Naša cesta, ktorú som začal popisovať v prvom príbehu vývoja funkčného produktu bola tŕnistá, plná nečakaných nástrah a prchavých okamihov šťastia z prekonanej prekážky, za ktorou sa nám už do očí vysmievala ďalšia, vyššia, komplexnejšia, náročnejšia. Toť jeden z mnohých našich zážitkov, ktoré pred nás kládli krutú otázku - biť sa ďalej, či radšej už nebyť.
Keď už sme mali prototyp mobilnej appky na zber fotiek a dát ako aj server, chceli sme ho vyskúšať. Aj na niekom inom ako na sebe. Jeden z prvých testerov bol náš kamarát, tiež nadšenec pre nové veci. A tak hurá na parkovisko, stiahnuť si appku na mobil a už sme sa len s napätím pozerali, ako si poradí. Keď sa tento dvojmetrový chlap vztýčil pred autom a išiel robiť prvú fotku, na kolegovom čele sa objavila charakteristická vráska. Tá, ktorá je poslom blížiaceho sa neodvratného prúseru. Chlap ešte neodfotil prvú fotku a spod vrásky už zaznelo tiché "Toto nepôjde..". A ani nešlo. "Ten chlap je vysoký, fotka bude viac zhora, toto nemáme natrénované.." Reality check ako z učebnice nám dal ďalšiu z lekcií - vráťte sa do labáku, na toto ste tiež mali myslieť (lamy, hehe, načo ste si sem volali toho kolohnáta, mohli ste sa ešte chvíľu usmievať v blaženej nevedomosti..).
Lekcia x-tá: Ako nováčikovia si vyžerieme problémy, o ktorých samozrejme ani netušíme, a pritom sú také banálne..
Lekcia x+1: Po analýze problému sme zistili, že vinníkom v tomto prípade nebol náš výškou obdarený kamarát, ale opäť použitie konvolučnej neuronónovej siete, ktorá si v tejto situácii neporadila s problémom tak, ako sme chceli.
Lekcia x+2: Čiže aj keď sa mýlite, môžete sa mýliť ešte viac. O to viac sa naučíte. Po zmene typu neurónovej siete začal stroj konečne odpovedať tak, ako sme očakávali.
Takýchto prekvapení nám realita nachystala viac, preto už vieme, že musíme byť dokonalí, alebo húževnatí. V našom prípade platí to druhé. V rámci riešení problémov s použitím umelej inteligencie je kľúčové stroju správne zadefinovať problém, ktorý chceme, aby sa naučil riešiť. My sme problém definovali ako úlohu klasifikácie, čo nebolo dostatočné. Aby obhliadkar posúdil, či séria fotografií obsahuje všetko čo má, zameriava sa aj na jednotlivé časti vozidla z pohľadu, či nie sú orezané. Pre tento účel je dôležitejšie detegovať jednotlivé časti vozidla a problém stroju definovať ako detekciu objektov.
Aby sme nahradili manuálne prepisovanie dát z fotografií ako ŠPZ, počet najazdených kilometrov alebo VIN číslo, pustili sme sa do extrakcie textov. Samozrejme dnes existujú rôzne firmy, ktoré toto umožňujú. Rozhodli sme sa použiť OCR od Google, ktoré dokázalo bez problémov odčítať VIN číslo alebo ŠPZ, avšak malo problém s počtom najazdených kilometrov. O tom, ako sme rozlúskli tento oriešok ešte niečo určite napíšeme.
Nakoniec sme dali dokopy takmer desať filtrov, ktoré nám dávali zmysel a ktoré nám zapadajú do skladačky toho, čo má kvalitný balík dát k obhliadke auta obsahovať. Okrem fotiek, ktoré majú požadovanú kvalitu, je na nich to čo má byť a nie je na nich to, čo na nich nemá byť. Tam patria aj automaticky odčítané dáta, prípadne overené manuálnym zadaním.
Teraz ešte vyrobiť namiesto prototypu poriadnu mobilnú appku. Použili sme Flutter a zakrátko bola na svete. Okrem základného predpokladu, že bude funkčná sme sa snažili aj o vysokú použiteľnosť. Má byť samopoužiteľná, tak nech taká je. Snaha je sympatická veličina, reality check je však jej nesympatický a krutý kamarát, preto meriame naše ambície predtým, než nás používateľ v produkčnej prevádzke pošle do horúcich pekiel. Radšej nech to urobí ešte pred ním nejaký testovací hejter.
Kdesi sme čítali, že dobrá použiteľnosť sa meria tým, že ju zvládne aj trinásťročné dieťa. A tak sme začali s touto vzorkou. Keďže v našej firme sa už vyskytujú rodičia disponujúci týmto vekovým segmentom, dali sme dokopy niekoľko testerov (plus mínus nejaký rok sa nepočítal). Ejčáristi to volajú "fun factor", my si len tak hovoríme, že pri práci musí byť aj sranda. Tak sme si urobili živé testy s našou focus skupinkou teenage hejterov a srandy bola kopa. Pomohli nám však odhaliť niektoré polená, ktoré sme nahádzali užívateľom pod nohy pri použití appky. Aj spätná väzba má však svoje limity. Pripomienky typu "Prečo je tam ilustračný obrázok starej Fabky keď už je nová, a prečo nie radšej Ferrari?" sme nebrali do úvahy. Naša cieľová skupina sa neprekrýva s majiteľmi Ferrari..
Apka pre zákazníka je jedna vec, teraz však treba ukázať zozbierané dáta aj na druhej strane. Jedna možnosť je doručiť dáta do nejakého iného systému, čo sme umožnili ako prvé a druhá pozrieť sa na ne a pracovať s nimi.
Tam sa už niekto bude pozerať na desiatky, stovky obhliadok a tam už treba inú apku. Tu sme využili skúsenosti nazbierané rokmi návrhov a vývoja aplikácií pre korporátnych zákazníkov a vyrobili sme prehľadné “kukátko” na všetko čo sa podarilo k obhliadke získať spolu s vyjadrením “stroja”, nakoľko je s fotkou a dátami spokojný. Niektoré jeho vyjadrenia sú algoritmy - ak sa mu nepáči časový rozostup medzi fotografiami alebo perimeter ich nafotenia, tak sa zdôverí so svojimi podozreniami. Rovnako sa podelí o svoje vyjadrenie, nakoľko si myslí, že bolo s fotografiou napríklad manipulované, alebo nakoľko si je istý, že na fotke je to, čo tam očakávame a čo sme ho naučili. Tam už využívame strojové učenie a našu schopnosť byť čo najlepším učiteľom. Táto backendová apka teda umožňuje videnie všetkých dát a obhliadok a prácu s nimi.
A tak sme sa dopracovali ku kompletnému riešeniu od zberu fotiek a dát pre obhliadku, ich vyhodnoteniu až po ich sprístupnenie poisťovni. Ešte je potrebné dotiahnuť veľa detailov, ale základy sú položené. A tak začíname uvažovať o spolupáchateľovi z poisťovníctva, ktorý by vyskúšal, čo mu táto novinka môže priniesť.
Napíš nám na monika.oravcova@aston.sk,
alebo zavolaj na 0917 987 173.