On-Device Image Recognition For Automated Retail Audits : ODIN By ParallelDots

Julkaissut Platon

seuraajia: 0

Automaattiset vähittäistarkastukset, jotka käyttävät Image Recognition -ohjelmaa, ovat saaneet suosiota viime vuosina, kun monet CPG-valmistajat ovat kokeilleet ratkaisua tai ovat edenneet sen toteuttamiseen maailmanlaajuisesti. Kuitenkin, kuten kohti POI-raportti, kustannukset ja nopeus ovat tärkeimmät huolenaiheet, jotka estävät tämän pelinvaihtajaratkaisun laajamittaisen käyttöönoton

Kuvan tunnistus vähittäiskaupan suorituksen seuraamiseksi on tulossa suosittuun ajansäästön ja korkean tarkkuuden ansiosta, jota se voi tuottaa verrattuna manuaalisiin myymälätarkistuksiin. Kuten kohti Gartnerin raportti, Kuvien tunnistustekniikka voi lisätä myyntivoiman tuottavuutta, parantaa näkemyksiä hyllytilasta ja auttaa lisäämään myyntiä.

Kuvantunnistustekniikan kaikista todistetuista eduista huolimatta käytännön kysymykset, kuten korkeat käyttöönottokustannukset ja hidas läpimenoaika, ovat pitäneet tämän ratkaisun käyttöönoton alhaisena. Me, klo Rinnakkaispisteet, ovat olleet kovaa työtä yrittäessään ratkaista näitä asioita käynnistämällä laitteella olevan kuvan tunnistusratkaisumme ODIN. ODIN: n avulla kaikki toistojen ottamat kuvat käsitellään heidän kädessä pidettävällä laitteellaan, jolloin aktiivisen Internet-yhteyden ja laadunvalvontaprosessien käyttäminen KPI-raporttien luomiseen poistetaan. Tässä blogiviestissä keskustelemme lähestymistavastamme ODIN: ään ja siitä, miksi tämä voisi muuttaa peliä kaikenkokoisille CPG-yrityksille, jotka haluavat toteuttaa toimintansa täydelliset myymäläohjelmat.

Miksi laitteen kuvantunnistus on pelin muutos automaattisille vähittäiskaupan tarkastuksille?

Nykyiset huipputekniikan mukaiset kuvantunnistusalgoritmit tarvitsevat tehokkaita palvelimia, kuten grafiikkasuoritimia, jotta ne toimisivat tehokkaasti. Tämän tyyppinen laskentateho voidaan asettaa saataville nykyajan pilvipalvelujen infrastruktuurin kautta. Tämä tarkoittaa kuitenkin sitä, että kun kenttäedustajat ottavat valokuvia kaupassa, nämä valokuvat on ladattava pilvipalvelimille ennen hyllyjen KPI: t voidaan laskea näiden valokuvien perusteella. Tämä prosessi toimii hyvin myymälöissä, joissa on Wi-Fi-yhteys tai hyvä 4G-internetyhteys.

Internet-yhteys ei kuitenkaan välttämättä ole hyvä monilla alueilla tai maanalaisissa myymälöissä. Tällaisissa myymälöissä KPI-raportin saaminen ei ole mahdollista, kun edustaja on edelleen kaupassa. Tällaisissa tapauksissa laitteen kuvien tunnistus voisi toimia erittäin hyvin sen varmistamiseksi, että edustajat saavat palautetta ottamistaan valokuvista ilman, että heidän tarvitsee mennä verkkoon.

Kuvan tunnistustekniikka toimii hyvin myös korkealaatuisissa kuvissa. Tämä tarkoittaa, että kuvien lataaminen voi kestää jonkin aikaa, jopa alueilla, jotka tarjoavat kohtuullisen verkon saatavuuden. Tämä voi johtaa tilanteisiin, joissa kenttäedustajien on odotettava lisäaikaa ennen kuin kuvansa ladataan, käsitellään pilvipalvelimessa ja sitten tulokset lähetetään takaisin edustajalle. Laitteen tunnistaminen poistaa tämän ongelman ja tuottaa tuloksen välittömästi. Kenttäedustajat saavat oivalluksia sekunneissa sen sijaan, että odottavat 5-10 minuuttia. Tämä tekee tuotoksesta toimintakykyisemmän, eikä tekoälyanalyysin odottamiseen kuluta aikaa.

