Tokopedia, इंडोनेशिया की एक टेक्नोलॉजी कंपनी है. यह सबसे बड़े ई-कॉमर्स मार्केटप्लेस में से एक है. इसके प्लैटफ़ॉर्म पर 40 से ज़्यादा डिजिटल प्रॉडक्ट और 1.4 करोड़ से ज़्यादा रजिस्टर्ड सेलर मौजूद हैं.
Mitra Tokopedia, Tokopedia के कारोबार का हिस्सा है. यह एक वेब ऐप्लिकेशन है, जो छोटे कारोबार के मालिकों को डिजिटल प्रॉडक्ट बेचने में मदद करता है. जैसे, क्रेडिट और गेम वाउचर, डेटा पैकेज, बिजली के टोकन, नैशनल हेल्थकेयर बिल वगैरह. यह वेबसाइट, 700 से ज़्यादा शहरों में Mitra Tokopedia के विक्रेताओं के लिए मुख्य चैनलों में से एक है. इसलिए, यह ज़रूरी है कि उपयोगकर्ताओं को इस वेबसाइट पर बेहतर अनुभव मिले.
शामिल होने की प्रोसेस के दौरान, इन विक्रेताओं को अपनी पहचान की पुष्टि करनी होगी. विक्रेता के तौर पर पुष्टि की प्रक्रिया पूरी करने के लिए, विक्रेता को अपना राष्ट्रीय आईडी अपलोड करना होगा. साथ ही, आईडी के साथ एक सेल्फ़ी भी अपलोड करनी होगी. इसे ग्राहक की जानकारी (केवाईसी) की प्रक्रिया कहा जाता है.
Mitra Tokopedia ने अपने वेब ऐप्लिकेशन में, केवाईसी की इस अहम प्रोसेस में मशीन लर्निंग की सुविधाएं जोड़ीं. इससे उन्हें उपयोगकर्ताओं को बेहतर अनुभव देने में मदद मिली. साथ ही, पुष्टि न हो पाने के मामलों में 20% से ज़्यादा की कमी आई. साथ ही, मैन्युअल तरीके से मंज़ूरी देने की प्रक्रिया को करीब 70% तक कम करके, कारोबार से जुड़े खर्चों में बचत की.
चुनौती
केवाईसी के लिए सबमिट किए गए ज़्यादातर डेटा को अस्वीकार कर दिया जाता था. इस वजह से, मैन्युअल तरीके से पुष्टि करने के लिए, ऑपरेशन टीम को हर हफ़्ते हज़ारों टिकट मिलते थे. इसकी वजह से, न सिर्फ़ कारोबार से जुड़ा खर्च बढ़ गया, बल्कि विक्रेताओं को भी खराब अनुभव मिला. ऐसा इसलिए, क्योंकि पुष्टि की प्रक्रिया में देरी हो रही थी. अस्वीकार किए जाने की सबसे बड़ी वजह यह थी कि विक्रेताओं ने आईडी कार्ड के साथ सेल्फ़ी सही तरीके से अपलोड नहीं की थी. Mitra Tokopedia, आधुनिक वेब सुविधाओं का इस्तेमाल करके, इस समस्या को बड़े पैमाने पर हल करना चाहता था.
समाधान
Tokopedia की टीम ने इस समस्या को हल करने के लिए, TensorFlow.js के साथ मशीन लर्निंग का इस्तेमाल करने का फ़ैसला लिया. यह फ़ैसला, केवाईसी की प्रोसेस के पहले चरण में लिया गया, जब उपयोगकर्ता इमेज अपलोड करता है. जब विक्रेता आईडी कार्ड और सेल्फ़ी की इमेज अपलोड करता है, तो विक्रेता के चेहरे की पहचान करने के लिए, उन्होंने MediaPipe और TensorFlow की चेहरे की पहचान करने वाली लाइब्रेरी का इस्तेमाल किया. इसमें छह मुख्य पॉइंट शामिल हैं. इसके बाद, मॉडल के आउटपुट का इस्तेमाल, स्वीकार किए जाने की शर्तों के हिसाब से जांच करने के लिए किया जाता है. पुष्टि होने के बाद, जानकारी को बैकएंड पर भेजा जाता है. अगर पुष्टि नहीं हो पाती है, तो विक्रेता को गड़बड़ी का मैसेज दिखता है. साथ ही, उसे फिर से कोशिश करने का विकल्प मिलता है. इसके लिए, हाइब्रिड तरीका इस्तेमाल किया गया. इसमें मॉडल, फ़ोन की खास बातों के आधार पर, उपयोगकर्ता के डिवाइस पर या सर्वर-साइड पर अनुमान लगाता है. कम क्षमता वाला डिवाइस, सर्वर पर अनुमान लगाएगा.
केवाईसी की प्रोसेस की शुरुआत में ही एमएल मॉडल का इस्तेमाल करने से, उन्हें ये फ़ायदे मिलते हैं:
- केवाईसी की प्रक्रिया में अस्वीकार किए जाने की दर को कम करना.
- उपयोगकर्ताओं को चेतावनी दें कि मॉडल से क्वालिटी की जांच करने के बाद, उनकी इमेज अस्वीकार की जा सकती हैं.
अन्य समाधानों के बजाय, एमएल को क्यों चुनें?
एमएल, बार-बार किए जाने वाले टास्क को ऑटोमेट कर सकता है. इससे समय की बचत होती है. साथ ही, ऐसे टास्क को मैन्युअल तरीके से करने की ज़रूरत नहीं पड़ती जिन्हें करना मुश्किल होता है. Tokopedia के मामले में, मौजूदा नॉन-एमएल समाधान को ऑप्टिमाइज़ करने से कोई खास नतीजे नहीं मिले. वहीं, एमएल समाधान से ऑपरेशन टीम का लोड काफ़ी कम हो सकता था. इस टीम को हर हफ़्ते हज़ारों मंज़ूरी मैन्युअल तरीके से प्रोसेस करनी पड़ती थी. एमएल सलूशन की मदद से, इमेज की जांच तुरंत की जा सकती है. इससे उपयोगकर्ता को बेहतर अनुभव मिलता है और काम को आसान और बेहतर बनाने में मदद मिलती है. समस्या को फ़्रेम करने के बारे में ज़्यादा जानें, ताकि यह तय किया जा सके कि मशीन लर्निंग आपकी समस्या का सही समाधान है या नहीं.
कोई मॉडल चुनते समय ध्यान रखने वाली बातें
एमएल मॉडल चुनते समय इन बातों का ध्यान रखा गया.
लागत
उन्होंने मॉडल का इस्तेमाल करने की कुल लागत का आकलन किया. TensorFlow.js एक ओपन सोर्स पैकेज है, जिसका रखरखाव Google करता है. इसलिए, हमें लाइसेंस और रखरखाव के लिए पैसे नहीं चुकाने पड़ते. इसके अलावा, अनुमान लगाने की लागत पर भी ध्यान देना ज़रूरी है. क्लाइंट साइड पर अनुमान लगाने से, सर्वर साइड पर महंगे जीपीयू के साथ प्रोसेस करने की तुलना में काफ़ी पैसे बचते हैं. खास तौर पर तब, जब डेटा अमान्य और इस्तेमाल न करने लायक हो.
बढ़ाए जा सकने की योग्यता
उन्होंने मॉडल और टेक्नोलॉजी को बढ़ाए जा सकने की योग्यता पर ध्यान दिया. क्या यह हमारे प्रोजेक्ट के आगे बढ़ने के साथ-साथ, डेटा और मॉडल की जटिलता को मैनेज कर सकता है? क्या इसे अन्य प्रोजेक्ट या इस्तेमाल के उदाहरणों के लिए बढ़ाया जा सकता है? डिवाइस पर प्रोसेस होने से मदद मिलती है, क्योंकि मॉडल को सीडीएन पर होस्ट किया जा सकता है और क्लाइंट साइड पर डिलीवर किया जा सकता है. इसे आसानी से बढ़ाया जा सकता है.
परफ़ॉर्मेंस
उन्होंने लाइब्रेरी के साइज़ (केबी में) और रनटाइम प्रोसेस की इंतज़ार की अवधि को ध्यान में रखा. Mitra Tokopedia के ज़्यादातर उपयोगकर्ताओं के पास मिड से लो-एंड डिवाइस हैं. साथ ही, उनके पास इंटरनेट की स्पीड और कनेक्टिविटी भी सामान्य है. इसलिए, डाउनलोड और रनटाइम के हिसाब से परफ़ॉर्मेंस (यानी कि मॉडल कितनी तेज़ी से आउटपुट दे सकता है) को सबसे ज़्यादा प्राथमिकता दी जाती है, ताकि उपयोगकर्ताओं की खास ज़रूरतों को पूरा किया जा सके और उन्हें बेहतरीन अनुभव दिया जा सके.
दूसरी ज़रूरी बातें
नियमों का पालन: उन्हें यह पक्का करना था कि चुनी गई लाइब्रेरी, डेटा की सुरक्षा और निजता से जुड़े नियमों का पालन करती हो.
स्किलसेट: उन्होंने अपनी टीम की विशेषज्ञता और स्किलसेट का आकलन किया. कुछ एमएल फ़्रेमवर्क और लाइब्रेरी के लिए, खास प्रोग्रामिंग लैंग्वेज या किसी खास क्षेत्र में विशेषज्ञता की ज़रूरत हो सकती है. इन बातों को ध्यान में रखते हुए, उन्होंने अपने मशीन लर्निंग प्रोजेक्ट के लिए सही मॉडल चुनते समय सोच-समझकर फ़ैसला लिया.
टेक्नोलॉजी चुन ली गई
TensorFlow.js ने इन बातों को ध्यान में रखते हुए, उनकी ज़रूरतों को पूरा किया. यह डिवाइस के जीपीयू का इस्तेमाल करने के लिए, WebGL बैकएंड का इस्तेमाल करके पूरी तरह से उपयोगकर्ता के डिवाइस पर चल सकता है. उपयोगकर्ता के डिवाइस पर मॉडल चलाने से, उपयोगकर्ता को तेज़ी से जवाब मिलता है. ऐसा इसलिए होता है, क्योंकि सर्वर के इंतज़ार का समय कम हो जाता है. साथ ही, सर्वर की कंप्यूट लागत भी कम हो जाती है. ऑन-डिवाइस मशीन लर्निंग के बारे में ज़्यादा जानने के लिए, ऑन-डिवाइस मशीन लर्निंग के फ़ायदे और सीमाएं लेख पढ़ें.
"TensorFlow.js, Google की एक ओपन सोर्स मशीन लर्निंग लाइब्रेरी है. इसे JavaScript डेवलपर के लिए बनाया गया है. यह ब्राउज़र में क्लाइंट साइड पर काम कर सकती है. यह वेब एआई के लिए सबसे बेहतर विकल्प है. इसमें WebGL, WebAssembly, और WebGPU बैकएंड ऑपरेटर की पूरी सुविधा मिलती है. इसका इस्तेमाल ब्राउज़र में किया जा सकता है और यह तेज़ी से काम करता है."—Adobe ने वेब के लिए Photoshop को बेहतर बनाने के लिए, TensorFlow.js के साथ वेब एमएल का इस्तेमाल कैसे किया
तकनीकी तौर पर लागू करना
Mitra Tokopedia ने MediaPipe और TensorFlow की चेहरे की पहचान करने वाली लाइब्रेरी का इस्तेमाल किया. यह एक ऐसा पैकेज है जो रीयल-टाइम में चेहरे की पहचान करने के लिए मॉडल उपलब्ध कराता है.
खास तौर पर, इस लाइब्रेरी में उपलब्ध MediaPipeFaceDetector-TFJS मॉडल का इस्तेमाल किया गया. यह मॉडल, tfjs रनटाइम को लागू करता है.
इसे लागू करने से पहले, आइए MediaPipe के बारे में थोड़ा जान लेते हैं. MediaPipe की मदद से, मोबाइल (Android, iOS), वेब, डेस्कटॉप, एज डिवाइस, और IoT पर, उपयोगकर्ता के डिवाइस पर मशीन लर्निंग सलूशन बनाए और डिप्लॉय किए जा सकते हैं.
इस पोस्ट को लिखने के समय, MediaPipe के पास
14 अलग-अलग समाधान
उपलब्ध हैं. mediapipe या tfjs रनटाइम का इस्तेमाल किया जा सकता है. tfjs रनटाइम को JavaScript की मदद से बनाया गया है. यह JavaScript पैकेज उपलब्ध कराता है, जिसे वेब ऐप्लिकेशन से डाउनलोड किया जा सकता है. यह mediapipe रनटाइम से अलग है. इसे C++ के साथ बनाया गया है और WebAssembly मॉड्यूल में कंपाइल किया गया है. इनमें मुख्य अंतर परफ़ॉर्मेंस, डीबग करने की क्षमता, और बंडलिंग का है. JavaScript पैकेज को webpack जैसे क्लासिक बंडलर के साथ बंडल किया जा सकता है. इसके उलट, Wasm मॉड्यूल एक बड़ा और अलग बाइनरी रिसॉर्स है. हालांकि, यह लोड-टाइम डिपेंडेंसी नहीं है, इसलिए इससे कोई समस्या नहीं होती. साथ ही, इसके लिए एक अलग Wasm डीबगिंग वर्कफ़्लो की ज़रूरत होती है. हालांकि, यह तकनीकी और परफ़ॉर्मेंस से जुड़ी ज़रूरी शर्तों को पूरा करने के लिए, तेज़ी से काम करता है.
Tokopedia के लागू करने के तरीके पर वापस आते हुए, पहला चरण मॉडल को इस तरह से शुरू करना है. जब उपयोगकर्ता कोई फ़ोटो अपलोड करता है, तो डिटेक्टर को इनपुट के तौर पर HTMLImageElementपास किया जाता है.
// 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);
चेहरों की सूची के नतीजे में, इमेज में मौजूद हर चेहरे के लिए पहचाने गए चेहरे शामिल होते हैं. अगर मॉडल किसी चेहरे की पहचान नहीं कर पाता है, तो सूची खाली रहेगी. हर चेहरे के लिए, इसमें पहचाने गए चेहरे का एक बाउंडिंग बॉक्स होता है. साथ ही, पहचाने गए चेहरे के लिए छह मुख्य पॉइंट का कलेक्शन होता है. इनमें आंखें, नाक, और मुंह जैसी सुविधाएं शामिल हैं. हर कीपॉइंट में x और y के साथ-साथ एक नाम भी होता है.
[
{
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, इमेज पिक्सल स्पेस में चेहरे के बाउंडिंग बॉक्स को दिखाता है. इसमें xMin, xMax, x-बाउंड को दिखाते हैं, yMin, yMax, y-बाउंड को दिखाते हैं, और width, height, बाउंडिंग बॉक्स के डाइमेंशन हैं.
keypoints के लिए, x और y, इमेज पिक्सल स्पेस में मुख्य पॉइंट की असल पोज़िशन दिखाते हैं.
name, मुख्य पॉइंट के लिए एक लेबल उपलब्ध कराता है. ये लेबल क्रमशः 'rightEye', 'leftEye', 'noseTip', 'mouthCenter', 'rightEarTragion', और 'leftEarTragion' हैं.
जैसा कि इस पोस्ट की शुरुआत में बताया गया है, विक्रेता को अपनी पहचान की पुष्टि करने के लिए, अपना राष्ट्रीय आईडी और आईडी के साथ एक सेल्फ़ी अपलोड करनी होगी.
इसके बाद, मॉडल के आउटपुट का इस्तेमाल, स्वीकार किए जाने की ज़रूरी शर्तों के हिसाब से जांच करने के लिए किया जाता है. इसका मतलब है कि पहले बताए गए छह मुख्य पॉइंट मैच होने चाहिए, ताकि आईडी कार्ड और सेल्फ़ी इमेज को मान्य माना जा सके.
पुष्टि होने के बाद, विक्रेता की ज़रूरी जानकारी बैकएंड को भेज दी जाती है. अगर पुष्टि नहीं हो पाती है, तो विक्रेता को पुष्टि न होने का मैसेज मिलता है. साथ ही, उसे फिर से कोशिश करने का विकल्प दिया जाता है. बैकएंड को कोई जानकारी नहीं भेजी जाएगी.
कम कीमत वाले डिवाइसों के लिए परफ़ॉर्मेंस से जुड़ी ज़रूरी बातें
यह पैकेज सिर्फ़ 24.8 केबी (छोटा और gzip किया गया) का है. इसलिए, इसे डाउनलोड करने में ज़्यादा समय नहीं लगता. हालांकि, कम कीमत वाले डिवाइसों के लिए, रनटाइम प्रोसेसिंग में ज़्यादा समय लगता है. मशीन लर्निंग के चेहरे की पहचान करने वाले मॉडल को दो इमेज पास करने से पहले, डिवाइस की रैम और सीपीयू की जांच करने के लिए अतिरिक्त लॉजिक जोड़ा गया.
अगर डिवाइस में 4 जीबी से ज़्यादा रैम, 4G से बेहतर इंटरनेट कनेक्शन, और छह से ज़्यादा कोर वाला सीपीयू है, तो इमेज को उपयोगकर्ता के डिवाइस पर मौजूद मॉडल को भेजा जाता है. इससे चेहरे की पहचान करके पुष्टि की जाती है. अगर ये ज़रूरी शर्तें पूरी नहीं होती हैं, तो उपयोगकर्ता के डिवाइस पर मौजूद मॉडल को स्किप कर दिया जाता है. इसके बाद, इमेज को सीधे सर्वर पर भेज दिया जाता है, ताकि हाइब्रिड तरीके का इस्तेमाल करके पुष्टि की जा सके. इससे पुराने डिवाइसों पर भी पुष्टि की जा सकती है. समय के साथ, हार्डवेयर में लगातार हो रहे सुधारों की वजह से, ज़्यादा से ज़्यादा डिवाइसों पर सर्वर से कंप्यूटेशन को ऑफ़लोड किया जा सकेगा.
असर
एमएल इंटिग्रेशन की वजह से, Tokopedia ने अस्वीकार होने की ज़्यादा दर की समस्या को हल कर लिया. साथ ही, उसे ये नतीजे मिले:
- अस्वीकार किए जाने की दर में 20% से ज़्यादा की कमी आई.
- मैन्युअल तरीके से मंज़ूरी देने की संख्या में करीब 70% की कमी आई.
इससे न सिर्फ़ विक्रेताओं को बेहतर अनुभव मिला, बल्कि Tokopedia की टीम के लिए कारोबार से जुड़ा खर्च भी कम हुआ.
नतीजा
कुल मिलाकर, इस केस स्टडी के नतीजों से पता चला कि सही इस्तेमाल के उदाहरणों के लिए, वेब पर उपयोगकर्ता के डिवाइस पर मौजूद एमएल सलूशन, उपयोगकर्ता अनुभव और सुविधाओं की परफ़ॉर्मेंस को बेहतर बनाने में मददगार हो सकते हैं. साथ ही, इनसे लागत में बचत और कारोबार को अन्य फ़ायदे भी मिल सकते हैं.
MediaPipe Studio और वेब के लिए MediaPipe Face Detector के कोड सैंपल का इस्तेमाल करके, MediaPipe की चेहरे की पहचान करने वाली सुविधा को खुद आज़माएं.
अगर आपको उपयोगकर्ता के डिवाइस पर मौजूद एमएल की मदद से, अपने वेब ऐप्लिकेशन की क्षमताओं को बढ़ाना है, तो ये संसाधन देखें: