Tokopedia হল ইন্দোনেশিয়ার একটি প্রযুক্তি কোম্পানি, যার কাছে অন্যতম বৃহত্তম ই-কমার্স মার্কেটপ্লেস রয়েছে, যেখানে ৪০টিরও বেশি ডিজিটাল প্রোডাক্ট এবং ১৪ মিলিয়নেরও বেশি রেজিস্টার করা বিক্রেতা রয়েছে।
Tokopedia-র ব্যবসার ভার্টিক্যালের অংশ, Mitra Tokopedia হল একটি ওয়েব অ্যাপ্লিকেশন যা ছোট ব্যবসার মালিকদের ক্রেডিট ও গেম ভাউচার, ডেটা প্যাকেজ, ইলেকট্রিসিটি টোকেন, ন্যাশনাল হেলথকেয়ার বিল এবং অন্যান্য ডিজিটাল প্রোডাক্ট বিক্রি করতে সাহায্য করে। ৭০০টিরও বেশি শহরে Mitra Tokopedia বিক্রেতাদের জন্য ওয়েবসাইটটি অন্যতম প্রাথমিক চ্যানেল, তাই ব্যবহারকারীর অভিজ্ঞতা যাতে মসৃণ হয় তা নিশ্চিত করা খুবই গুরুত্বপূর্ণ।
অনবোর্ডিং প্রসেসের একটি গুরুত্বপূর্ণ ধাপ হল, এইসব বিক্রেতাকে তাদের পরিচয় যাচাই করতে হবে। বিক্রেতাকে যাচাই করার প্রসেস সম্পূর্ণ করতে, বিক্রেতাকে তার জাতীয় আইডি এবং আইডি সহ একটি সেলফি আপলোড করতে হবে। এটি আপনার গ্রাহককে জানুন (KYC) প্রক্রিয়া হিসেবে পরিচিত।
তাদের ওয়েব অ্যাপের মধ্যে এই গুরুত্বপূর্ণ KYC প্রসেসে মেশিন লার্নিং ক্ষমতা যোগ করে, Mitra Tokopedia যাচাইকরণ ব্যর্থতার হার ২০%-এর বেশি কমিয়ে আরও ভালো ব্যবহারকারীর অভিজ্ঞতা অর্জন করতে সক্ষম হয়েছে। এছাড়াও, ম্যানুয়াল অনুমোদনের সংখ্যা প্রায় ৭০% কমিয়ে তারা অপারেশনাল খরচও বাঁচিয়েছে।
প্রতিদ্বন্দ্বিতা
বেশিরভাগ KYC ডেটা বাতিল করা হচ্ছিল, যার ফলে প্রতি সপ্তাহে ম্যানুয়াল যাচাইকরণের জন্য অপারেশন টিমের কাছে হাজার হাজার টিকিট তৈরি হচ্ছিল। এর ফলে শুধু যে অপারেশনাল খরচই বেশি হয় তা নয়, বিক্রেতাদেরও খারাপ অভিজ্ঞতা হয়, কারণ তাদের যাচাইকরণ প্রক্রিয়া সম্পূর্ণ হতে দেরি হয়। বাতিল হওয়ার সবচেয়ে বড় কারণ হল, বিক্রেতারা আইডি কার্ডের সাথে সেলফি সঠিকভাবে আপলোড করেননি। Mitra Tokopedia আধুনিক ওয়েব ক্ষমতা ব্যবহার করে এই সমস্যার সমাধান করতে আগ্রহী ছিল।
সমাধান
Tokopedia-র টিম এই সমস্যার সমাধান করতে TensorFlow.js-এর সাথে ML ব্যবহার করার সিদ্ধান্ত নেয় KYC প্রসেসের একেবারে প্রথম ধাপে—যখন ব্যবহারকারী ছবি আপলোড করেন। বিক্রেতা আইডি কার্ড ও সেলফি ছবি আপলোড করার সময়, বিক্রেতার মুখ শনাক্ত করতে, তারা MediaPipe এবং TensorFlow-এর ফেস ডিটেকশন লাইব্রেরি ব্যবহার করেছেন। মডেলের আউটপুট তারপর তাদের গ্রহণযোগ্যতার মানদণ্ডের সাথে মিলিয়ে দেখা হয়। যাচাইকরণ সম্পূর্ণ হলে, তথ্য ব্যাকএন্ডে পাঠানো হয়। যাচাইকরণ ব্যর্থ হলে, বিক্রেতাকে একটি ত্রুটি মেসেজ এবং আবার চেষ্টা করার বিকল্প প্রদান করা হয়। একটি হাইব্রিড পদ্ধতি ব্যবহার করা হয়েছিল যেখানে মডেলটি ফোনের স্পেসিফিকেশনের উপর নির্ভর করে অন-ডিভাইস বা সার্ভার সাইডে ইনফারেন্স পারফর্ম করে। কম দামের ডিভাইসে সার্ভারে ইনফারেন্স পারফর্ম করা হবে।
KYC প্রসেসের শুরুতে ML মডেল ব্যবহার করলে তারা এগুলি করতে পারে:
- KYC প্রসেসে প্রত্যাখ্যানের হার উন্নত করা।
- মডেলের মাধ্যমে মূল্যায়ন করা কোয়ালিটির ভিত্তিতে, ব্যবহারকারীদের ছবি বাতিল হওয়ার সম্ভাবনা সম্পর্কে সতর্ক করুন।
অন্যান্য সমাধানের পরিবর্তে ML কেন বেছে নেবেন?
