AI do rozpoznawania jakości zdjęć produktu: kiedy poprosić o nowe ujęcie

Pracownik dodaje zdjęcie produktu do katalogu. Przedmiot jest widoczny, ale etykieta zajmuje mały fragment kadru i nie da się odczytać oznaczenia. System proponuje nowe ujęcie. Zanim jednak zablokuje publikację, ktoś powinien sprawdzić, czy oznaczenie rzeczywiście jest potrzebne w tym miejscu i czy model prawidłowo ocenił fotografię.

AI może wspierać ocenę przydatności zdjęć produktu: wskazywać brak oczekiwanego ujęcia albo sugerować ręczny przegląd nieczytelnego fragmentu. Nie potwierdza przez to jakości samego produktu ani zgodności jego parametrów. Potrzebne są jasne kryteria, możliwość poprawienia decyzji i sposób sprawdzenia, jak często narzędzie się myli.

Poniższa sytuacja jest przykładem projektowym. Jeśli planujesz taki proces, wyślij brief z opisem rodzaju zdjęć, ich przeznaczenia i decyzji podejmowanej po ocenie. Do rozmowy wystarczy opis lub fikcyjny przykład, bez poufnych materiałów i danych klientów.

Ustal, do czego zdjęcie jest potrzebne

Wyobraźmy sobie firmę, która uzupełnia katalog części. Dla jednej pozycji potrzebuje widoku całego przedmiotu, a dla innej czytelnego oznaczenia producenta. Jedno zdjęcie może dobrze pokazywać kształt produktu, ale nie pozwalać odczytać drobnego tekstu. Ocena „dobre” albo „złe” ukrywa tę różnicę.

Zanim wybierzecie model, opiszcie zadanie użytkownika. Czy chodzi o znalezienie produktu na liście, porównanie wariantów czy sprawdzenie, czy dostarczono wszystkie wymagane widoki? Przy każdym zadaniu zapiszcie, jaką informację powinno zawierać zdjęcie oraz kto potrafi ocenić jej przydatność. Właściciel katalogu i osoba przygotowująca ofertę mogą potrzebować innych szczegółów.

Nie każde zdjęcie wymaga takiego samego kadru. Duży obiekt trudno pokazać w całości i jednocześnie czytelnie przedstawić małą etykietę. Zestaw dwóch ujęć może lepiej odpowiadać zadaniu niż próba zmieszczenia wszystkiego w jednym pliku. Zespół powinien uzgodnić wymagane rodzaje ujęć dla danej grupy produktów zamiast stosować jedną sztywną regułę do całego katalogu.

Jeśli katalog jest zasilany przez kilka systemów, ustalcie źródło informacji o wariancie produktu oraz miejscu publikacji. W artykule o porządkowaniu danych przed wdrożeniem AI opisujemy, dlaczego niejasne rekordy utrudniają ocenę wyniku. Zdjęcie przypisane do niewłaściwego produktu może być technicznie czytelne, a nadal nieprzydatne w ofercie.

Przygotujcie również przykład poprawnego zestawu zdjęć dla jednej kategorii. Osoba dodająca przedmiot powinna zobaczyć, które ujęcie przedstawia całość, a które detal. Nie musicie narzucać identycznego tła każdemu dostawcy, jeśli nie ma to znaczenia dla odbiorcy. Jeśli natomiast barwa lub wielkość elementu wpływa na rozpoznanie wariantu, potrzebna jest informacja o ograniczeniach fotografii oraz sposób sprawdzenia cechy w wiarygodnym źródle.

Oddziel automatyczny pomiar od interpretacji

Część kontroli można wykonać bez modelu rozpoznającego obraz. System może sprawdzić, czy plik da się otworzyć, jaki ma format i wymiary oraz czy w ogóle został przesłany wymagany zestaw plików. Próg rozmiaru trzeba dobrać do przeznaczenia i rzeczywistego sposobu wyświetlania. Sama liczba pikseli nie dowodzi, że zdjęcie jest ostre albo że pokazuje właściwy przedmiot.

Model analizujący obraz może zaproponować bardziej opisową ocenę, na przykład wskazać, że etykieta jest częściowo zasłonięta. Taka propozycja nie musi być prawidłowa. Dokumentacja OpenAI dotycząca analizy obrazów wskazuje ograniczenia modeli, między innymi przy małym tekście i obróconych obrazach. To przykład konkretnej usługi, nie opis możliwości każdego dostawcy.

Przed podjęciem decyzji sprawdźcie, jaki plik faktycznie otrzymuje model. Kadrowanie, obrót i zmiana rozmiaru mogą usunąć fragment istotny dla zadania albo zmniejszyć czytelność etykiety. Jeżeli system tworzy podgląd, zachowajcie możliwość ustalenia, jak powstał, i porównania go z oryginałem przez uprawnioną osobę.

Nie każda uwaga wymaga automatycznego odrzucenia. Jeżeli model nie potrafi określić, czy etykieta jest czytelna, właściwym wynikiem może być „sprawdź ręcznie”. W artykule o odczytywaniu dokumentów przez AI omawiamy podobną potrzebę przekazania niepewnego wyniku do człowieka. Fotografia produktu ma jednak własne kryteria i wymaga osobnych prób.

Przygotowanie obrazu może obejmować automatyczny obrót zgodny z informacją zapisaną w pliku. Sprawdźcie, czy podgląd widoczny użytkownikowi i obraz przekazany do analizy przedstawiają ten sam kadr w tym samym położeniu. Jeżeli materiał przechodzi przez kilka usług, zapisujcie wersję używaną do oceny w sposób zgodny z zasadami przechowywania. Inaczej pracownik może oceniać oryginał, podczas gdy model otrzymał inaczej wykadrowaną kopię.

Pokaż powód i możliwość poprawy

Komunikat „zdjęcie nie spełnia wymagań” pozostawia użytkownika z zagadką. Jeżeli system ma potwierdzoną podstawę, może wskazać konkretny problem: „Na tym ujęciu oznaczenie jest zasłonięte. Dodaj zdjęcie, na którym widać całą etykietę”. Nie sugerujcie wymiany pliku na podstawie cechy, której narzędzie nie potrafi wiarygodnie ocenić.

Warto pokazać wymagane ujęcie przed przesłaniem, a po ocenie umożliwić podgląd i ponowne dodanie pliku. Jeśli użytkownik uważa sugestię za błędną, powinien móc skierować zdjęcie do przeglądu. Osoba sprawdzająca potrzebuje informacji o produkcie, przeznaczeniu materiału i powodzie oznaczenia. Sama etykieta „AI wykryła błąd” nie wyjaśnia decyzji.

Zadbajcie o dostępność formularza: nazwane pole pliku, czytelny komunikat o stanie oraz obsługę klawiatury. Jeżeli instrukcja wskazuje obszar na obrazie, przekażcie także tekstowe wyjaśnienie. W artykule o dostępnym formularzu opisujemy komunikaty i kontrolki potrzebne do poprawienia błędu.

Przy ponownym przesłaniu pokażcie, który plik zastępuje poprzedni oraz czy ocena nowego ujęcia została zakończona. Nie usuwajcie cicho wszystkich zdjęć produktu, gdy poprawiana jest jedna fotografia. Jeśli publikacja oczekuje na ręczny przegląd, użytkownik powinien widzieć ten stan zamiast komunikatu sugerującego, że zmiana jest już publiczna.

Przy prośbie o nowe ujęcie pokażcie również, jaki jest dalszy los przesłanego pliku. Czy poprzednie zdjęcie pozostaje robocze, czy zostało wycofane? Czy ponowne przesłanie wymaga ponownej oceny całego produktu? Ustalcie odpowiedź razem z osobami prowadzącymi katalog. Szczególnie przy pracy wielu dostawców niejasny stan może prowadzić do równoległego poprawiania tego samego materiału.

Sprawdź, co model dostał i co faktycznie ocenił

Przykładowe polecenie do oceny zdjęcia może brzmieć: „Na podstawie załączonego ujęcia wskaż, czy cała etykieta jest widoczna. Odpowiedz: widoczna, zasłonięta lub nie potrafię ocenić. Nie odczytuj brakujących znaków i nie oceniaj stanu technicznego produktu”. Przed użyciem trzeba dopasować je do narzędzia, obrazu i rzeczywistego procesu.

Oczekiwany wynik dla zdjęcia, na którym brzeg etykiety znajduje się poza kadrem, to wskazanie braku całego ujęcia albo informacja o niepewności. To opis pożądanego zachowania, nie wynik przeprowadzonego testu. Gdy część etykiety jest widoczna, model nie powinien dopowiadać pozostałych znaków ani wyciągać wniosku o oryginalności produktu.

Przygotujcie przykłady różniące się tłem, oświetleniem, ułożeniem przedmiotu i wielkością etykiety. Uwzględnijcie zdjęcia poprawne, trudne oraz takie, przy których nie da się rozstrzygnąć zadania. Osoby znające katalog powinny wcześniej uzgodnić oczekiwany wynik. Przykłady muszą być użyte zgodnie z prawami do materiałów oraz zasadami dostępu firmy.

Nie mierzcie jakości wyłącznie liczbą odrzuconych fotografii. Dwa rodzaje błędów mają inne skutki: system może poprosić o poprawne zdjęcie ponownie albo przepuścić ujęcie, na którym nie widać potrzebnej informacji. Zespół powinien policzyć i obejrzeć oba przypadki dla własnego zestawu. W artykule o ocenie jakości AI po wdrożeniu opisujemy zbieranie przypadków do kolejnych prób.

Po zmianie modelu, sposobu zmniejszania plików lub kryteriów publikacji powtórzcie ocenę. Nowszy wariant może inaczej interpretować ten sam kadr. Zapiszcie konfigurację próby oraz decyzję osoby sprawdzającej, aby porównywać wyniki na tym samym zestawie. Nie należy obiecywać określonej skuteczności przed przeprowadzeniem takich testów.

W zestawie testowym uwzględnijcie przedmioty o nietypowej powierzchni, na przykład połyskujące opakowanie oraz etykietę widoczną tylko pod pewnym kątem. Poproście dwie osoby o niezależną ocenę, a różnice omówcie przed uznaniem jednej wersji za wzorzec. Rozbieżność może oznaczać, że kryterium „czytelne” nie opisuje, kto i w jakim kontekście ma odczytać oznaczenie. Doprecyzujcie zadanie zamiast uznawać każdą różnicę zdań za błąd modelu.

Zaplanuj dane i ręczny przegląd

Zdjęcie może zawierać więcej niż produkt: dokument w tle, ekran komputera, adres albo twarz osoby. Przed przekazaniem go dostawcy modelu ustalcie, czy materiał jest potrzebny do zadania, kto może go otworzyć i jak długo będzie przechowywany. Sprawdźcie aktualne warunki wybranej usługi oraz możliwe ustawienia. W artykule o danych przekazywanych dostawcy AI opisujemy pytania potrzebne przed integracją.

Jeżeli zdjęcie wymaga ręcznej decyzji, kolejka powinna wskazywać osobę lub zespół odpowiedzialny. Pracownik musi móc zaakceptować materiał, poprosić o nowe ujęcie albo wyjaśnić brak informacji. Zapis decyzji powinien zawierać jej powód w zakresie potrzebnym do pracy. Nie ma potrzeby prezentować użytkownikowi szczegółów wewnętrznej klasyfikacji, które niczego mu nie wyjaśniają.

Zaplanujcie także niedostępność modelu. Czy można przesłać zdjęcie do późniejszego przeglądu? Czy publikacja musi poczekać na człowieka? Odpowiedź zależy od procesu i skutków błędu. W planie awaryjnym automatyzacji AI pokazujemy, jak wskazać właściciela zadania po problemie z narzędziem.

Przed uruchomieniem sprawdźcie również granicę oceny. Narzędzie pomagające wykryć zasłoniętą etykietę nie jest automatycznie systemem wykrywania uszkodzeń ani potwierdzania autentyczności. Takie zadania wymagają odrębnych danych, kryteriów i oceny przez osoby z odpowiednimi kompetencjami.

Na końcu przeprowadźcie próbę z osobą, która faktycznie dodaje produkty. Niech prześle dwa fikcyjne materiały, odczyta komunikat i zdecyduje, co zrobić dalej. W testowaniu prototypu z pracownikami opisujemy przygotowanie takiej sytuacji bez podpowiadania kolejnych kliknięć.

Jeśli użytkownik rozumie, jakiego ujęcia brakuje, a osoba sprawdzająca może wyjaśnić niepewny wynik, narzędzie ma szansę pomóc w pracy z katalogiem. W rozwiązaniach AI dla firm projektowanie takiego procesu zaczyna się od zadania i danych, które można naprawdę sprawdzić.

Po opublikowaniu katalogu zbierajcie zgłoszenia o brakującym lub niewłaściwym ujęciu razem z informacją o rodzaju problemu. Osoba przeglądająca powinna sprawdzić, czy przyczyną był błędny dobór pliku, nieczytelny materiał wejściowy czy nieprawidłowa propozycja modelu. Każda z tych sytuacji wymaga innej poprawki. Wykorzystanie zdjęć ze zgłoszeń do kolejnych testów wymaga sprawdzenia zasad dostępu i uprawnień do materiałów.

Warto ustalić również kolejność pracy przy dużym katalogu. Najpierw wybierzcie ograniczoną grupę produktów i przygotujcie dla niej przykłady wymaganych ujęć. Osoby odpowiedzialne powinny obejrzeć zarówno zaakceptowane pliki, jak i te skierowane do poprawy. Dopiero po analizie przyczyn pomyłek zespół może zdecydować, czy rozszerzenie procesu ma sens. Liczba zdjęć przechodzących przez kolejkę nie jest sama w sobie miarą ich przydatności.

Wyniki przeglądu przekażcie osobie odpowiedzialnej za katalog, aby mogła ustalić kolejny krok.