Billedgenkendelse på enheden til automatiserede detailrevisioner: ODIN af ParallelDots

Automatiserede detailrevisioner ved hjælp af billedgenkendelse har vundet popularitet i de seneste år, hvor mange CPG-producenter har afprøvet løsningen, eller i avancerede stadier med at implementere den globalt. Men i henhold til POI-rapport, omkostninger og hastighed er de største bekymringer, hvilket forhindrer den udbredte anvendelse af denne game-changer-løsning

Billedgenkendelse til sporing af detailudførelse er ved at blive populær på grund af den tidsbesparelse og høje nøjagtighed, den kan levere sammenlignet med manuelle butikstjek. Som pr Gartner rapport, Billedgenkendelsesteknologi kan øge salgsstyrkens produktivitet, forbedre indsigt i hyldetilstanden og hjælpe med at drive trinvis salg. 

På trods af alle de dokumenterede fordele ved billedgenkendelsesteknologi har praktiske problemer såsom høje implementeringsomkostninger og langsomme ekspeditionstider holdt vedtagelsen af ​​denne løsning lavt. Vi, kl Parallelle Dots, har arbejdet hårdt på at løse disse problemer ved at lancere vores billedgenkendelsesløsning på enheden, ODIN. Med ODIN vil alle billeder, der tages af reps, blive behandlet på deres håndholdte enhed, hvilket gør det op med behovet for at bruge en aktiv internetforbindelse og kvalitetskontrolprocesser til at generere KPI-rapporter. I dette blogindlæg vil vi diskutere vores tilgang til ODIN, og hvorfor dette kunne være spilskiftende for CPG-virksomheder af alle størrelser, som ønsker at implementere deres perfekte butiksprogrammer.

Hvorfor On-Device Image Recognition ændrer spillet for Automated Retail Audits

Nuværende avancerede billedgenkendelsesalgoritmer har brug for kraftfulde servere såsom GPU'er for at yde effektivt. Denne type computerkraft kan gøres tilgængelig gennem moderne cloud computing-infrastruktur. Dette betyder dog, at da feltrepræsentanter tager billeder i butikken, skal disse billeder uploades til cloud-serverne inden hylde KPI'er kan beregnes ud fra disse billeder. Denne proces fungerer godt i butikker med Wi-Fi-forbindelse eller god 4G-internetforbindelse.

Dog er internetforbindelse muligvis ikke god i mange områder eller med underjordiske butikker. For sådanne butikker er det ikke muligt at få en KPI-rapport, mens repræsentanten stadig er i butikken. I sådanne tilfælde kunne billedgenkendelse på enheden fungere meget godt for at sikre, at reps får feedback på de billeder, de tager, uden at kræve, at de går online. 

Billedgenkendelsesteknologien fungerer også godt på billeder i høj kvalitet. Hvilket betyder, at det kan tage et stykke tid for billederne at blive uploadet, selv i områder, der tilbyder anstændig netværkstilgængelighed. Dette kan føre til scenarier, hvor feltrepræsentanter skal vente i yderligere tid, før deres billeder uploades, behandles i cloud-serveren, og derefter sendes resultaterne tilbage til repræsentanten. Genkendelse på enheden eliminerer dette problem og producerer resultatet øjeblikkeligt. Feltrepræsentanter får indsigt på få sekunder i stedet for at vente i 5-10 minutter. Dette gør outputtet mere anvendeligt, og der bruges ingen tid på at vente på AI-analyse.

Udfordringer involveret-

For at udføre automatiserede detailrevisioner, der bruger billedgenkendelse til at fungere effektivt, kræves billeder af god kvalitet. Selv små ændringer i billedkvaliteten kan føre til et fald i nøjagtigheden, når du udfører billedgenkendelse. Dette er altafgørende for nøjagtigheden af ​​den computervisionsmodel, der kører på enheden.

Det kan også være en udfordring at få den rigtige mængde træningsdata af høj kvalitet med henblik på billedgenkendelse. Næsten ingen af ​​CPG-producenterne har en let tilgængelig mærket database med butiksbilleder. En af de største forhindringer for at komme i gang med billedgenkendelse på enheden er således gennemløbstiden og omkostningerne forbundet med at oprette en sådan database. 

I øvrigt, nye produkter lanceres eller produktemballage ændres – derfor udføres konstant træning og genoptræning af AI for at holde den opdateret. Læg dertil, at den høje mængde data for nye produktlanceringer ville tage noget tid at akkumulere, før AI'en overhovedet kan trænes på det samme.

Nogle fakta at overveje, før du vælger billedgenkendelse på enheden –

Der er altid en afvejning mellem nøjagtighed og hastighed af indsigt, og derfor vil en ideel løsning finde den mest optimale værdi for at gøre løsningen praktisk. Derfor bliver CPG-ledere nødt til at vurdere, hvad der vil være virkningen af ​​en lavere nøjagtighed eller langsommere indsigt, før de vælger billedgenkendelse på enheden. 

Det er vigtigt at bemærke, at vi her henviser til små forskelle i nøjagtighed og hastighed, da vi anerkender, at en ideel løsning vil være nøjagtig og meget hurtig. En CPG-producent kan muligvis implementere en nøjagtig model på 91 % SKU-niveau på enheden med lavere opsætningstid og -omkostninger, end hvad det kunne tage for at implementere en 98 % nøjagtig model. Men hvis høj nøjagtighed er kritisk for dem (pga forhandlerincitamenter), kan de vælge online billedgenkendelse, som giver mulighed for en kvalitetskontrolproces for at sikre højere nøjagtighed. Dette betyder dog, at repræsentanter skal vente på, at billederne bliver uploadet, behandlet, kvalitetskontrolleret og derefter vente på, at rapporten bliver downloadet på deres enhed, før de kan få adgang til KPI'erne. 

Til praktiske formål kan en 91 % løsning også fungere. En 91 % nøjagtig løsning ville betyde, at ud af f.eks. 50 unikke SKU'er tilgængelige på hylden, kan AI muligvis ikke vælge ~4 SKU'er korrekt. I betragtning af den tid, som feltrepræsentanterne kan spare høflighedsgenkendelse på enheden, kan det være et bedre kompromis end at lade dem vente på rapporterne, der genereres i onlinetilstand (selvom det kan være 98 % nøjagtige). De kan simpelthen ignorere de forkerte forudsigelser fra AI'en og gribe ind over for de rigtige.

At bruge denne løsning svarer til at bede Siri om at spille en sang, det meste af tiden vil hun forstå den sang, vi bad hende om at spille, men ved nogle få lejligheder forstår hun måske ikke vores anmodning og spiller en anden sang. I min egen test med Siri har jeg fundet ud af, at det er 80 % nøjagtigt, når det kommer til at spille sange fra min stemmekommando, da hun ud af ti anmodninger ikke kunne opfylde mine to anmodninger. Alligevel er et kompromis, jeg er mere end villig til at tage, da åbning af en app, browsing eller søgning efter en sang er mere besværligt (100 % nøjagtig løsning) end at bede Siri om at spille den.

ODIN by ParallelDots: Billedgenkendelse på enheden til automatiseret detailrevision

En af de største begrænsninger ved AI-aktiverede revisionsløsninger er at give nøjagtige resultater med det samme. For at levere høj nøjagtighed er den nødvendige computerkraft høj. Håndholdte enheder, der bruges af reps, har dog begrænsede computerressourcer, og man skal være forsigtig med at undgå for stort batteriforbrug af reps' enhed, så han ikke skal oplade sin enhed efter hvert 2 eller 3 besøg. Det er her ParallelDots' ODIN-løsning vinder. Vores datavidenskabsteam har haft held med at optimere vores algoritme på en sådan måde, at ShelfWatch giver dig det bedste fra begge verdener – nøjagtighed og hastighed.  

Med ODIN kan vores løsning identificere hver SKU på billedet og dens placering uden at kræve, at billederne uploades til skyen til behandling. Dette betyder, at reps med det samme kan se manglende SKU'er i henhold til MSL-listen og identificer de forkert placerede SKU'er (såsom at placere premium-mærker på nederste hylde). ODIN har også en fuldstændig offline billedkvalitetsgraderingsløsning indbygget, som beder repræsentanten om at tage billeder igen, hvis billederne ikke er af den optimale kvalitet til at udføre fotogenkendelse.

Når det kommer til billedgenkendelse på enheden, anbefaler vi vores kunder at implementere det til et begrænset antal SKU'er og KPI'er. Da kvalitetstjek ikke er muligt med behandling på enheden, er det vigtigt at træne en meget nøjagtig model inden projektets start for at sikre, at AI har set nok prøver af hver SKU i forskellige miljøer og under forskellige orienteringer. Derfor anbefaler vi vores klient en længere opsætningsperiode for at indsamle data af høj kvalitet og derefter træne en model på det. Når den først er implementeret, har ODIN stadig brug for menneskelig feedback, og vi beder reps om at give feedback på modellens output, så AI kan lære af disse feedbacks og blive bedre.

Sådan forbereder du dig til billedgenkendelse på enheden –

Billedgenkendelse på enheden bringer enormt omfang med sig. Til implementere det med succes, visse forberedelser er påkrævet. Vores anbefaling er først at starte med online-tilstanden og lade AI'en blive trænet på en række forskellige SKU-billeder, før du derefter går over til on-device-tilstand. CPG'en kan først implementere deres bedste detailsynlighed-KPI'er i tilstanden på enheden.

Desuden strategisk indsigt som konkurrenceinformation og prisvisningsgenkendelse kan spores i online-tilstand, da dette muligvis ikke kræver hurtige, afhjælpende handlinger.

CPG'en bør også sikre, at deres feltrepræsentanter er veluddannede, når det kommer til retningslinjerne for at tage ideelle billeder. Dette ville være nyttigt til at producere meget nøjagtige SKU-genkendelsesrapporter, før du skifter til tilstanden på enheden.

Billedgenkendelse på enheden er en af ​​nøglefunktionerne, der vil hjælpe CPG-producenter med at holde øjnene på selv deres fjernbutikker og forbedre detailudførelsen for dem. Virkningen af, at reps er i stand til at handle i de øjeblikkelige rapporter, kan derefter føre til forbedret kundetilfredshed, hvilket fører til forbedret brandsundhed og bedre salg. I post-COVID-æraen vil kunderne ikke give en ny chance til de mærker, der har svingende tilgængelighed på hylderne, da de vil vælge et alternativt produkt eller flytte til e-handelskanaler. 

Kunne du lide bloggen? Tjek vores anden blogs for at se, hvordan billedgenkendelsesteknologi kan hjælpe brands med at forbedre deres eksekveringsstrategier i detailhandlen.

Vil du se, hvordan dit eget brand klarer sig på hylderne? Klik link. for at planlægge en gratis demo til ShelfWatch.

Kilde: https://blog.paralleldots.com/product/automated-retail-audits-on-device-image-recognition-by-paralleldots/