ML এমন পুনরাবৃত্তিমূলক কাজ অটোমেট করতে পারে যা অন্যথায় সময়সাপেক্ষ বা ম্যানুয়ালি করা অবাস্তব। Tokopedia-র ক্ষেত্রে, বর্তমান নন-ML সমাধান অপ্টিমাইজ করে উল্লেখযোগ্য ফলাফল পাওয়া যায়নি, যেখানে ML সমাধান অপারেশন টিমের উপর থেকে লোড উল্লেখযোগ্যভাবে কমাতে পারে, যাদের প্রতি সপ্তাহে হাজার হাজার অনুমোদন ম্যানুয়ালি প্রসেস করতে হয়। ML সলিউশনের মাধ্যমে, ছবি চেক করার কাজটি প্রায় সঙ্গে সঙ্গেই করা যায়, যার ফলে ব্যবহারকারীর অভিজ্ঞতা আরও ভালো হয় এবং অপারেশনাল কর্মক্ষমতা উন্নত হয়। আপনার সমস্যার জন্য ML উপযুক্ত সমাধান কিনা তা নির্ধারণ করতে সমস্যা ফ্রেমিং সম্পর্কে আরও পড়ুন।
মডেল বেছে নেওয়ার সময় বিবেচ্য বিষয়
ML মডেল বেছে নেওয়ার সময় নিম্নলিখিত বিষয়গুলি বিবেচনা করা হয়েছে।
খরচ
তারা মডেলটি ব্যবহার করার সামগ্রিক খরচ মূল্যায়ন করেছেন। TensorFlow.js হল একটি ওপেন সোর্স প্যাকেজ যা Google ভালোভাবে রক্ষণাবেক্ষণ করে, তাই আমরা লাইসেন্সিং এবং রক্ষণাবেক্ষণের খরচ বাঁচাতে পারি। ইনফারেন্সের খরচ হল আরেকটি অতিরিক্ত বিবেচ্য বিষয়। ক্লায়েন্ট সাইডে ইনফারেন্স রান করতে পারলে, সার্ভার সাইডে দামি GPU ব্যবহার করে প্রসেস করার তুলনায় অনেক টাকা সাশ্রয় হয়, বিশেষ করে ডেটা ভুল বা ব্যবহারযোগ্য না হলে।
স্কেলেবিলিটি
তারা মডেল ও প্রযুক্তির স্কেলেবিলিটি বিবেচনা করেছেন। আমাদের প্রোজেক্টের উন্নতির সাথে সাথে এটি কি ডেটা এবং মডেলের জটিলতা বৃদ্ধি সামলাতে পারবে? অন্যান্য প্রোজেক্ট বা ব্যবহারের ক্ষেত্রে এটি কি প্রসারিত করা যেতে পারে? অন-ডিভাইস প্রসেসিং সাহায্য করে কারণ মডেলটি একটি CDN-এ হোস্ট করা যেতে পারে এবং ক্লায়েন্ট সাইডে ডেলিভার করা যেতে পারে, যা খুব স্কেলেবল।
পারফর্ম্যান্স
তারা লাইব্রেরির সাইজ (কেবি-তে) এবং রানটাইম প্রসেসের লেটেন্সি বিবেচনা করেছেন। Mitra Tokopedia-র বেশিরভাগ ব্যবহারকারীর কাছে মাঝারি থেকে কম দামের ডিভাইস আছে এবং তাদের ইন্টারনেট স্পিড ও কানেক্টিভিটি মাঝারি মানের। তাই, ডাউনলোড ও রানটাইমের (অর্থাৎ, মডেল কত দ্রুত আউটপুট তৈরি করতে পারে) ক্ষেত্রে পারফর্ম্যান্স হল তাদের নির্দিষ্ট চাহিদা পূরণ করা এবং ব্যবহারকারীর দুর্দান্ত অভিজ্ঞতা নিশ্চিত করার জন্য একটি শীর্ষ অগ্রাধিকার।
বিবেচনা করার মতো অন্যান্য বিষয়
