چرا صنعت پخش به این فناوری نیاز دارد؟
صنعت پخش ایران هنوز بر پایه شمارش دستی ویزیتورها استوار است. این فرآیند سه مشکل اساسی دارد: اتلاف زمان، خطای انسانی، و عدم شفافیت (دادهسازی). راهکار ما با جایگزینی "عکسبرداری هوشمند" به جای "تایپ دستی"، این معادله را تغییر میدهد.
وضعیت فعلی (دستی)
۱۵ دقیقه زمان برای هر فروشگاه، احتمال خطای بالا در شمارش، بدون هیچ سند قابل اثبات.
وضعیت با Retail AI
کمتر از ۱ دقیقه زمان، دقت هوش مصنوعی، سند تصویری غیرقابل انکار (عکس).
مقایسه کارایی و زمان
کاهش ۹۵ درصدی زمان ویزیت به معنای ویزیت فروشگاههای بیشتر در روز است.
چرا این طرح دانشبنیان است؟
این پروژه فراتر از یک اپلیکیشن موبایل ساده است. ارزش اصلی ما در تحقیق و توسعه (R&D) روی الگوریتمهای پیچیده بینایی ماشین برای حل چالشهای خاص بازار ایران نهفته است.
معماری مدل بهینه
استفاده از Transfer Learning روی مدلهای YOLOv8 برای حل چالش Fine-grained Classification. ما مدلی ساختهایم که میتواند تفاوت جزئی بین "چیپس نمکی" و "سرکهای" یک برند را تشخیص دهد.
پردازش لبه (Edge AI)
تبدیل و فشردهسازی (Quantization) مدلهای سنگین PyTorch به TFLite برای اجرا روی گوشیهای موبایل. این یعنی سیستم بدون نیاز به اینترنت پرسرعت و سرورهای گران، در لحظه کار میکند.
تصحیح هندسی
توسعه الگوریتمهای مبتنی بر OpenCV و ماتریس هوموگرافی برای تبدیل تصاویر کج (Perspective) به نمای تخت (Bird's-eye view). این تکنیک خطای ناشی از زاویه بد عکاسی ویزیتور را حذف میکند.
جایگاه در بازار و تحلیل رقبا
استراتژی ما "تکمیل" سیستمهای داخلی و "جایگزینی" سیستمهای خارجی است.
چرا رقبای خارجی (مثل OpRetail) شکست میخورند؟
- وابستگی به دوربین مداربسته گران قیمت (نامناسب برای ۲۰۰۰۰۰ بقالی).
- عدم شناخت کالاهای ایرانی (پفک مینو، دوغ آلیس).
- عدم پشتیبانی از قیمتهای ریالی/تومانی.
مزیت ما نسبت به داخلیها (ورانگر/مبنا)
- آنها فقط "ورود داده" دارند؛ ما "تایید داده" داریم.
- حذف کامل خطای تایپی و دادهسازی (Fake Data).
- ارائه دیتای تحلیل رقبا و سهم شلف (که آنها ندارند).
حجم بازار هدف
تعداد نقاط فروش بالقوه
مدل درآمدی
اشتراک SaaS
دریافت هزینه ماهانه به ازای هر ویزیتور فعال.
فروش دیتا
فروش گزارش سهم بازار رقبا (Data Monetization).
پروژههای خاص
توسعه مدل سفارشی برای صنایع دارویی و یدکی.
پیشبینی سود و زیان (۳ ساله)
ارقام به میلیون تومان - نقطه سربهسر در ماه ۱۴ پیشبینی شده است.
نقشه راه توسعه
مسیر تبدیل ایده به محصول تجاری و توسعه آینده
فاز ۱: نمونهسازی و MVP
ماه ۱ تا ۴هدف: ورود به پارک علم و فناوری
- جمعآوری دیتاست ۵۰۰ کالا
- توسعه اپلیکیشن فلاتر
- KPI: دقت ۸۵٪ در ۵ محصول پایه
فاز ۲: پایلوت و دفاع دانشبنیان
ماه ۵ تا ۸ (فعلی)هدف: اخذ گواهی دانشبنیان نوپا
- اجرای پایلوت در شیراز
- پیادهسازی OCR قیمت فارسی
- KPI: پردازش ۱۰۰۰ تصویر واقعی با دقت ۹۰٪
فاز ۳: تجاریسازی
ماه ۹ تا ۱۲- افزایش دیتاست به ۵۰۰۰ کالا
- ادغام با سیستمهای پخش (Varnagar)
- KPI: جذب ۵۰۰ ویزیتور فعال
فاز ۴: راهکار سازمانی IoT (آینده)
سال دوممحصول: Retail AI Eye (دوربین ثابت)
- نصب در هایپرمارکتها (Key Accounts)
- پایش ۲۴ ساعته و سفارش خودکار
مدیریت ریسکهای فنی
ریسک قطع اینترنت ▼
با استفاده از معماری Edge AI، پردازش روی گوشی انجام شده و سیستم کاملاً آفلاین کار میکند. همگامسازی بعد از اتصال انجام میشود.
خطای تشخیص ▼
سیستم "انسان در حلقه" (Human-in-the-Loop) فعال است. اگر اطمینان مدل زیر ۷۰٪ باشد، تصویر برای بازبینی انسانی ارسال میشود.
قفسههای عریض ▼
استفاده از Image Stitching برای چسباندن عکسهای متوالی و حذف کالاهای تکراری در نقاط همپوشانی.
درخواستها از پارک علم و فناوری
- استقرار در فضای کار اشتراکی/دفتر
- دسترسی به خدمات پردازش سریع (HPC) جهت آموزش مدلها
- معرفی به شرکتهای پخش مستقر در منطقه برای پایلوت
- تسهیلات مالی (تبصره ۱۶/۱۸) برای زیرساخت و نیرو