Mukana olevat haasteet

Laadukkaita kuvia vaaditaan automatisoitujen vähittäiskaupan auditointien suorittamiseksi kuvan tunnistuksen avulla toimiakseen tehokkaasti. Pienetkin kuvanlaadun muutokset voivat johtaa tarkkuuden laskuun kuvan tunnistuksessa. Tämä on ensiarvoisen tärkeää laitteessa käynnissä olevan tietokonenäkömallin tarkkuudelle.

Myös oikean määrän korkealaatuisten harjoitustietojen saaminen kuvan tunnistamista varten voi olla haastavaa. Lähes yhdelläkään CPG-valmistajista ei ole helposti saatavilla olevaa merkittyä tietokantaa myymäläkuvista. Siten yksi suurimmista esteistä laitteen kuvan tunnistamisen aloittamiselle on tällaisen tietokannan luomiseen liittyvä läpimenoaika ja kustannukset.

Lisäksi, uusia tuotteita tuodaan markkinoille tai tuotteen pakkausta muutetaan - siksi tekoälyn jatkuvaa koulutusta ja uudelleenkoulutusta pidetään ajan tasalla. Lisätään siihen, että uusien tuotteiden lanseerausten suuren määrän tietojen kerääminen vie jonkin aikaa, ennen kuin tekoälyä voidaan edes kouluttaa samalle.

Joitakin huomioitavia seikkoja, ennen kuin valitset laitteen kuvan tunnistamisen -

Tarkkuuden ja oivallusten nopeuden välillä on aina kompromissi, joten ihanteellinen ratkaisu löytää optimaalisen arvon, jotta ratkaisu olisi käytännöllinen. Siksi CPG: n johtajien on arvioitava matalamman tarkkuuden tai hitaamman oivalluksen vaikutus, ennen kuin he valitsevat laitteen kuvan tunnistamisen.

On tärkeää huomata, että tässä tarkoitamme pieniä eroja tarkkuudessa ja nopeudessa, kun tunnustamme, että ihanteellinen ratkaisu on tarkka ja erittäin nopea. CPG-valmistaja voi pystyä ottamaan laitteeseen käyttöön 91% SKU-tason tarkan mallin, jolla on alhaisemmat asennusajat ja kustannukset kuin mitä 98%: n tarkan mallin käyttöönotto voi vaatia. Kuitenkin, jos suuri tarkkuus on heille kriittinen (johtuen vähittäiskauppiaiden kannustimet), he voivat valita online-kuvantunnistuksen, joka mahdollistaa laadun tarkastusprosessin suuremman tarkkuuden varmistamiseksi. Tämä tarkoittaa kuitenkin sitä, että edustajien on odotettava kuvien lataamista, käsittelyä, laadun tarkistamista ja odotettava sitten raportin lataamista laitteeseensa, ennen kuin he voivat käyttää KPI: itä.

Käytännön tarkoituksiin voi toimia myös 91%: n ratkaisu. 91%: n tarkka ratkaisu tarkoittaisi sitä, että esimerkiksi hyllyssä olevista 50 ainutlaatuisesta SKU: sta AI ei välttämättä valitse ~ 4 SKU: ta oikein. Ottaen huomioon ajan, jonka kenttätoimistot voivat säästää kohteliaisuutta laitteen tunnistuksessa, se voi olla parempi kompromissi kuin antaa heidän odottaa verkkotilassa luotuja raportteja (vaikka niiden tarkkuus olisikin 98%). He voivat yksinkertaisesti jättää tekoälyn tekemät virheelliset ennusteet huomiotta ja ryhtyä toimiin oikeiden suhteen.

Tämän ratkaisun käyttäminen on samanlainen kuin Sirin pyytäminen soittamaan kappale, useimmiten hän ymmärtää oikein sen kappaleen, jonka pyysimme häntä soittamaan, mutta muutamissa tapauksissa hän ei välttämättä ymmärrä pyyntöämme ja soittaa toista kappaletta. Omassa testissä Sirin kanssa olen havainnut, että se on 80% tarkkaa äänikomennolla olevien kappaleiden toistamisessa, koska kymmenestä pyynnöstä hän ei voinut täyttää kahta pyyntöäni. Kompromissi, jonka olen kuitenkin halukas tekemään, koska sovelluksen avaaminen, kappaleen selaaminen tai etsiminen on hankalampaa (100% tarkka ratkaisu) kuin Sirin soittaminen soittamaan sitä.