রেগুলেটরি নিয়ম মেনে চলা: তাদের নিশ্চিত করতে হয়েছিল যে বেছে নেওয়া লাইব্রেরিটি প্রাসঙ্গিক ডেটা সুরক্ষা এবং গোপনীয়তা সংক্রান্ত রেগুলেশন মেনে চলে।
দক্ষতা: তারা তাদের টিমের দক্ষতা এবং স্কিল সেট মূল্যায়ন করেছে। কিছু ML ফ্রেমওয়ার্ক ও লাইব্রেরির জন্য নির্দিষ্ট প্রোগ্রামিং ল্যাঙ্গুয়েজ বা কোনও নির্দিষ্ট বিষয়ে দক্ষতা প্রয়োজন হতে পারে। এইসব বিষয় বিবেচনা করে, তারা মেশিন লার্নিং প্রোজেক্টের জন্য সঠিক মডেল বেছে নেওয়ার সময় একটি তথ্যপূর্ণ সিদ্ধান্ত নিয়েছেন।
প্রযুক্তি বেছে নেওয়া হয়েছে
এইসব বিষয় বিবেচনা করার পরে, TensorFlow.js তাদের প্রয়োজন পূরণ করেছে। এটি ডিভাইসের GPU ব্যবহার করার জন্য WebGL ব্যাকএন্ড ব্যবহার করে সম্পূর্ণভাবে অন-ডিভাইস রান করতে পারে। ডিভাইসে মডেল রান করলে, সার্ভার লেটেন্সি কমে যাওয়ার কারণে ব্যবহারকারীকে আরও দ্রুত ফিডব্যাক দেওয়া যায় এবং সার্ভার কম্পিউট খরচও কমে যায়। অন-ডিভাইস ML সম্পর্কে আরও জানতে অন-ডিভাইস ML-এর সুবিধা ও সীমাবদ্ধতা নিবন্ধটি পড়ুন।
"TensorFlow.js হল Google-এর একটি ওপেন সোর্স মেশিন লার্নিং লাইব্রেরি যা JavaScript ডেভেলপারদের জন্য তৈরি করা হয়েছে এবং এটি ব্রাউজারে ক্লায়েন্ট সাইডে রান করতে পারে। এটি WebGL, WebAssembly এবং WebGPU ব্যাকএন্ড অপারেটর সহ Web AI-এর জন্য সবচেয়ে উন্নত বিকল্প যা ব্রাউজারে দ্রুত পারফর্ম্যান্সের সাথে ব্যবহার করা যেতে পারে।"—ওয়েবের জন্য Photoshop উন্নত করতে Adobe কীভাবে TensorFlow.js-এর সাথে Web ML ব্যবহার করেছে
প্রযুক্তিগত প্রয়োগ
Mitra Tokopedia, MediaPipe এবং TensorFlow-এর
ফেস ডিটেকশন লাইব্রেরি
ব্যবহার করেছে, এটি এমন একটি প্যাকেজ যা রিয়েল-টাইম ফেস ডিটেকশন চালানোর জন্য মডেল প্রদান করে।
বিশেষ করে, এই লাইব্রেরিতে দেওয়া
MediaPipeFaceDetector-TFJS
মডেল, যা tfjs রানটাইম প্রয়োগ করে, এই সমাধানের জন্য
ব্যবহার করা হয়েছে।
ইমপ্লিমেন্ট করার আগে, MediaPipe কী সেই সম্পর্কে সংক্ষেপে জেনে নিন। MediaPipe আপনাকে মোবাইল (Android, iOS), ওয়েব, ডেস্কটপ, এজ ডিভাইস এবং IoT জুড়ে অন-ডিভাইস ML সলিউশন তৈরি ও ডিপ্লয় করতে দেয়।
এই পোস্ট লেখার সময় MediaPipe-এর মাধ্যমে
১৪টি আলাদা সমাধান
