Αναγνώριση εικόνας στη συσκευή για αυτοματοποιημένους ελέγχους λιανικής : ODIN By ParallelDots

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Αυτοματοποιημένοι έλεγχοι λιανικής που χρησιμοποιούν Image Recognition έχουν αποκτήσει δημοτικότητα τα τελευταία χρόνια με πολλούς κατασκευαστές CPG να δοκιμάζουν τη λύση, ή σε προχωρημένα στάδια εφαρμογής της σε παγκόσμιο επίπεδο. Ωστόσο, σύμφωνα με το Έκθεση POI, το κόστος και η ταχύτητα αποτελούν βασικές ανησυχίες, αποτρέποντας την ευρεία υιοθέτηση αυτής της λύσης αλλαγής παιχνιδιών

Αναγνώριση εικόνας για παρακολούθηση εκτέλεσης λιανικής γίνεται δημοφιλής λόγω της εξοικονόμησης χρόνου και της υψηλής ακρίβειας που μπορεί να προσφέρει σε σύγκριση με τους μη αυτόματους ελέγχους καταστημάτων. Σύμφωνα με Έκθεση Gartner, Η τεχνολογία αναγνώρισης εικόνας μπορεί να αυξήσει την παραγωγικότητα του δυναμικού πωλήσεων, να βελτιώσει τις πληροφορίες κατάστασης στο ράφι και να βοηθήσει στην αύξηση των πωλήσεων.

Παρά τα αποδεδειγμένα οφέλη της τεχνολογίας αναγνώρισης εικόνων, πρακτικά ζητήματα όπως το υψηλό κόστος εφαρμογής και οι αργοί χρόνοι ανάκαμψης έχουν κρατήσει χαμηλή την υιοθέτηση αυτής της λύσης. Εμείς, στις ParallelDots, εργάστηκαν σκληρά στην προσπάθεια αντιμετώπισης αυτών των ζητημάτων ξεκινώντας τη λύση αναγνώρισης εικόνας στη συσκευή μας, ODIN. Με το ODIN, όλες οι εικόνες που τραβήχτηκαν από τους αντιπροσώπους θα υποβληθούν σε επεξεργασία στη φορητή συσκευή τους, καταργώντας έτσι την ανάγκη χρήσης μιας ενεργής σύνδεσης στο διαδίκτυο και διαδικασιών ελέγχου ποιότητας για τη δημιουργία αναφορών KPI. Σε αυτό το blogpost, θα συζητήσουμε την προσέγγισή μας στο ODIN και γιατί αυτό θα μπορούσε να αλλάξει το παιχνίδι για εταιρείες CPG όλων των μεγεθών, που θέλουν να εφαρμόσουν τέλεια προγράμματα καταστημάτων.

Γιατί η Αναγνώριση εικόνας στη συσκευή αλλάζει το παιχνίδι για τους αυτοματοποιημένους ελέγχους λιανικής

Οι τρέχοντες προηγμένοι αλγόριθμοι αναγνώρισης εικόνας χρειάζονται ισχυρούς διακομιστές, όπως GPU, για να αποδίδουν αποτελεσματικά. Αυτός ο τύπος υπολογιστικής ισχύος μπορεί να διατεθεί μέσω της σύγχρονης υποδομής υπολογιστικού νέφους. Ωστόσο, αυτό σημαίνει ότι καθώς οι εκπρόσωποι πεδίου τραβούν φωτογραφίες στο κατάστημα, αυτές οι φωτογραφίες πρέπει να μεταφορτωθούν στους διακομιστές cloud πριν KPI ραφιών μπορεί να υπολογιστεί από αυτές τις φωτογραφίες. Αυτή η διαδικασία λειτουργεί καλά σε καταστήματα με σύνδεση Wi-Fi ή καλή σύνδεση στο Internet 4G.

Ωστόσο, η σύνδεση στο Διαδίκτυο μπορεί να μην είναι καλή σε πολλές περιοχές ή με υπόγεια καταστήματα. Για τέτοια καταστήματα, η λήψη αναφοράς KPI δεν είναι δυνατή ενώ ο εκπρόσωπος βρίσκεται ακόμα στο κατάστημα. Σε τέτοιες περιπτώσεις, η αναγνώριση εικόνας στη συσκευή θα μπορούσε να λειτουργήσει πολύ καλά για να διασφαλίσει ότι οι εκπρόσωποι θα λάβουν σχόλια σχετικά με τις φωτογραφίες που τραβούν, χωρίς να απαιτείται από τους να συνδεθούν στο διαδίκτυο.

Επίσης, η τεχνολογία αναγνώρισης εικόνας λειτουργεί καλά σε εικόνες υψηλής ποιότητας. Αυτό σημαίνει ότι μπορεί να χρειαστεί λίγος χρόνος για τη μεταφόρτωση των εικόνων, ακόμη και σε περιοχές που προσφέρουν αξιοπρεπή διαθεσιμότητα δικτύου. Αυτό μπορεί να οδηγήσει σε σενάρια όπου οι εκπρόσωποι των πεδίων πρέπει να περιμένουν επιπλέον χρόνο πριν από τη μεταφόρτωση των εικόνων τους, την επεξεργασία στο διακομιστή cloud και, στη συνέχεια, τα αποτελέσματα αποστέλλονται πίσω στον εκπρόσωπο. Η αναγνώριση στη συσκευή εξαλείφει αυτό το ζήτημα και παράγει το αποτέλεσμα αμέσως. Οι εκπρόσωποι των πεδίων έχουν περισσότερες πληροφορίες σε δευτερόλεπτα, αντί να περιμένουν 5-10 λεπτά. Αυτό καθιστά την έξοδο πιο ενεργή και δεν ξοδεύεται χρόνος για να περιμένουμε την ανάλυση AI.

Συμμετέχουσες προκλήσεις-

Για τη διεξαγωγή αυτοματοποιημένων ελέγχων λιανικής που χρησιμοποιούν αναγνώριση εικόνας για να λειτουργούν αποτελεσματικά, απαιτούνται εικόνες καλής ποιότητας. Ακόμη και μικρές αλλαγές στην ποιότητα της εικόνας μπορούν να οδηγήσουν σε μείωση της ακρίβειας κατά την εκτέλεση της αναγνώρισης εικόνας. Αυτό είναι υψίστης σημασίας για την ακρίβεια του μοντέλου όρασης υπολογιστή που εκτελείται στη συσκευή.

Επίσης, η απόκτηση του σωστού όγκου δεδομένων υψηλής ποιότητας για την αναγνώριση εικόνας μπορεί να είναι δύσκολη. Σχεδόν κανένας από τους κατασκευαστές CPG δεν διαθέτει άμεσα διαθέσιμη βάση δεδομένων με ετικέτες των εικόνων καταστήματος. Έτσι, ένα από τα μεγαλύτερα εμπόδια για να ξεκινήσετε με την αναγνώριση εικόνας στη συσκευή είναι ο χρόνος παράδοσης και το κόστος που σχετίζεται με τη δημιουργία μιας τέτοιας βάσης δεδομένων.

Εξάλλου, κυκλοφορούν νέα προϊόντα ή η συσκευασία του προϊόντος έχει αλλάξει - συνεπώς, πραγματοποιείται συνεχής εκπαίδευση και επανεκπαίδευση του AI για να το ενημερώνετε. Προσθέστε στο γεγονός ότι ο μεγάλος όγκος δεδομένων για τις εκκινήσεις νέων προϊόντων θα χρειαστεί λίγος χρόνος για να συσσωρευτεί, προτού η AI μπορεί ακόμη και να εκπαιδευτεί στο ίδιο.

Ορισμένα γεγονότα που πρέπει να λάβετε υπόψη πριν επιλέξετε την αναγνώριση εικόνας στη συσκευή -

Υπάρχει πάντα μια αντιστάθμιση μεταξύ της ακρίβειας και της ταχύτητας των πληροφοριών και επομένως, μια ιδανική λύση θα βρει την βέλτιστη τιμή για να κάνει τη λύση πρακτική. Επομένως, τα στελέχη CPG θα πρέπει να αξιολογήσουν ποιος θα είναι ο αντίκτυπος της χαμηλότερης ακρίβειας ή των πιο αργών πληροφοριών πριν επιλέξει την αναγνώριση εικόνας στη συσκευή.

Είναι σημαντικό να σημειωθεί ότι εδώ αναφερόμαστε σε μικρές διαφορές στην ακρίβεια και την ταχύτητα καθώς αναγνωρίζουμε ότι μια ιδανική λύση θα είναι ακριβής και πολύ γρήγορη. Ένας κατασκευαστής CPG μπορεί να είναι σε θέση να αναπτύξει ένα μοντέλο ακριβούς επιπέδου SKU 91% στη συσκευή με χαμηλότερο χρόνο και κόστος εγκατάστασης, από ό, τι μπορεί να χρειαστεί για την ανάπτυξη ενός ακριβούς μοντέλου 98%. Ωστόσο, εάν η υψηλή ακρίβεια είναι κρίσιμη για αυτούς (λόγω κίνητρα λιανικής), μπορούν να επιλέξουν διαδικτυακή αναγνώριση εικόνων που επιτρέπει μια διαδικασία ελέγχου ποιότητας για να διασφαλιστεί μεγαλύτερη ακρίβεια. Ωστόσο, αυτό σημαίνει ότι οι εκπρόσωποι θα πρέπει να περιμένουν να φορτωθούν οι εικόνες, να υποβληθούν σε επεξεργασία, να ελεγχθεί η ποιότητα και, στη συνέχεια, να περιμένουν τη λήψη της αναφοράς στη συσκευή τους προτού έχουν πρόσβαση στα KPI.

Για πρακτικούς σκοπούς, μπορεί επίσης να λειτουργήσει μια λύση 91%. Μια 91% ακριβής λύση θα σήμαινε ότι, από 50 μοναδικά SKU διαθέσιμα στο ράφι, το AI μπορεί να μην επιλέξει ~ 4 SKU σωστά. Δεδομένου του χρονικού διαστήματος που οι εκπρόσωποι των πεδίων μπορούν να εξοικονομήσουν ευγενική αναγνώριση στη συσκευή, μπορεί να είναι ένας καλύτερος συμβιβασμός από το να τους αφήσουμε να περιμένουν τις αναφορές που δημιουργούνται στη διαδικτυακή λειτουργία (ακόμα και αν είναι 98% ακριβείς). Μπορούν απλώς να αγνοήσουν τις λανθασμένες προβλέψεις που έγιναν από το AI και να λάβουν μέτρα για τις σωστές.

Η χρήση αυτής της λύσης είναι παρόμοια με το να ζητάς από τη Siri να παίξει ένα τραγούδι, τις περισσότερες φορές θα καταλάβει σωστά το τραγούδι που της ζητήσαμε να παίξει, αλλά σε μερικές περιπτώσεις, μπορεί να μην καταλάβει το αίτημά μας και να παίξει ένα διαφορετικό τραγούδι. Στη δική μου δοκιμή με το Siri, έχω διαπιστώσει ότι είναι 80% ακριβές όταν πρόκειται για αναπαραγωγή τραγουδιών από τη φωνητική μου εντολή, καθώς στα δέκα αιτήματα, δεν μπορούσε να ικανοποιήσει τα δύο αιτήματά μου. Ωστόσο, ένας συμβιβασμός που είμαι περισσότερο από πρόθυμος να κάνω από το άνοιγμα μιας εφαρμογής, την περιήγηση ή την αναζήτηση ενός τραγουδιού είναι πιο δυσκίνητη (100% ακριβής λύση) από το να ζητώ από το Siri να το παίξει.

ODIN by ParallelDots: Αναγνώριση εικόνας στη συσκευή για αυτοματοποιημένους ελέγχους λιανικής

ODIN by ParallelDots - Αναγνώριση εικόνας στη συσκευή για αυτοματοποιημένους ελέγχους λιανικής με ακρίβεια και ταχύτητα για CPG

Ένας από τους μεγαλύτερους περιορισμούς των λύσεων ελέγχου με δυνατότητα AI είναι η άμεση παροχή ακριβών αποτελεσμάτων. Για υψηλή ακρίβεια, η απαιτούμενη υπολογιστική ισχύς είναι υψηλή. Ωστόσο, οι φορητές συσκευές που χρησιμοποιούνται από αντιπροσώπους έχουν περιορισμένους υπολογιστικούς πόρους και πρέπει να προσέξουμε να αποφύγετε την υπερβολική κατανάλωση μπαταρίας της συσκευής αντιπροσώπων, μήπως πρέπει να φορτίσει τη συσκευή του μετά από κάθε 2 ή 3 επισκέψεις. Εδώ κερδίζει η λύση ODIN του ParallelDots. Η ομάδα της επιστήμης δεδομένων μας κατάφερε να βελτιστοποιήσει τον αλγόριθμό μας με τέτοιο τρόπο, ώστε Ρολόι Shelf σας δίνει το καλύτερο και των δύο κόσμων - ακρίβεια και ταχύτητα.

Με το ODIN, η λύση μας μπορεί να αναγνωρίσει κάθε SKU στη φωτογραφία και τη θέση της χωρίς να απαιτείται η μεταφόρτωση των φωτογραφιών στο cloud για επεξεργασία. Αυτό σημαίνει ότι οι επαναλήπτες μπορούν να δουν αμέσως το λείπουν SKU σύμφωνα με τη λίστα MSL και εντοπίστε τα εσφαλμένα τοποθετημένα SKU (όπως η τοποθέτηση επωνυμιών premium στο κάτω ράφι). Το ODIN διαθέτει επίσης εντελώς ενσωματωμένη λύση βαθμολόγησης ποιότητας εικόνας εκτός σύνδεσης, η οποία ζητά από τον εκπρόσωπο να επαναλάβει τις φωτογραφίες, εάν οι φωτογραφίες δεν είναι της βέλτιστης ποιότητας για αναγνώριση φωτογραφιών.

Όσον αφορά την αναγνώριση εικόνας στη συσκευή, συνιστούμε στους πελάτες μας να την αναπτύξουν για περιορισμένο αριθμό SKU και KPI. Επίσης, δεδομένου ότι οι έλεγχοι ποιότητας δεν είναι δυνατοί με την επεξεργασία στη συσκευή, είναι σημαντικό να εκπαιδεύσετε ένα πολύ ακριβές μοντέλο πριν από την έναρξη του έργου για να διασφαλίσετε ότι η AI έχει δει αρκετά δείγματα κάθε SKU σε διαφορετικά περιβάλλοντα και υπό διαφορετικούς προσανατολισμούς. Επομένως, προτείνουμε στον πελάτη μας μια μεγαλύτερη περίοδο ρύθμισης για τη συλλογή δεδομένων υψηλής ποιότητας και στη συνέχεια την εκπαίδευση ενός μοντέλου σε αυτό. Μόλις αναπτυχθεί, το ODIN εξακολουθεί να χρειάζεται ανθρώπινη ανατροφοδότηση και ζητάμε από τους εκπροσώπους να παρέχουν σχόλια σχετικά με την έξοδο του μοντέλου έτσι ώστε η AI να μπορεί να μάθει από αυτά τα σχόλια και να γίνει καλύτερη.

Πώς να προετοιμαστείτε για αναγνώριση εικόνας στη συσκευή -

Η αναγνώριση εικόνας στη συσκευή προσφέρει τεράστιο εύρος. Για την υλοποίησή του με επιτυχία, απαιτούνται ορισμένα παρασκευάσματα. Η πρότασή μας είναι να ξεκινήσετε πρώτα με τη διαδικτυακή λειτουργία και να αφήσετε το AI να εκπαιδευτεί σε μια ποικιλία εικόνων SKU πριν μετακινηθείτε στη λειτουργία της συσκευής. Το CPG μπορεί πρώτα να αναπτύξει τα κορυφαία KPI ορατότητας λιανικής στην κατάσταση λειτουργίας της συσκευής.

Επιπλέον, στρατηγικές γνώσεις όπως ανταγωνιστικές πληροφορίες και αναγνώριση εμφάνισης τιμών μπορεί να παρακολουθείται σε διαδικτυακή λειτουργία, καθώς αυτό ενδέχεται να μην απαιτεί γρήγορες, διορθωτικές ενέργειες.

Το CPG θα πρέπει επίσης να διασφαλίσει ότι οι εκπρόσωποι των πεδίων τους είναι καλά εκπαιδευμένοι όταν πρόκειται για τις οδηγίες λήψης ιδανικών εικόνων. Αυτό θα ήταν χρήσιμο στην παραγωγή πολύ ακριβών αναφορών αναγνώρισης SKU πριν από τη μετάβαση στη λειτουργία συσκευής.

Η αναγνώριση εικόνας στη συσκευή είναι ένα από τα βασικά χαρακτηριστικά που θα βοηθήσουν τους κατασκευαστές CPG να παρακολουθούν ακόμη και τα απομακρυσμένα καταστήματά τους και να βελτιώνουν την εκτέλεση λιανικής για αυτούς. Ο αντίκτυπος των αντιπροσώπων να είναι σε θέση να δράσουν τις στιγμιαίες αναφορές μπορεί στη συνέχεια να οδηγήσει σε βελτιωμένη ικανοποίηση των πελατών, οδηγώντας σε βελτιωμένη υγεία της μάρκας και καλύτερες πωλήσεις. Στην εποχή μετά το COVID, οι πελάτες δεν θα δώσουν δεύτερη ευκαιρία σε εκείνες τις μάρκες που έχουν διακυμάνσεις διαθεσιμότητας στα ράφια, καθώς θα επιλέξουν ένα εναλλακτικό προϊόν ή θα μεταβούν σε κανάλια ηλεκτρονικού εμπορίου.

Σας άρεσε το ιστολόγιο; Δείτε τα άλλα μας ιστολόγια για να δείτε πώς η τεχνολογία αναγνώρισης εικόνας μπορεί να βοηθήσει τις επωνυμίες να βελτιώσουν τις στρατηγικές εκτέλεσης στο λιανικό εμπόριο.

Θέλετε να δείτε την απόδοση της επωνυμίας σας στα ράφια; Κάντε κλικ εδώ για να προγραμματίσετε μια δωρεάν επίδειξη για το ShelfWatch.