalo glavna metrika ove opcije.

Za razvoj i implementaciju foto-prepoznavanja zaslužni su Njuškalov interni tim iz odjela Product developmenta, članovi Styria Data Science tima te tvrtke Trikoder i Undabot. Moram istaknuti da je ovo prvi takav svjetski proizvod za oglasnike utemeljen na tehnologiji dubokih neuronskih mreža i izašao je u produkciju prije takvih inačica glavnih svjetskih igrača kao što su eBay, Alibaba i slični.

Glavna svrha nastanka foto-prepoznavanja

Nit vodilja u projektu i njegova sama svrha je olakšanje predaje oglasa na način da se ubrza cijeli proces, tako da korisnik preda jednu sliku ili više njih i da mu je automatski odabrana dobra kategorija. Ne gubi vrijeme klikajući, odnosno pretraživajući strukturu oglasnika, kako bi sam stavio predmet u odgovarajuću kategoriju.

Nekada je vrijedno predvidjeti, odnosno smjestiti sliku u kategoriju višeg ranga, posebice kada autor nije siguran u konkretan proizvod koji fotografira, primjerice mobitel, automobil i slično. Tada je bolje da se proizvod smjesti u kategoriju iznad, nego da pogađa neku od užih kategorija i možebitno pogriješi. U svakom slučaju, točnost pogađanja algoritma nije glavna metrika, nego upravo taj broj klikova koje smo mi uštedjeli korisniku koje bi on morao obaviti da nema te kategorizacije.

Naravno, nije sve teklo glatko

Jedan od prvih izazova bila je količina podataka koje smo morali, u suradnji s Trikoderom i Njuškalovim timom, ispravno organizirati. Prvenstveno da smanjimo slike oglasa na adekvatnu veličinu i da ih stavimo u bazu gdje ih možemo čitati dovoljnom brzinom.

Treniranje tih modela traje i do tjedan dana, a potrebno je provesti mnogo eksperimenata. Izazov je bio i izabrati kakve varijante, odnosno kakve eksperimente ćemo raditi, jer smo imali ograničeni broj računalnih resursa u računalnom centru.

Uz to, izazovi su također bili i kako stvoriti zajedničko shvaćanje svih uključenih u projekt, što je performansa tog modela i kako će se točno evaluirati. Na kraju se sve spojilo u broj klikova koje smo uštedjeli, odnosno u metriku koja na mobilnim uređajima govori koliko se u prosjeku smanjilo vrijeme predaje oglasa.

Točnost prepoznavanja predmeta je 86,5%

Korisnici koji koriste ovu opciju predaju oglas 70 posto brže, bez obzira na to je li riječ o Android ili iOS platformi. Za takav su rezultat zaslužne neuronske mreže Njuškala koje u pedesetak milisekundi pronalaze ispravnu oglasnu kategoriju na osnovu prepoznavanja fotografije. Točnost prepoznavanja predmeta je 86,5 posto, a aplikacija više od 70 posto oglasa automatski smješta u ispravnu krajnju kategoriju.

Korisnici imaju prosječno 2,7 manje klikova pri predaji oglasa, što donosi značajnu uštedu vremena i olakšava njihovu predaju.

Indirektan i direktan feedback korisnika

Proveli smo kampanje direktnog istraživanja feedbacka, gdje smo korisnike pitali kako im se sviđa ovaj novi dodatak. Dobili smo suludo dobre ocjene. Blizu 97 % korisnika je na skali od 1 do 5 dalo ocjenu 5, a prema tome možemo zaključiti da su korisnici od početka bili jako zadovoljni.

Indirektan feedback, naravno, možemo pratiti u povećanom broju oglasa predanih kroz taj sustav. Sve to je doprinijelo i prepoznatljivosti samog Njuškala kao vodećeg oglasnika, ali i svih uključenih u projekt, kako na nacionalnoj, tako i na svjetskoj razini.

A što nas čeka?

Mjesta za napredak uvijek ima dovoljno i time se bavimo kao dio Trikodera. Unaprjeđenje modela uključuje kontinuirani rad. Tehnologija koja je buknula 2012. godine, a tiče se duboke neuronske mreže, nije stala s razvojem, modeli su napredniji i kompleksniji i algoritamski i znanstveno.

Ima prostora za “čišćenje” podatkovnog skupa više milijuna slika koje imamo na Njuškalu. Imamo slika koje su neupotrebljive i onih gdje je iz same slike nemoguće predvidjeti kategoriju, npr., ako netko slika etiketu majice ili papire. Dakle, fotografija kao takva ne služi kao primjer za tu kategoriju proizvoda.

Naravno, postoji smjer istraživanja kako automatski izabrati slike koje su više informativne od onih koje su manje informativne, a model zatim rekreiramo samo na čistim, kvalitetnim slikama kako bismo dobili veću točnost.

Još jedan od noviteta na kojem radimo je nešto što slijedi u bližoj budućnosti. To je sustav gdje će se uživo odvijati kategorizacija, a ne na način da čovjek fotografira pa se onda ta slika učitava. Ovo će funkcionirati tako da, kada se uperi kamera u neki proizvod, na ekranu mu se ispisuje što je taj proizvod, koliko bi možda mogao koštati, za koliko bi se mogao prodati i slično. Sve je to dio kvalitetne nadogradnje koja će iskustvo korisnika Njuškala još više poboljšati štedjeći im klikove i vrijeme.