Seadmesisene pildituvastus automaatsete jaemüügiauditite jaoks: ODIN by ParallelDots

Pildituvastust kasutavad automaatsed jaemüügiauditid on viimastel aastatel populaarsust kogunud, kuna paljud CPG-tootjad on lahendust proovinud või selle ülemaailmselt juurutamise edasijõudnud staadiumis. Kuid vastavalt POI aruanne, kulu ja kiirus on peamised probleemid, mis takistavad selle mängu muutva lahenduse laialdast kasutuselevõttu

Pildituvastus jaemüügi teostamise jälgimiseks on muutumas populaarseks aja kokkuhoiu ja suure täpsuse tõttu, mida see võimaldab võrreldes käsitsi poe kontrollimisega. Kohta Gartneri aruanne, Pildituvastustehnoloogia võib suurendada müügipersonali tootlikkust, parandada riiulite seisukorda ja aidata suurendada müüki. 

Vaatamata kõigile pildituvastustehnoloogia tõestatud eelistele, on praktilised probleemid, nagu kõrged juurutamiskulud ja aeglane töötlemisaeg, hoidnud selle lahenduse kasutuselevõtu madalal. Meie, kl ParallelDots, on olnud nende probleemide lahendamiseks kõvasti tööd teinud käivitades meie seadmesisese pildituvastuslahenduse ODIN. ODIN-i abil töödeldakse kõiki esindajate jäädvustatud pilte nende käeshoitavas seadmes, mis kaotab vajaduse kasutada KPI-aruannete loomiseks aktiivset Interneti-ühendust ja kvaliteedikontrolli protsesse. Selles ajaveebipostituses käsitleme oma lähenemisviisi ODIN-ile ja seda, miks see võib olla muutlik igas suuruses CPG ettevõtete jaoks, kes soovivad oma täiuslikud poeprogrammid.

Miks muudab seadmesisene pildituvastus automaatsete jaemüügiauditite jaoks mängu?

Praegused tipptasemel pildituvastusalgoritmid vajavad tõhusaks toimimiseks võimsaid servereid, näiteks GPU-sid. Seda tüüpi arvutusvõimsust saab teha kättesaadavaks tänapäevase pilvandmetöötluse infrastruktuuri kaudu. See aga tähendab, et kuna väliesindajad poes pildistavad, tuleb need fotod enne pilveserveritesse üles laadida. riiuli KPI-d saab nende fotode järgi arvutada. See protsess toimib hästi poodides, kus on WiFi-ühendus või hea 4G internetiühendus.

Interneti-ühendus ei pruugi aga paljudes piirkondades või maa-aluste kaupluste puhul hea olla. Selliste kaupluste puhul ei ole KPI aruannet võimalik saada, kui esindaja on veel poes. Sellistel juhtudel võib seadmesisene pildituvastus väga hästi toimida, et esindajad saaksid tehtud fotode kohta tagasisidet, ilma et nad peaksid võrku minema. 

Samuti töötab pildituvastustehnoloogia hästi kvaliteetsete piltide puhul. Mis tähendab, et piltide üleslaadimine võib võtta veidi aega, isegi piirkondades, kus võrguühendus on korralik. See võib viia stsenaariumideni, kus väljaku esindajad peavad ootama lisaaega, enne kui nende pildid laaditakse üles, töödeldakse pilveserveris ja seejärel saadetakse tulemused esindajale tagasi. Seadmesisene tuvastamine kõrvaldab selle probleemi ja annab tulemuse koheselt. Väljakukordajad saavad ülevaate sekunditega, selle asemel, et oodata 5–10 minutit. See muudab väljundi paremini kasutatavaks ja AI analüüsi ootamisele ei kuluta aega.

Kaasatud väljakutsed -

Pildituvastuse tõhusaks toimimiseks kasutatavate automaatsete jaemüügiauditite läbiviimiseks on vaja kvaliteetseid pilte. Isegi väikesed muutused pildikvaliteedis võivad pildituvastuse tegemisel põhjustada täpsuse languse. See on seadmes töötava arvutinägemismudeli täpsuse jaoks ülimalt oluline.

