تشخیص تصویر روی دستگاه برای حسابرسی های خرده فروشی خودکار: ODIN توسط ParallelDots

حسابرسی خرده‌فروشی خودکار با استفاده از تشخیص تصویر در سال‌های اخیر با بسیاری از تولیدکنندگان CPG که این راه‌حل را آزمایش می‌کنند یا در مراحل پیشرفته اجرای آن در سطح جهانی هستند، محبوبیت پیدا کرده است. با این حال، همانطور که در گزارش POI، هزینه و سرعت نگرانی های اصلی هستند که از پذیرش گسترده این راه حل تغییر دهنده بازی جلوگیری می کند

تشخیص تصویر برای ردیابی اجرای خرده فروشی به دلیل صرفه جویی در زمان و دقت بالایی که می تواند در مقایسه با چک های فروشگاه دستی ارائه دهد، محبوب شده است. همانطور که در گزارش گارتنر، فناوری تشخیص تصویر می تواند بهره وری نیروی فروش را افزایش دهد، بینش وضعیت قفسه را بهبود بخشد و به افزایش فروش کمک کند. 

علیرغم تمام مزایای ثابت شده فناوری تشخیص تصویر، مسائل عملی مانند هزینه بالای پیاده سازی و زمان های دور کند، پذیرش این راه حل را کم نگه داشته است. ما، در نقطه های موازی، برای حل این مسائل سخت کار کرده اند با راه‌اندازی راه‌حل تشخیص تصویر روی دستگاه، ODIN. با ODIN، تمام تصاویر گرفته شده توسط نمایندگان بر روی دستگاه دستی آنها پردازش می‌شوند، بنابراین نیاز به استفاده از اتصال اینترنتی فعال و فرآیندهای بررسی کیفیت برای تولید گزارش‌های KPI برطرف می‌شود. در این وبلاگ، ما رویکرد خود را در مورد ODIN و اینکه چرا این می‌تواند برای شرکت‌های CPG در هر اندازه‌ای که می‌خواهند خود را پیاده‌سازی کنند، بازی‌ساز باشد، بحث خواهیم کرد. برنامه های فروشگاهی عالی

چرا تشخیص تصویر روی دستگاه در حال تغییر بازی برای حسابرسی های خرده فروشی خودکار است

الگوریتم های پیشرفته تشخیص تصویر کنونی برای عملکرد موثر به سرورهای قدرتمندی مانند GPU نیاز دارند. این نوع قدرت محاسباتی را می توان از طریق زیرساخت های رایانش ابری مدرن در دسترس قرار داد. با این حال، این بدان معنی است که از آنجایی که نمایندگان میدانی در فروشگاه عکس می گیرند، این عکس ها باید قبل از آپلود در سرورهای ابری KPIهای قفسه از روی این عکس ها قابل محاسبه است. این فرآیند در فروشگاه هایی با اتصال Wi-Fi یا اتصال اینترنت 4G خوب کار می کند.

با این حال، اتصال به اینترنت ممکن است در بسیاری از مناطق یا با فروشگاه های زیرزمینی خوب نباشد. برای چنین فروشگاه‌هایی، تا زمانی که نماینده هنوز در فروشگاه است، دریافت گزارش KPI امکان‌پذیر نیست. برای چنین مواردی، تشخیص تصویر روی دستگاه می‌تواند بسیار خوب عمل کند تا اطمینان حاصل شود که تکرارها درباره عکس‌هایی که می‌گیرند، بازخورد دریافت می‌کنند، بدون اینکه نیازی به آنلاین شدن آن‌ها باشد. 

همچنین، فناوری تشخیص تصویر روی تصاویر باکیفیت به خوبی عمل می کند. به این معنی که آپلود تصاویر ممکن است کمی طول بکشد، حتی در مناطقی که در دسترس بودن شبکه مناسبی است. این ممکن است منجر به سناریوهایی شود که در آن نمایندگان میدانی باید برای زمان بیشتری منتظر بمانند تا تصاویرشان آپلود شوند، در سرور ابری پردازش شوند و سپس نتایج به نماینده ارسال شود. تشخیص روی دستگاه این مشکل را برطرف می کند و نتیجه را فورا ایجاد می کند. تکرارهای میدانی به جای اینکه 5 تا 10 دقیقه منتظر بمانند، در چند ثانیه بینش دارند. این باعث می شود خروجی عملی تر شود و هیچ زمانی در انتظار تجزیه و تحلیل هوش مصنوعی صرف نمی شود.

چالش های موجود -

برای انجام ممیزی های خرده فروشی خودکار با استفاده از تشخیص تصویر برای کار موثر، تصاویر با کیفیت خوب مورد نیاز است. حتی تغییرات کوچک در کیفیت تصویر می تواند منجر به کاهش دقت در هنگام انجام تشخیص تصویر شود. این برای دقت مدل بینایی رایانه ای که روی دستگاه اجرا می شود بسیار مهم است.

