Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
Delivery Hero
Delivery Hero genereert ontbrekende menufoto's met zelf gehoste Stable Diffusion
Delivery Hero stemde een open-weightbeeldmodel, Stable Diffusion, af en host het zelf om eetbeelden te maken voor gerechten zonder foto. Volgens de persoon die de AI-ontwikkeling bij Delivery Hero leidt, liet een A/B-test een stijging van 6% tot 8% zien in de conversie van menu naar winkelwagen wanneer een product een afbeelding had, tegen minder dan 0,3 cent per afbeelding.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
6%
tot 8%
Stijging van de conversie van menu naar winkelwagen wanneer een afbeelding aan een product wordt toegevoegd, in een A/B-test1
85%
Daling van de rekentijd voor een afbeelding na optimalisatie (de basis in seconden is voor dit cijfer niet vermeld)1
minder dan 0,3 cent
Kosten per gegenereerde afbeelding bij de zelf gehoste opzet (het team noemt 2 cent per afbeelding bij de OpenAI-dienst die het eerder gebruikte)1
Wat het kostte
Het probleem
Veel gerechten op maaltijdbezorgplatforms hebben geen foto. Uit de data-analyse van Delivery Hero bleken veel producten zonder afbeelding, en de spreker zegt dat slechts 14% van de producten zonder afbeelding werd gekocht. Foto's maken of kopen voor elk gerecht van elk restaurant is traag en duur, en verschilt per land.
Wat ze bouwden
Delivery Hero bouwde een systeem dat uit de beschrijving van een gerecht een eetbeeld genereert. Een eerste versie gebruikte een gehoste beelddienst van OpenAI. Daarna stapte het bedrijf over op een zelf gehost Stable Diffusion-model, een open-weightbeeldmodel (met open gewichten), waarvan de bestanden zijn gepubliceerd zodat een bedrijf ze kan draaien en aanpassen. Een van de beste opstellingen in de tests was een communityvariant genaamd Juggernaut V9 met een IP-adapter. Restauranthouders zien voorgestelde afbeeldingen en kiezen de meest passende.
Hoe ze het aanpakten
Het team stemde het model volledig af, wat enkele dagen op een A100-grafische processor kostte, omdat het duizenden lokale gerechten moest dekken. Dat verbeterde lokale gerechten, maar maakte sommige andere, zoals pizza, minder aantrekkelijk. Voor de dienstverlening koos het L4-grafische processors voor de beste kosten per afbeelding en versnelde het de inferentie met optimalisatie tijdens het compileren. De productie draait op AWS in Kubernetes en schaalt met KEDA van 0 tot 36 nodes.
Automatische controles weren afbeeldingen met mensen of wezens, tekst, een slechte uitsnede of onscherpte. Offline tests gebruikten 1.000 producten, verspreid over entiteiten en categorieën.
Resultaten
De spreker meldt op basis van een A/B-test een stijging van 6% tot 8% in de conversie van menu naar winkelwagen wanneer een product een afbeelding had. De tijd per afbeelding daalde naar 11,2 seconden, wat de spreker een daling van 85% noemt. De kosten daalden naar minder dan 0,3 cent per afbeelding, tegenover 2 cent per afbeelding bij de OpenAI-dienst die het team eerder gebruikte. Meer dan 100.000 producten hebben nu gegenereerde afbeeldingen.
Alle gemelde cijfers
| Maatstaf | Cijfer | Bronvermelding |
|---|---|---|
| Stijging van de conversie van menu naar winkelwagen wanneer een afbeelding aan een product wordt toegevoegd, in een A/B-test | 6% tot 8%1 | |
| Generatietijd per afbeelding na optimalisatie | 11,2 seconden1 | |
| Daling van de rekentijd voor een afbeelding na optimalisatie (de basis in seconden is voor dit cijfer niet vermeld) | 85%1 | |
| Kosten per gegenereerde afbeelding bij de zelf gehoste opzet (het team noemt 2 cent per afbeelding bij de OpenAI-dienst die het eerder gebruikte) | minder dan 0,3 cent1 | |
| Producten met gegenereerde afbeeldingen op de platforms van Delivery Hero | Meer dan 100.0001 |
Lessen voor uw project
Test de businesscase voordat u op grote schaal bouwt. Delivery Hero analyseerde eerst zijn menudata om te bepalen waar generatieve AI het meest zou uitmaken, en meette daarna de winst van afbeeldingen met een A/B-test.
Begin met een gehoste dienst voor een snel prototype en ga zelf hosten wanneer het volume de kosten per eenheid belangrijk maakt.
Bouw vroeg automatische kwaliteitscontroles in. Delivery Hero filtert op tekst, personen, onscherpte en slechte uitsneden, en laat restaurants kiezen uit voorgestelde afbeeldingen.
Houd de infrastructuur waar mogelijk in één cloud. De spreker noemde het verdelen van diensten over twee clouds een fout die de oplevering vertraagde.
Kanttekeningen
- Alle cijfers komen uit een conferentielezing van de medewerker van Delivery Hero die de ontwikkeling van AI-oplossingen leidt en namens het bedrijf spreekt. Ze zijn niet onafhankelijk bevestigd.
- De spreker noemt tegenstrijdige aantallen gegenereerde afbeeldingen (meer dan 100.000 en daarna ongeveer een miljoen), dus alleen het aantal producten met gegenereerde afbeeldingen wordt gebruikt.
- De daling van 85% wordt genoemd zonder de basis in seconden. De enige basis in de lezing, ongeveer drie minuten per afbeelding voor standaard Stable Diffusion op een T4-GPU, betreft een andere opzet.
- De lezing geeft geen livegangdatum en geen teamgrootte of totale doorlooptijd. De getoonde uitrooldatum is de opnamedatum op de InfoQ-pagina (de aankondigingsdatum); de werkelijke livegang is eerder en onbekend. De lezing noemt de beursgang van Talabat als vorig jaar.
- Het resultaat van de A/B-test wordt als bereik genoemd, zonder steekproefgrootte of duur. Delivery Hero zegt dat afbeeldingen worden gemarkeerd als alleen ter illustratie.
- Het model is een beeldmodel, geen tekstmodel. Juggernaut V9 is een communityvariant van Stable Diffusion, dus de toewijzing aan Stability AI is een benadering.
Bronnen
- AI for Food Image Generation in Production: How & Why
InfoQ (QCon London 2025, talk by Iaroslav Amerkhanov of Delivery Hero) · 2025-08-27 · Congrespresentatie · infoq.com
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.