ODIN by ParallelDots: Laitteen kuvan tunnistus automaattisille vähittäiskaupan tarkastuksille

ODIN by ParallelDots - Laitteen kuvan tunnistus automaattisille vähittäiskaupan tarkastuksille sekä tarkkuudella että nopeudella CPG: lle

Yksi tekoälyä tukevien tarkastusratkaisujen suurimmista rajoituksista on antaa tarkat tulokset heti. Korkean tarkkuuden saavuttamiseksi tarvitaan paljon laskentatehoa. Edustajien käyttämillä kädessä pidettävillä laitteilla on rajalliset laskentaresurssit, ja on oltava varovainen, jotta vältetään edustajien laitteen liiallinen akunkulutus, jotta hänen ei tarvitse ladata laitettaan jokaisen 2 tai 3 käynnin jälkeen. Täällä voittaa ParallelDotsin ODIN-ratkaisu. Tietojenkäsittelytiimimme on onnistunut optimoimaan algoritmimme siten, että HyllyKello antaa sinulle molempien maailmojen parhaat puolet - tarkkuuden ja nopeuden.

ODINin avulla ratkaisumme tunnistaa kaikki valokuvan SKU: t ja sen sijainnin ilman, että valokuvia vaaditaan lataamaan pilveen käsittelyä varten. Tämä tarkoittaa, että edustajat näkevät heti puuttuvat SKU: t MSL-luettelon mukaan ja tunnista väärin sijoitetut SKU: t (kuten premium-tuotemerkkien asettaminen alimmalle hyllylle). ODIN: ssä on myös sisäänrakennettu täysin offline-kuvanlaadun luokitteluratkaisu, joka kehottaa edustajaa ottamaan valokuvia uudelleen, jos valokuvat eivät ole optimaalista valokuvien tunnistamista varten.

Laitteessa olevan kuvan tunnistamisen osalta suosittelemme asiakkaidemme käyttämään sitä rajoitetulle määrälle SKU: ita ja KPI: itä. Koska laatutarkastukset eivät ole mahdollisia laitteella tapahtuvalla prosessoinnilla, on tärkeää kouluttaa erittäin tarkka malli ennen projektin alkua varmistaaksemme, että tekoäly on nähnyt riittävästi näytteitä jokaisesta SKU: sta eri ympäristöissä ja eri suuntauksissa. Siksi suosittelemme asiakkaallemme pidempää asennusjaksoa korkealaatuisten tietojen keräämiseksi ja sitten mallin kouluttamiseksi sen perusteella. Käyttöönoton jälkeen ODIN tarvitsee edelleen inhimillistä palautetta, ja pyydämme edustajia antamaan palautetta mallin tuotoksesta, jotta tekoäly voi oppia palautteista ja tulla paremmaksi.

Kuinka valmistautua laitteen kuvantunnistukseen -

Laitteen kuvantunnistus tuo mukanaan valtavan laajuuden. Sillä toteuttaa se onnistuneesti, tiettyjä valmisteluja tarvitaan. Suosittelemme ensin aloittamaan online-tilan ja antamaan tekoälylle koulutuksen erilaisiin SKU-kuviin, ennen kuin siirryt laitteen tilaan. CPG voi ensin ottaa käyttöön parhaat vähittäiskaupan näkyvyyden KPI-tunnuksensa laitetilassa.

Lisäksi strategiset näkemykset, kuten kilpailutiedot ja hintojen näyttötunnistus voidaan seurata online-tilassa, koska tämä ei välttämättä edellytä nopeita korjaavia toimia.

CPG: n tulisi myös varmistaa, että heidän kenttäedustajansa ovat hyvin koulutettuja, kun on kyse ihanteellisten kuvien sieppaamisesta. Tästä olisi hyötyä tuotettaessa erittäin tarkkoja SKU-tunnistusraportteja ennen laitteen tilaan siirtymistä.

Laitteen kuvantunnistus on yksi tärkeimmistä ominaisuuksista, joka auttaisi CPG-valmistajia pitämään silmänsä etämyymälöissään ja parantamaan niiden vähittäiskauppaa. Edustajien vaikutus toimia pikaraporteissa voi johtaa asiakastyytyväisyyden parantamiseen, mikä johtaa tuotemerkin kuntoon ja myyntiin. COVIDin jälkeisellä aikakaudella asiakkaat eivät anna toista mahdollisuutta niille tuotemerkeille, joiden saatavuus hyllyillä vaihtelee, kun he valitsevat vaihtoehtoisen tuotteen tai siirtyvät verkkokaupan kanaviin.

Piditkö blogia? Tutustu muihin blogit nähdäksesi kuinka kuvan tunnistustekniikka voi auttaa tuotemerkkejä parantamaan toteutusstrategioitaan vähittäiskaupassa.

Haluatko nähdä, kuinka oma tuotemerkki suoriutuu hyllyillä? Klikkaus tätä ajoittaa ilmainen demon ShelfWatchille.