همچنین، دریافت مقدار مناسب داده های آموزشی با کیفیت بالا برای تشخیص تصویر می تواند چالش برانگیز باشد. تقریباً هیچ یک از تولید کنندگان CPG پایگاه داده برچسب گذاری شده ای از تصاویر فروشگاه ندارند. بنابراین، یکی از بزرگترین موانع برای شروع کار با تشخیص تصویر روی دستگاه، زمان و هزینه های مرتبط با ایجاد چنین پایگاه داده ای است. 

علاوه بر این، محصولات جدید عرضه می شود یا بسته بندی محصول تغییر می کند - بنابراین آموزش مداوم و بازآموزی هوش مصنوعی برای به روز نگه داشتن آن انجام می شود. به این واقعیت اضافه کنید که حجم بالای داده برای راه اندازی محصولات جدید کمی طول می کشد تا قبل از اینکه هوش مصنوعی در همین زمینه آموزش ببیند.

برخی از حقایق که باید قبل از انتخاب تشخیص تصویر روی دستگاه در نظر بگیرید -

همیشه بین دقت و سرعت بینش ها تعادل وجود دارد و بنابراین، یک راه حل ایده آل بهترین ارزش را برای عملی کردن راه حل پیدا می کند. بنابراین، مدیران CPG باید قبل از انتخاب تشخیص تصویر روی دستگاه، تأثیر دقت کمتر یا بینش کندتر را ارزیابی کنند. 

توجه به این نکته مهم است که در اینجا ما به تفاوت های کوچک در دقت و سرعت اشاره می کنیم زیرا تصدیق می کنیم که یک راه حل ایده آل دقیق و بسیار سریع خواهد بود. یک سازنده CPG ممکن است بتواند یک مدل دقیق در سطح 91% SKU را با زمان و هزینه راه‌اندازی کمتر، نسبت به آنچه برای استقرار یک مدل دقیق 98% نیاز دارد، روی دستگاه اجرا کند. با این حال، اگر دقت بالا برای آنها حیاتی است (به دلیل مشوق های خرده فروشآنها ممکن است تشخیص تصویر آنلاین را انتخاب کنند که امکان بررسی کیفیت را برای اطمینان از دقت بالاتر فراهم می کند. با این حال، این بدان معناست که نمایندگان باید منتظر بمانند تا تصاویر آپلود شوند، پردازش شوند، کیفیت بررسی شود و سپس منتظر بمانند تا گزارش در دستگاه خود دانلود شود تا بتوانند به KPI ها دسترسی پیدا کنند. 

برای اهداف عملی یک راه حل 91٪ نیز ممکن است کار کند. یک راه حل دقیق 91٪ به این معنی است که از بین 50 SKU منحصر به فرد موجود در قفسه، AI ممکن است 4 SKU را به درستی انتخاب نکند. با توجه به مدت زمانی که تکرارهای میدانی ممکن است در تشخیص حسن نیت در دستگاه صرفه جویی کنند، ممکن است سازش بهتری نسبت به اینکه اجازه دهید آنها برای گزارش های تولید شده در حالت آنلاین منتظر بمانند (حتی اگر ممکن است 98٪ دقیق باشد). آنها به سادگی می توانند پیش بینی های نادرست انجام شده توسط هوش مصنوعی را نادیده بگیرند و در مورد پیش بینی های صحیح اقدام کنند.

استفاده از این راه حل شبیه درخواست از سیری برای پخش یک آهنگ است، بیشتر اوقات او آهنگی را که از او خواسته ایم به درستی درک می کند، اما در مواردی ممکن است درخواست ما را متوجه نشود و آهنگ دیگری را پخش کند. در آزمایش خودم با سیری، متوجه شدم که هنگام پخش آهنگ از فرمان صوتی من 80٪ دقیق است زیرا از ده درخواست، او نتوانست دو درخواست من را برآورده کند. با این حال، مصالحه‌ای که من بیشتر از آن حاضرم از آنجایی که باز کردن یک برنامه، مرور یا جستجوی آهنگی را انجام دهم، دست و پا گیرتر است (راه حل 100٪ دقیق) از درخواست از سیری برای پخش آن.

