«ЛУН» — це найбільший пошуковик житла в Україні, який щодня обробляє 6 млн оголошень, індексує 10 тис. сайтів і приймає 100 млн відвідувачів на рік. Як у компанії, що вітає інноваційні підходи до розв’язання проблем, використовують машинне навчання?
Про це на лекції в «Лунотеці» розповів Володимир Кубицький — глава команди AI-розробок «ЛУН».
AI як маркетинговий інструмент
Першого квітня минулого року на сайті «ЛУН» з’явився новий AI-фільтр — «З килимом на стіні». Алгоритм перебував на сайті тиждень і за цей час знайшов широкий відгук в українських і зарубіжних медіа.
Володимир стверджує, що ідея народилася з бажання зробити акцент на якості ремонту. Для локалізації килима на фото використовували дві нейромережі — Region Proposal Network для генерації кандидатів і мережу для визначення об’єктів з огляду на них.
«Ми правильно визначаємо 99% килимів на стіні, а наші сервери встигають обробляти майже 50 зображень на секунду, гарантуючи постійну працездатність фільтру», — стверджує Андрій Міма, Co-founder & CFO компанії «ЛУН».
Як виглядав і працював AI-фільтр «ЛУН» за килимами, DOU
Робота із зовнішньою рекламою
«Ви купуєте рекламу в Facebook, Google і робите замірювання впізнаваності бренду. У певний момент, коли всі ці канали перенаситилися, впізнаваність перестає рости. У нас, наприклад, за останніми замірюваннями, — 78% впізнаваності в Києві», — каже Володимир Кубицький.
Коли компанія росте, підвищується й показник впізнаваності бренду. Щоб підтримувати інтерес користувачів на певному рівні, необхідно залучити кілька каналів комунікації. У певний момент компанія вирішила, що варто використовувати й зовнішню рекламу.
Але якщо з метриками інтернет-майданчиків усе більш-менш зрозуміло, то як виміряти рентабельність outdoor-оголошень?
«Ми хотіли бути красивими, ненав’язливими і не конкурувати з іншими оголошеннями. Прийшли в агентство, говоримо: у нас є мільйон гривень, нам потрібні борди — скажіть, які вішати. Вони кажуть: ось ці три — і все, гроші закінчилися. Ми поцікавилися, чому одні борди коштують дуже дорого, а інші — ні, — ділиться Володимир. — Виявилося, у агентства був один критерій якості — кількість трафіку. Вони не враховували сезон (наприклад, дерева розпустилися й закрили рекламу), борди конкурентів і складність транспортної розв’язки на дорозі. Але нам хотілося раціональніше витрачати гроші, які ми заробили».
Приклад рекламних оголошень, «ЛУН»
Тому команда AI-розробок «ЛУН» вирішила взяти оцінку зовнішньої реклами у свої руки. Для здійснення цієї ідеї використовували систему універсальної локалізації. Вона визначає білборди у відеоряді, вираховує динамічну площу в зоні видимості, рахує час, за який водій встигає побачити рекламне оголошення, а також враховує конкуренцію з іншими бордами в режимі реального часу.
«Ми проїхали зі звичайною камерою з відеореєстратора на звичайній машині. Відзнятий відеоряд направили в систему локалізації, задіявши поверх нього фільтр Калмана[рекурсивний фільтр, що оцінює вектор стану динамічної системи — ред.], і завернули це все в постпроцесор, — пояснює фахівець. — Таким чином, будь-яка машина з будь-якою камерою сама знаходить борд, присвоює йому ID, веде його весь час протягом запису, рахує площу, яку сумарно займає цей борд під час присутності, і рекламу конкурентів. Усе спрацювало».
Як працює система універсальної локалізації, «ЛУН»
Спеціалісти також протестували розробку в Каліфорнії. І теж успішно, зізнався Володимир.
Від плоского до об’ємного — за допомогою ML
У 2018 році Facebook запустив функцію публікації 3D-фотографій. Щоб скористатися нею, потрібно завантажити фотографію з телефону з двома камерами.
Усе це — спрощений алгоритм, завдяки якому знімають справжні стереофільми, для чого використовується спеціальна кінокамера з двома об’єктивами. Кожен із них знімає кадри для конкретного ока: стереоефект у кіно ґрунтується на тому, що правому й лівому оку демонструють різні кадри.
Проте зараз стереозображення можна створити і з одного плоского — наприклад, «Титанік» спочатку зняли у 2D-форматі, а через 15 років конвертували в 3D.
Таке ж рішення вирішили використовувати і в «ЛУН», щоб додати інтерактивну взаємодію з контентом.
«Ми подумали: що, якщо 3D-фільми розібрати на кадри покамерно й навчити нейромережу за картинкою лівого ока малювати картинку правого ока? Знаючи фокусну відстань і архітектуру камери, яку ми імітуємо, можна обчислити карту глибини», — пояснює лектор.
Нейронна мережа, навчившись на стереофотографії, розуміє, як влаштовані квартири, і сама створює стереозображення зі звичайних фото.
Алгоритм, який удосконалює систему рекомендацій на сайті
Найчастіше у користувачів пошукових систем житла (особливо у тих, хто шукає оренду квартири) обмежений час — усі найвигідніші пропозиції швидко розбирають. Крім ціни й розташування, хочеться вибрати ще й відповідний інтер’єр. Щоб допомогти відвідувачам, розробники «ЛУН» використовують машинне навчання.
«У людей різні смаки, і в певний момент вони хочуть шукати не за параметрами, а за тим, що подобається. Для цього ми зробили систему, яка за фото може декомпонувати інтер’єр на складники і спробує знайти схожі», — стверджує Володимир.
Фільтрація оголошень, «ЛУН»
Спочатку проблема — потім рішення
Оцінити конкретний економічний ефект, який компанії приносить машинне навчання, досить важко.
«Щоб зрозуміти, чи принесе компанії цінність алгоритмічне рішення або той же чат-бот, треба поставити одне питання: яку проблему я вирішую й чи існує ця проблема. Часто хочеться розробити щось просто тому, що хочеться. Але ми завжди намагаємося спочатку відшукати проблему, а вже потім її вирішувати», — робить висновок Head of AI в «ЛУН».
Про ефективне використання машинного навчання в бізнесі
багато нового розкажуть на AI Conference Kyiv,
яка відбудеться 4 червня в столиці України.
Підпишіться на розсилку.
Без спаму.