Asset Recovery con IA
Una empresa global del sector logística basa su modelo de negocio en la renta de su producto, el cual es comercializado en el mercado gris a partir de producto que es robado de las instalaciones de clientes. Debido a esto, una de las áreas más grandes de la empresa es la de “Asset Recovery”, la cual está en busca continua de estrategias para aumentar el porcentaje de recuperación. Una de estas estrategias consistió en crear una célula que a partir de base de datos de empresas que cumplian con el perfil de sus clientes, buscaban la dirección de la empresa en Google Street View para acceder a fotografías a nivel de calle y buscar la presencia de cierto tipo de objetos que indican el potencial uso de su producto. Aunque los resultados de este proceso fueron positivos, pronto identificaron un conjunto de desafíos:
Desafíos Iniciales
- Al ser un proceso totalmente manual, era intensivo en el tiempo de los analistas que integraban la célula. Una estimación inicial para inspeccionar la primer base de datos con la que contaban, partiendo del tamaño actual de la célula de 5 analistas, daba un total de 16 meses (suponiendo una jornada continua de 8 horas).
- Otra desventaja de ser un proceso manual, implicaba que el criterio de cada analista para clasificar una ubicación como “de interés” era diferente entre los analistas, aunque existían guías de clasificación en base a los objetos que se identificaban desde las fotografías.
- Dado que la antigüedad de las fotografías de Google Street View podía ser incluso de varios años, era importante tener acceso a imágenes más recientes.
Basado en el uso de técnicas de inteligencia artificial para el reconocimiento de objetos en imágenes, se implementó el siguiente proceso basado en la identificación de señales (la presencia de objetos con características específicas) en las fotografías a nivel de calle, satelital o desde cualquier otra fuente abierta (metodología OSINT). En el proceso se implementaron diferentes modelos tanto asistidos como no asistidos para la identificación de esas señales en el espectro de las fuentes:
Proceso de Ejecución
- Preparación de información: Se importa el listado de ubicaciones en un formato CSV, a partir de la dirección de cada ubicación se realiza un proceso de geocoding para obtener las coordenadas (Latitud y Longitud) del punto.
- Obtención de imágenes: A partir de las coordenadas, se realiza la obtención de imágenes en las diferentes herramientas de fuentes abiertas: Google Street View, Google Maps, Google Photos, Instagram etc.
- Identificación de señales: Cada imagen es evaluada por un modelo en particular para la identificación de señales en la imagen, ya que la perspectiva de un objeto desde una vista de nivel de calle es diferente a la de imágenes satelitales.
- Clasificación de la acción a tomar: Para cada ubicación, se toma la valoración de la presencia de las señales en cada una de las fuentes disponibles, dicha valoraciones se alimentan a un modelo, el cual da la recomendación sobre la acción a tomar:
- Descartar: Hay elementos suficientes para determinar que la ubicación no es un punto de interés. (ejemplo son zonas residenciales o un campo vacío).
- Contactar: Hay suficientes elementos en la ubicación, que justifican una visita en campo para verificar la presencia del producto y en su caso actuar contactando a las autoridades.
- Evaluar: El modelo no puede predecir con la suficiente certeza la acción a tomar, por lo que es necesario que los analistas hagan una evaluación detallada para tomar una decisión.
- Aprendizaje: Cada uno de los puntos donde los analistas realizan una evaluación manual, la información es alimentada al modelo para su posterior aprendizaje.
Resultados y Beneficios
- Incremento en mecanismos de adquisición: Al basarse en una metodología OSINT, se incrementó el número de fuentes de información usadas a lo largo del proceso, incluso en los casos donde estaba disponible, se realizó la adquisición mediante APIs.
- Aumento en la tasa de recuperación: Gracias a la automatización del proceso, se logró aumentar de manera significativa el número de ubicaciones a evaluar en un periodo de tiempo, con lo que se incrementó el número de productos recuperados.
- Homologación en el criterio de evaluación: Dado que la evaluación la realiza el modelo, estos parámetros son aplicados para todas las ubicaciones que se están procesando con lo que se logra seguir el mismo criterio de evaluación. Esto permite incluso aplicar el modelo en diferentes países, y en caso que se requiera ajustar el modelo, este cambio se replica para todas las evaluaciones.
La automatización de la evaluación de ubicaciones permitió implementar esta metodología a lo largo de toda la región latinoamericana para posteriormente implementarla incluso en Estados Unidos y 15 países de Europa, produciendo incrementos en la recuperación del producto, lo cual impacta de manera directa al inventario disponible por la organización.