Control de merma para la sección de productos de casa inteligente en una compañía de retail, basado en algoritmos de Machine Learning de última generación (AutoML y YOLO) integrando hardware de inferencia neuronal

Abstract

Este artículo presenta el desarrollo e implementación de una solución basada en algoritmos de aprendizaje automático de última generación y hardware de inferencia neuronal para la detección y prevención de la merma en tiempo real en una compañía de retail. La merma, entendida como la pérdida de inventario por factores como el hurto, el vencimiento o la manipulación inadecuada de productos, representa un problema significativo para el sector retail en Colombia. La metodología propuesta incluyó la recolección de 530 imágenes de productos de casa inteligente, su depuración mediante criterios de inclusión y exclusión, y la construcción de un conjunto de datos final compuesto por 479 imágenes etiquetadas manualmente. Posteriormente, se aplicaron técnicas de preprocesamiento y aumento de datos para mejorar la generalización de los modelos. Se entrenaron y evaluaron modelos de detección de objetos basados en AutoML, YOLOv5 y YOLOv8, utilizando métricas como mean Average Precision (mAP), precisión y recall. Los resultados mostraron que el modelo AutoML alcanzó el mejor desempeño, con un mAP del 94,1 %, una precisión del 91,4 % y un recall del 92,4 %. Dicho modelo fue integrado con una cámara OAK-1 para su despliegue en un entorno real de tienda, permitiendo la generación de inferencias en tiempo real y su posterior comparación con los registros de ventas. La solución implementada demostró ser efectiva para identificar posibles casos de merma, contribuyendo a mejorar el control de inventario y la eficiencia operativa en el retail.