অফার করা হয়েছে। আপনি হয় mediapipe অথবা tfjs রানটাইম ব্যবহার করতে পারবেন। tfjs রানটাইম জাভাস্ক্রিপ্ট দিয়ে তৈরি এবং
জাভাস্ক্রিপ্ট প্যাকেজ প্রদান করে যা ওয়েব অ্যাপ্লিকেশন দ্বারা এক্সটার্নালি ডাউনলোড করা
যেতে পারে। এটি mediapipe রানটাইমের থেকে আলাদা, যা C++ দিয়ে তৈরি এবং WebAssembly মডিউলে কম্পাইল করা। প্রধান পার্থক্য হল পারফর্ম্যান্স,
ডিবাগ করার ক্ষমতা এবং বান্ডেল করা। জাভাস্ক্রিপ্ট প্যাকেজটি webpack-এর মতো ক্লাসিক বান্ডলারের সাথে বান্ডিল করা যেতে পারে। এর বিপরীতে, Wasm মডিউল হল একটি বড় এবং আলাদা
বাইনারি রিসোর্স (যা লোড-টাইম ডিপেন্ডেন্সি না হওয়ার কারণে প্রশমিত হয়) এবং
এর জন্য একটি ভিন্ন
Wasm ডিবাগিং ওয়ার্কফ্লো প্রয়োজন। তবে,
টেকনিক্যাল ও পারফর্ম্যান্স সংক্রান্ত প্রয়োজনীয়তা পূরণ করার জন্য এটি আরও দ্রুত এক্সিকিউট করে।
Tokopedia-এর প্রয়োগে ফিরে এসে, প্রথম ধাপ হল নিম্নলিখিত উপায়ে মডেলটি
ইনিশিয়ালাইজ করা। ব্যবহারকারী কোনও ফটো আপলোড করলে, ডিটেক্টরে ইনপুট হিসেবে
একটি HTMLImageElementপাস করা হয়।
// Create the detector.
const model = faceDetection.SupportedModels.MediaPipeFaceDetector;
const detectorConfig = {
runtime: 'tfjs'
};
const detector = await faceDetection.createDetector(model, detectorConfig);
// Run inference to start detecting faces.
const estimationConfig = {flipHorizontal: false};
const faces = await detector.estimateFaces(image, estimationConfig);
ফেস লিস্টের ফলাফলে, ছবিতে থাকা প্রতিটি ফেসের জন্য শনাক্ত করা ফেস থাকে। মডেল কোনও মুখ শনাক্ত করতে না পারলে, তালিকা খালি থাকবে। প্রতিটি মুখের জন্য, এতে শনাক্ত করা মুখের একটি বাউন্ডিং বক্সের পাশাপাশি শনাক্ত করা মুখের জন্য ছয়টি কীপয়েন্টের একটি অ্যারে রয়েছে। এর মধ্যে চোখ, নাক ও মুখের মতো ফিচার অন্তর্ভুক্ত। প্রতিটি কীপয়েন্টে x ও y এবং একটি নাম থাকে।
[
{
box: {
xMin: 304.6476503248806,
xMax: 502.5079975897382,
yMin: 102.16298762367356,
yMax: 349.035215984403,
width: 197.86034726485758,
height: 246.87222836072945
},
keypoints: [
{x: 446.544237446397, y: 256.8054528661723, name: "rightEye"},
{x: 406.53152857172876, y: 255.8, "leftEye },
...
