Об эксперте: Владислав Волобуев — сооснователь студии IT-разработки ConnectXT. Разбирается в компьютерном зрении и использовании нейросетей в реальных бизнес-процессах, включая задачи контроля и мониторинга.
Весной 2025 года X5 Group (сети «Пятерочка» и «Перекресток») запустила пилотный проект по внедрению компьютерного зрения на кассах самообслуживания. В 80 московских магазинах система машинного зрения снизила долю ошибок в покупках на 10%. Алгоритм анализирует видео с камеры над кассой и обнаруживает товары, которые были поднесены к сканеру, но не попали в чек.
Звучит как удобная система. Но у них есть и обратная сторона. Те же камеры умеют не только подсказывать, но и останавливать оплату, если заподозрят нарушение. И вот тут спокойная покупка нередко может превратиться в конфликт. Кассы самообслуживания в X5 уже берут на себя до половины клиентского трафика, а значит через них проходят миллионы человек каждый день. В таком потоке любая ошибка алгоритма влияет на множество потребителей.
Как камера на кассе понимает, что вы делаете
Логика у большинства таких систем общая. Камеры распознают товар и следят за его движением. Алгоритм сравнивает предмет в руках с тем, что попало в чек. Если позиция не сошлась, например, товар не отсканирован, подменен или пробит неверный вес, то система ставит операцию на паузу и вызывает сотрудника.
Важная деталь: алгоритм не устанавливает факт кражи. Он лишь распознает ситуацию, похожую на нарушение. Решение все равно остается за сотрудником магазина.
Так устроены и решения зарубежных вендоров. Ирландская Everseen, чья система компьютерного зрения работает примерно на 120 тысячах касс самообслуживания по миру, использует «подсказки»: система реагирует за 300 миллисекунд и предлагает покупателю исправить ошибку до того, как тот уйдет. По ее же данным, в начале 2024 года около 30% инцидентов на кассах самообслуживания пришлось на товары, забытые в тележке. То есть часть нарушений — это банальная невнимательность.
Камера не распознает предмет целиком с первого взгляда. Сначала нейросеть выделяет пиксели, линии, контуры, текстуры и тени. Постепенно она объединяет их в более сложные объекты и предполагает, что находится перед ней. Многие думают, что чем проще предмет, тем легче его распознать. На практике все наоборот.
Человека, автомобиль или трактор нейросети зачастую определить легче, чем обычную коробку. У сложных объектов много характерных признаков, а коробка может выглядеть практически одинаково в тысячах разных ситуаций. Поэтому именно с такими простыми предметами модели ошибаются чаще.
Почему система ошибается
Поводов для ложного срабатывания много. Покупатель перекладывает товар или меняет его положение. В руках сразу несколько предметов. Упаковки похожи друг на друга. Товар плохо виден камере. Рядом ребенок, сумка или личные вещи. Мешают свет, угол обзора или теснота кассовой зоны. Человек действует не по четкому алгоритму или сценарию разработчика.
Даже высокая точность не спасает от большого числа ошибок. У X5 на единой платформе работает более 69 тысяч касс самообслуживания, и они обрабатывают порядка 25 млн чеков в день. При таком потоке даже доля ошибок в один процент — это сотни тысяч остановленных покупок.
Как техническая ошибка превращается в конфликт
Здесь начинается психология. Покупатель воспринимает остановку кассы как обвинение в нечестности, а не технический сбой. Особенно если формулировка резкая, на экране показывается видеозапись или сотрудник подходит с проверкой на глазах у очереди.
Сотрудник также оказывается в неудобной позиции. Ему нужно быстро отреагировать на сигнал, но он не знает, было ли нарушение или алгоритм ошибся. В час пик такая проверка может выглядеть как досмотр.
Показательно, что сам ритейл признает проблему. В X5 среди плюсов нейросети называли то, что сотруднику больше не нужно стоять за спиной у людей на кассах: раньше это у части покупателей вызывало дискомфорт и ощущение, что их в чем-то подозревают. То есть психологический эффект — не просто гипотеза, это подтверждает опыт магазина.
Ошибочные подозрения в адрес покупателей — не редкость. Согласно опросу американской компании LendingTree, проведенному среди 2050 потребителей в октябре 2025 года, 14% пользователей касс самообслуживания хотя бы раз сталкивались с обвинениями в том, что они не оплатили товар, хотя на самом деле не нарушали правила оплаты.
Кто виноват, когда ошибся алгоритм
Ответственность за ошибки не совсем ясна. Разработчик отвечает за модель. Магазин — за правила ее применения. Сотрудник — за реакцию на сигнал. А покупатель почему-то должен доказывать, что он ничего не нарушил. Проверку фактически инициирует машина, а разбираться с конфликтом остается людям в зале.
Проблему усиливает то, что выборочная проверка может сильно недооценивать число ошибок. В исследовании профессора Лестерского университета Адриана Бека анализировалась система Scan and Go, при которой покупатель самостоятельно сканирует товары по ходу магазина. При частичной проверке сотрудник повторно сканировал только несколько позиций из корзины: среди 17 млн таких проверок хотя бы одну ошибку обнаружили лишь в 2,88% случаев. В отдельной выборке из 20 тыс. случайных полных проверок, когда сотрудник заново сканировал каждый товар, ошибки нашли уже в 43,4% корзин. Это не прямое сравнение одних и тех же покупок, однако такой разрыв показывает, сколько ошибок может оставаться незамеченным при частичном контроле. При этом проверка все равно создает неудобства для добросовестных покупателей, особенно когда человек не понимает, что именно показалось системе подозрительным и как можно оспорить ее решение.
При этом то же исследование Бека показало: в магазинах, где через стационарные кассы самообслуживания проходит 55−60% операций, потери оказываются примерно на 31% выше среднего, а в отдельных продуктовых кейсах — на 33−147% выше. Вопрос не в том, нужен ли контроль, а в том, какой ценой для отношений с покупателем он дается.
Как уменьшить число конфликтов
На удивление, большинство мер связаны не с технологиями, а с сценариями общения. Для комфорта покупателя необходимо:
- использовать нейтральные формулировки вместо слова нарушение»;
- называть покупателю конкретную причину проверки;
- учить сотрудников спокойно объяснять, как работает система;
- разделять автоматический сигнал и окончательное решение;
- разбирать статистику ложных срабатываний, а не только пойманных воров;
- не запускать жесткую блокировку при низкой уверенности алгоритма;
- предложить покупателю заново отсканировать подозрительный товар.
Логика «подсказок» у Everseen — самый подходящий вариант: мягкий совет во время сканирования, а не блокировка при оплате. Отдельное внимание стоит уделить проектированию системы под реальное поведение людей, а не под идеальную полностью логичную последовательность действий.
Если кратко — качество системы определяется не только точностью распознавания, но и тем, как построено взаимодействие с человеком.
Что в итоге
Любая система компьютерного зрения — это вероятностная модель. Она не «видит» пакет молока как предмет, а вычисляет, насколько изображение совпадает с известными ей образцами, и выдает не факт, а оценку: «с вероятностью 94% это молоко». Здесь и проходит граница с человеческим восприятием: мы естественно узнаем вещь перед нами, а машина пытается угадать, что это, пусть и очень точно. Все стремятся получить точность распознования 100%, желанию хорошее, но на практике практически невыполнимое.
Каждый процент повышения точности распознавания, особенно на высоких значениях, то есть 85% и выше, дается в разы сложнее, чем почти все вместе взятые до него. Это связано с большим затратами — нужно больше размеченных данных, вычислений, итераций обучения. Так что доводить систему до практически безошибочного распознавания зачастую попросту нерентабельно.
Поэтому инженеры закладывают порог уверенности — черту, ниже которой машина не принимает решение сама. Если товар распознан с уверенностью ниже, скажем, 90%, система не может исключить, что перед ней другой продукт, и вместо того чтобы угадывать, зовет сотрудника, что может смутить покупателя.
Какой-то процент таких лишних остановок неизбежен — это следствие самой архитектуры проекта, а не недоработки. Но величина его не постоянна: она падает по мере того, как растут объем и качество обучающей выборки и система накапливает реальный опыт эксплуатации. Поэтому раздражение покупателей обоснованно — только адресовано оно не «подозрительному ИИ», которого здесь нет, а издержкам переходного периода, пока технология дообучается в реальном мире
Компьютерное зрение действительно умеет сокращать потери и снимать рутину с сотрудников. Но касса самообслуживания остается точкой живого контакта. Если система регулярно сажает добросовестного покупателя на место подозреваемого, экономия оборачивается потерей доверия и лояльности. Хорошая технология должна не только замечать возможные нарушения, но и аккуратно обрабатывать собственную неопределенность и ошибки.
Источник: hi-tech.mail.ru