ODIN توسط ParallelDots: تشخیص تصویر روی دستگاه برای حسابرسی های خرده فروشی خودکار

یکی از بزرگترین محدودیت‌های راه‌حل‌های حسابرسی مبتنی بر هوش مصنوعی، ارائه نتایج دقیق آنی است. برای ارائه دقت بالا، توان محاسباتی مورد نیاز بالا است. با این حال، دستگاه های دستی مورد استفاده توسط نمایندگان منابع محاسباتی محدودی دارند و فرد باید مراقب باشد که از مصرف بیش از حد باتری دستگاه نمایندگان جلوگیری کند تا مبادا پس از هر 2 یا 3 بار بازدید، دستگاه خود را شارژ کند. این جایی است که راه حل ODIN ParallelDots برنده می شود. تیم علم داده ما در بهینه سازی الگوریتم ما به گونه ای موفق شده است که منگوله بهترین های هر دو دنیا را به شما می دهد - دقت و سرعت.  

با ODIN، راه‌حل ما می‌تواند هر SKU را در عکس و مکان آن بدون نیاز به آپلود عکس‌ها برای پردازش در فضای ابری شناسایی کند. این بدان معنی است که تکرارها می توانند فوراً آن را ببینند SKUهای گم شده طبق فهرست MSL و شناسایی SKUهایی که اشتباه قرار داده شده اند (مانند قرار دادن مارک های برتر در قفسه پایین). ODIN همچنین دارای یک راه حل درجه بندی کیفیت تصویر کاملاً آفلاین است که در صورتی که عکس ها از کیفیت بهینه برای تشخیص عکس برخوردار نیستند، نماینده را وادار می کند که دوباره عکس بگیرد.

وقتی نوبت به تشخیص تصویر روی دستگاه می‌رسد، ما به مشتریان خود توصیه می‌کنیم آن را برای تعداد محدودی SKU و KPI اجرا کنند. همچنین، از آنجایی که بررسی کیفیت با پردازش روی دستگاه امکان‌پذیر نیست، آموزش یک مدل بسیار دقیق قبل از شروع پروژه برای اطمینان از اینکه هوش مصنوعی نمونه‌های کافی از هر SKU را در محیط‌های مختلف و در جهت‌های مختلف دیده است، مهم است. بنابراین، ما به مشتری خود یک دوره راه اندازی طولانی تری را برای جمع آوری داده های با کیفیت بالا و سپس آموزش یک مدل بر روی آن توصیه می کنیم. پس از استقرار، ODIN همچنان به بازخورد انسانی نیاز دارد و ما از نمایندگان می‌خواهیم بازخوردی را در مورد خروجی مدل ارائه دهند تا هوش مصنوعی بتواند از این بازخوردها درس بگیرد و بهتر شود.

چگونه برای تشخیص تصویر روی دستگاه آماده شویم -

تشخیص تصویر روی دستگاه، دامنه وسیعی را به همراه دارد. برای اجرای موفقیت آمیز آن، آماده سازی خاصی مورد نیاز است. توصیه ما این است که ابتدا با حالت آنلاین شروع کنید و اجازه دهید هوش مصنوعی بر روی انواع تصاویر SKU آموزش داده شود و سپس به حالت روی دستگاه بروید. CPG می‌تواند ابتدا KPIهای قابل مشاهده در خرده‌فروشی خود را در حالت روی دستگاه اجرا کند.

علاوه بر این، بینش های استراتژیک مانند اطلاعات رقابتی و تشخیص نمایش قیمت را می توان در حالت آنلاین ردیابی کرد زیرا ممکن است نیازی به اقدامات سریع و اصلاحی نداشته باشد.

CPG همچنین باید اطمینان حاصل کند که نمایندگان میدانی آنها در مورد دستورالعمل های ثبت تصاویر ایده آل به خوبی آموزش دیده اند. این برای تولید گزارش‌های تشخیص SKU بسیار دقیق قبل از تغییر حالت روی دستگاه مفید خواهد بود.

تشخیص تصویر روی دستگاه یکی از ویژگی‌های کلیدی است که به تولیدکنندگان CPG کمک می‌کند تا حتی به فروشگاه‌های راه دور خود نگاه کنند و عملکرد خرده‌فروشی را برای آنها بهبود بخشند. تأثیر نمایندگانی که قادر به انجام گزارش‌های فوری هستند، می‌تواند منجر به بهبود رضایت مشتری و بهبود سلامت برند و فروش بهتر شود. در دوران پس از کووید، مشتریان به برندهایی که در قفسه‌ها در دسترس هستند، فرصت دومی نمی‌دهند، زیرا آنها یک محصول جایگزین را انتخاب می‌کنند یا به کانال‌های تجارت الکترونیکی می‌روند. 

وبلاگ را دوست داشتید؟ دیگر ما را بررسی کنید وبلاگ ها ببینید چگونه فناوری تشخیص تصویر می تواند به برندها در بهبود استراتژی های اجرایی خود در خرده فروشی کمک کند.

آیا می خواهید ببینید که برند شما در قفسه ها چگونه عمل می کند؟ کلیک اینجا کلیک نمایید برای برنامه ریزی یک نسخه ی نمایشی رایگان برای ShelfWatch.

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