],
}
]
box ছবির পিক্সেল স্পেসে মুখের বাউন্ডিং বক্সকে দেখায়, যেখানে
xMin, xMax x-বাউন্ডকে দেখায়, yMin, yMax y-বাউন্ডকে দেখায় এবং
width, height হল বাউন্ডিং বক্সের ডাইমেনশন।
keypoints-এর জন্য, x এবং y ছবির পিক্সেল স্পেসে আসল কীপয়েন্ট পজিশন দেখায়।
name-এ মূল পয়েন্টের জন্য লেবেল দেওয়া আছে, যেগুলি হল যথাক্রমে 'rightEye', 'leftEye',
'noseTip', 'mouthCenter', 'rightEarTragion' এবং 'leftEarTragion'।
এই পোস্টের শুরুতে যেমন উল্লেখ করা হয়েছে, বিক্রেতাকে তার জাতীয় আইডি এবং আইডির সাথে সেলফি আপলোড করতে হবে যাতে বিক্রেতার যাচাইকরণ সম্পূর্ণ করা যায়।
মডেলের আউটপুট তারপর গ্রহণযোগ্যতার মানদণ্ডের সাথে মিলিয়ে দেখা হয়—অর্থাৎ
আগে উল্লেখ করা ছয়টি মূল পয়েন্টের সাথে মিল থাকলে তবেই
পরিচয়পত্র ও সেলফি ছবিকে বৈধ বলে গণ্য করা হয়।
যাচাইকরণ সম্পূর্ণ হলে, বিক্রেতার প্রাসঙ্গিক তথ্য ব্যাকএন্ডে পাঠানো হয়। যাচাইকরণ করা না গেলে, বিক্রেতাকে একটি ব্যর্থতার মেসেজ এবং আবার চেষ্টা করার বিকল্প দেওয়া হয়। ব্যাকএন্ডে কোনও তথ্য পাঠানো হবে না।
কম দামের ডিভাইসের ক্ষেত্রে পারফর্ম্যান্স সংক্রান্ত বিষয়
এই প্যাকেজটি মাত্র ২৪.৮ কেবি (মিনিফাইড এবং জিজিপ করা), যা ডাউনলোড করার সময়কে উল্লেখযোগ্যভাবে প্রভাবিত করে না। তবে, খুব কম দামের ডিভাইসের ক্ষেত্রে, রানটাইম প্রসেসিংয়ে অনেক সময় লাগে। মেশিন লার্নিং ফেস ডিটেকশন মডেলে দুটি ছবি পাস করার আগে ডিভাইসের RAM এবং CPU চেক করার জন্য অতিরিক্ত লজিক যোগ করা হয়েছে।
ডিভাইসে ৪ জিবি-র বেশি RAM, ৪জি-র চেয়ে বেশি নেটওয়ার্ক কানেকশন এবং ৬ কোরের বেশি সিপিইউ থাকলে, ফেস ভেরিফিকেশনের জন্য ছবি অন-ডিভাইস মডেলে পাঠানো হয়। এইসব প্রয়োজনীয়তা পূরণ না হলে, অন-ডিভাইস মডেল এড়িয়ে যাওয়া হয় এবং যাচাইকরণের জন্য ছবি সরাসরি সার্ভারে পাঠানো হয় যাতে হাইব্রিড অ্যাপ্রোচ ব্যবহার করে এইসব পুরনো ডিভাইসের ক্ষেত্রেও কাজ করা যায়। সময়ের সাথে সাথে, হার্ডওয়্যার আরও উন্নত হওয়ার সাথে সাথে আরও বেশি ডিভাইস সার্ভার থেকে কম্পিউট অফলোড করতে পারবে।
প্রভাব
ML ইন্টিগ্রেশনের কারণে, Tokopedia উচ্চ প্রত্যাখ্যানের হার সফলভাবে সমাধান করতে সক্ষম হয়েছে এবং নিম্নলিখিত ফলাফলগুলি দেখেছে:
- প্রত্যাখ্যানের হার ২০%-এর বেশি কমেছে।
- ম্যানুয়াল অনুমোদনের সংখ্যা প্রায় ৭০% কমে গেছে।
এটি বিক্রেতাদের জন্য আরও মসৃণ ব্যবহারকারীর অভিজ্ঞতা তৈরি করেছে এবং Tokopedia টিমের অপারেশনাল খরচও কমিয়েছে।
উপসংহার
সামগ্রিকভাবে, এই কেস স্টাডির ফলাফল থেকে দেখা গেছে যে সঠিক ব্যবহারের ক্ষেত্রে, ওয়েবে অন-ডিভাইস ML সমাধান ব্যবহারকারীর অভিজ্ঞতা ও ফিচারের কার্যকারিতা উন্নত করার পাশাপাশি খরচ বাঁচানো ও অন্যান্য ব্যবসায়িক সুবিধা পাওয়ার ক্ষেত্রে গুরুত্বপূর্ণ ভূমিকা পালন করতে পারে।
MediaPipe Studio এবং ওয়েবের জন্য MediaPipe ফেস ডিটেক্টর-এর কোড স্যাম্পেল ব্যবহার করে MediaPipe ফেস ডিটেকশন ফিচার নিজে ব্যবহার করে দেখুন।
আপনি যদি অন-ডিভাইস ML-এর মাধ্যমে আপনার নিজের ওয়েব অ্যাপের ক্ষমতা বাড়াতে আগ্রহী হন, তাহলে নিম্নলিখিত রিসোর্সগুলি দেখুন: