Existují tisíce typů karet Magic: The Gathering s různými vlastnostmi (postavy, schopnosti, barvy atd.). Karty jsou baleny náhodně, protože jde i o sběratelskou hru. Klient obchoduje s kartami – vykupuje je od lidí, kteří je už mají, a prodává těm, kdo je shánějí. Aby to fungovalo, musí se karty ručně třídit a katalogizovat. Ročně jde o miliony karet, což vyžaduje tým zhruba 10 zaměstnanců na plný úvazek. Při objednávce je třeba ověřit dostupnost karet ve skladu, vyhledat je a připravit k odeslání.
Automatizace třídění sběratelských karet

- Typ klientaMalý nebo střední podnik
- OdvětvíKultura, gaming a zábava
- Oblast nasazeníAutomatizace provozu a procesů, Dodavatelský řetězec a logistika
- AI technologiePočítačové vidění a video analýza, Strojové učení
- Přínos pro byznysEfektivita provozu a úspory nákladů, Inovace produktů a služeb
- Typ datObrazová data
- Model dodáníProdukt / Licencovaný software
- NasazeníCloudové řešení
- Klíčové schopnostiAutonomní řízení a robotika, Rozpoznávání, klasifikace a tracking
- Fáze projektuOvěření konceptu (prototyp / PoC / pilot)
- Formy řešeníIntegrované řešení na edge / v zařízení, Rozhraní přes API / Mikroslužby
Popis řešení
Obchodní problém
Řešení
Navrhli jsme třídičku karet a vyvinuli algoritmus, který převádí naskenovaný obrázek karty na hash a porovnává ho s hashi v open-source databázi. Zároveň ukládá historii jednotlivých běhů s rozpoznanými kartami a jejich metadata na backendu. Na frontendu má klient přehled běhů se základními statistikami (počet karet, čas, úspěšnost), seznam rozpoznaných karet a seznam těch, které nebyly rozpoznány s jistotou a čekají na ruční ověření – systém ale nabídne možné shody ve stylu „autocomplete”.
Hlavní uživatelé řešení
Nákupčí
Použité technologie
Google Cloud IoT Core Redis Enterprise Cloud on Google Cloud (with PostgreSQL) Google Cloud Storage BigQuery Google Cloud Functions Google Compute Engine Cloud run admin API Docker image creation Raspberry-pi
Implementace
Vlastník projektu na straně klienta
Vedoucí obchodní jednotky
Participace na straně klienta
- Business / Product Owner
- Koncoví uživatelé
Forma zapojení dodavatele
Kompletní realizace
Dopad a výsledky
Kvalitativní přínosy
Snížení repetativní práce
Zpětná vazba klienta
Revolt BI zastřešoval vývoj HW i SW automatického zařízení pro rozpoznávání a automatické třídění sběratelských karet. Algoritmus rozpoznávání obrázků v Pythonu využíval modely Machine Learning trénované v TensorFlow. Architektura backendu byla navržena a provozována na Google Cloud Platform
Poučení a doporučení
Klíčové faktory úspěchu
K úspěchu projektu nejvíce přispěla úzká spolupráce mezi technickým a byznysovým týmem, která umožnila rychle reagovat na potřeby klienta a iterativně ladit řešení.
Doporučení pro ostatní
Ostatním bychom doporučili začít s důkladným pochopením domény a potřeb uživatelů – v našem případě pomohlo, že tým rozuměl fungování trhu se sběratelskými kartami. Dále doporučujeme stavět řešení modulárně a škálovatelně, s využitím cloudových služeb, které umožňují snadno automatizovat a upravovat procesy. Klíčová je také úzká spolupráce mezi technickým a byznysovým týmem – pravidelná komunikace zamezila nedorozuměním a urychlila vývoj.
Propagace
Demo / veřejné výstupy
- SpolečnostRevolt BI
- KontaktBarbora Kalačová
- Emailmarketing@revolt.bi
- Webhttps://www.revolt.bi
- AdresaVoctářova 2449, 180 00 Praha