Samuti võib pildituvastuse eesmärgil vajaliku hulga kvaliteetsete treeningandmete hankimine olla keeruline. Peaaegu ühelgi CPG-tootjal pole hõlpsasti kättesaadavat poepiltide märgistatud andmebaasi. Seega on seadmesisese pildituvastusega alustamise üks suuremaid takistusi sellise andmebaasi loomisega seotud teostusaeg ja kulud. 

Enamgi veel, tulevad turule uued tooted või muudetakse tootepakendit – seetõttu tehakse tehisintellekti pidevat koolitust ja ümberõpet, et seda ajakohasena hoida. Lisage veel tõsiasi, et uute toodete turuletoomiseks vajaliku suure andmehulga kogunemine võtab aega, enne kui tehisintellekti saab selle kohta isegi koolitada.

Mõned faktid, mida tuleks enne seadmesisese pildituvastuse valimist arvestada –

Teadmiste täpsuse ja kiiruse vahel on alati kompromiss ning seetõttu leiab ideaalne lahendus optimaalseima väärtuse, et muuta lahendus praktiliseks. Seetõttu peavad CPG juhid enne seadmesisese pildituvastuse valimist hindama, milline on madalama täpsuse või aeglasema ülevaate mõju. 

Oluline on märkida, et siin peame silmas väikseid erinevusi täpsuses ja kiiruses, kuna tunnistame, et ideaalne lahendus on täpne ja väga kiire. CPG-tootja võib olla võimeline juurutama 91% SKU tasemel täpse mudeli seadmes väiksema seadistamisaja ja -kuludega kui 98% täpse mudeli juurutamiseks kuluv kulu. Kui aga suur täpsus on nende jaoks kriitilise tähtsusega (tingituna jaemüüjate stiimulid), võivad nad valida veebipõhise pildituvastuse, mis võimaldab suurema täpsuse tagamiseks kvaliteedikontrolli protsessi. See aga tähendab, et esindajad peavad ootama, kuni pildid üles laaditakse, töödeldakse ja kvaliteeti kontrollitakse, ja seejärel ootama, kuni aruanne nende seadmesse alla laaditakse, enne kui nad pääsevad KPI-dele juurde. 

Praktilistel eesmärkidel võib toimida ka 91% lahus. 91% täpsusega lahendus tähendaks, et 50 ainulaadsest riiulil olevast SKU-st ei pruugi AI õigesti valida ~4 SKU-d. Arvestades, kui palju aega võivad välikordajad säästa viisakalt seadme tuvastamisel, võib see olla parem kompromiss kui lasta neil oodata võrgurežiimis genereeritud aruandeid (isegi kui need võivad olla 98% täpsed). Nad võivad lihtsalt ignoreerida tehisintellekti tehtud valesid ennustusi ja võtta õigete ennustustega meetmeid.

Selle lahenduse kasutamine sarnaneb Siri laulu esitamise palumisega. Enamasti saab ta õigesti aru laulust, mida palusime tal esitada, kuid mõnel juhul ei pruugi ta meie soovist aru saada ja esitab teist laulu. Minu enda testis Siriga leidsin, et see on minu häälkäsklusest lugude esitamisel 80% täpne, kuna kümnest taotlusest ei suutnud ta minu kahte taotlust täita. Siiski on kompromiss, mida olen rohkem kui nõus tegema, kuna rakenduse avamine, sirvimine või loo otsimine on tülikam (100% täpne lahendus) kui Siri palumine seda esitada.

ODIN by ParallelDots: seadmesisene pildituvastus automaatsete jaemüügiauditite jaoks

AI-toega auditilahenduste üks suurimaid piiranguid on anda koheselt täpseid tulemusi. Suure täpsuse tagamiseks on vajalik arvutusvõimsus suur. Esindajate kasutatavatel pihuseadmetel on aga piiratud arvutusressursid ja tuleb olla ettevaatlik, et vältida esindajate seadme aku liigset kulutamist, et ta ei pea oma seadet iga 2-3 külastuse järel laadima. Siin võidab ParallelDotsi ODIN-lahendus. Meie andmeteaduse meeskonnal on õnnestunud optimeerida meie algoritm sellisel viisil, et ShelfWatch annab teile mõlemast maailmast parima – täpsuse ja kiiruse.  

ODIN-i abil saab meie lahendus tuvastada iga SKU fotol ja selle asukoha, ilma et oleks vaja fotosid töötlemiseks pilve üles laadida. See tähendab, et esindajad näevad kohe puuduvad SKU-d vastavalt MSL-i loendile ja tuvastage valesti paigutatud SKU-d (nt esmaklassilised kaubamärgid alumisele riiulile). ODIN-il on sisse ehitatud ka täiesti võrguühenduseta pildikvaliteedi hindamislahendus, mis palub esindajal fotosid uuesti teha, kui fotod ei ole fototuvastuse tegemiseks optimaalse kvaliteediga.

Seadmesisese pildituvastuse puhul soovitame oma klientidel seda kasutada piiratud arvu SKU-de ja KPI-de jaoks. Kuna kvaliteedikontroll ei ole seadmesisese töötlemisega võimalik, on oluline enne projekti algust välja õpetada väga täpne mudel, tagamaks, et tehisintellekt on näinud piisavalt iga SKU näidiseid erinevates keskkondades ja eri suundades. Seetõttu soovitame oma kliendil kvaliteetsete andmete kogumiseks ja seejärel mudeli väljaõpetamiseks pikemat seadistamisperioodi. Pärast kasutuselevõttu vajab ODIN endiselt inimeste tagasisidet ja palume esindajatel anda tagasisidet mudeli väljundi kohta, et tehisintellekt saaks nendest tagasisidetest õppida ja paremaks muutuda.

Kuidas valmistuda seadmes pildituvastuseks –

Seadmesisene pildituvastus toob endaga kaasa tohutu ulatuse. Sest selle edukas elluviimine, teatud ettevalmistused on vajalikud. Meie soovitus on esmalt alustada võrgurežiimist ja lasta tehisintellektil treenida erinevate SKU-piltide osas, enne kui siirdute seadmes olevale režiimile. CPG saab esmalt juurutada oma parimad jaemüügi nähtavuse KPI-d seadmesiseses režiimis.

Lisaks on strateegiline arusaam, nagu konkurentsivõimeline teave ja hinna kuvamise tuvastamine saab jälgida võrgurežiimis, kuna see ei pruugi vajada kiireid parandusmeetmeid.

CPG peaks ka tagama, et nende esindused oleksid ideaalsete piltide jäädvustamiseks hästi koolitatud. Sellest oleks abi väga täpsete SKU-tuvastusaruannete koostamisel enne seadmesisesele režiimile lülitumist.

Seadmesisene pildituvastus on üks peamisi funktsioone, mis aitaks CPG-tootjatel hoida silma peal isegi oma kaugpoodidel ja parandada nende jaemüügi täitmist. Mõju, kui esindajad saavad kiiraruannetega toime tulla, võib viia klientide rahulolu paranemiseni, mis toob kaasa parema brändi tervise ja parema müügi. COVID-järgsel ajastul ei anna kliendid teist võimalust nendele kaubamärkidele, mille saadavus riiulitel on kõikuv, sest nad valivad alternatiivse toote või liiguvad e-kaubanduse kanalitele. 

Kas blogi meeldis? Vaadake meie teist blogid et näha, kuidas pildituvastustehnoloogia võib aidata brändidel jaemüügis oma teostusstrateegiaid täiustada.

Kas soovite näha, kuidas teie enda bränd riiulitel toimib? Klõpsake siin ShelfWatchi tasuta demo ajastamiseks.

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