Készüléken belüli képfelismerés automatizált kiskereskedelmi auditokhoz: ODIN by ParallelDots

Az Image Recognition segítségével végzett automatizált kiskereskedelmi auditok az elmúlt években népszerűvé váltak, mivel számos CPG-gyártó kipróbálta a megoldást, vagy már előrehaladott stádiumban van annak globális bevezetése. Azonban a szerint a POI jelentés, a költségek és a sebesség jelentik a fő gondot, ami megakadályozza ennek a játékváltó megoldásnak a széles körű elterjedését

Képfelismerés a kiskereskedelmi végrehajtás nyomon követéséhez egyre népszerűbb, mivel időmegtakarítást és nagy pontosságot tud nyújtani a kézi bolti ellenőrzésekhez képest. Szerint Gartner jelentés, A képfelismerő technológia növelheti az értékesítők termelékenységét, javíthatja a polcok állapotát, és elősegítheti az eladások növekedését. 

A képfelismerő technológia minden bizonyított előnye ellenére a gyakorlati problémák, mint például a magas megvalósítási költségek és a lassú átfutási idők alacsonyan tartották ennek a megoldásnak az elfogadását. Mi, at ParallelDots, keményen dolgoztak ezen problémák megoldásán az eszközön található képfelismerő megoldásunk, az ODIN elindításával. Az ODIN segítségével a képviselők által rögzített összes képet a kézi eszközükön dolgozzák fel, így megszűnik az aktív internetkapcsolat és a minőség-ellenőrzési folyamatok használata a KPI-jelentések generálásához. Ebben a blogbejegyzésben megvitatjuk az ODIN-nel kapcsolatos megközelítésünket, és azt, hogy ez miért lehet megváltoztató minden méretű CPG-cég számára, akik szeretnék megvalósítani tökéletes bolti programok.

Miért változtat az eszközön lévő képfelismerés az automatizált kiskereskedelmi auditoknál?

A jelenlegi korszerű képfelismerő algoritmusok hatékony működéséhez nagy teljesítményű szerverekre, például GPU-kra van szükség. Ez a fajta számítási teljesítmény elérhetővé válik a modern számítási felhő infrastruktúráján keresztül. Ez azonban azt jelenti, hogy mivel a helyszíni képviselők fotóznak az üzletben, ezeket a képeket fel kell tölteni a felhőszerverekre, mielőtt polc KPI-k ezekből a képekből ki lehet számítani. Ez a folyamat jól működik Wi-Fi kapcsolattal vagy jó 4G internetkapcsolattal rendelkező üzletekben.

Előfordulhat azonban, hogy az internetkapcsolat sok helyen vagy a földalatti üzletekben nem megfelelő. Az ilyen üzletekben nem lehet KPI-jelentést kapni, amíg a képviselő még az üzletben van. Ilyen esetekben az eszközön lévő képfelismerés nagyon jól működhet annak biztosítására, hogy a képviselők visszajelzést kapjanak az általuk készített fényképekről anélkül, hogy internetezésre lenne szükségük. 

Ezenkívül a képfelismerő technológia jól működik a kiváló minőségű képeken. Ez azt jelenti, hogy eltarthat egy ideig, amíg a képek feltöltődnek, még azokon a területeken is, amelyek megfelelő hálózati elérhetőséget kínálnak. Ez olyan forgatókönyvekhez vezethet, amikor a helyszíni képviselőknek további időt kell várniuk, mielőtt feltöltik a képeket, feldolgozzák a felhőkiszolgálón, majd az eredményeket visszaküldik a képviselőnek. Az eszközön történő felismerés kiküszöböli ezt a problémát, és azonnal meghozza az eredményt. A helyszíni ismétlők másodpercek alatt betekintést nyerhetnek ahelyett, hogy 5-10 percet várnának. Ezáltal a kimenet használhatóbbá válik, és nem kell időt tölteni az AI-elemzésre való várakozással.

Kihívások –

A képfelismerést használó, automatizált kiskereskedelmi auditok hatékony működéséhez jó minőségű képek szükségesek. Még a képminőség kis változásai is a képfelismerés során a pontosság csökkenéséhez vezethetnek. Ez rendkívül fontos az eszközön futó számítógépes látásmodell pontossága szempontjából.

Ezenkívül kihívást jelenthet a megfelelő mennyiségű, kiváló minőségű képzési adat beszerzése képfelismerés céljából. Szinte egyik CPG-gyártó sem rendelkezik könnyen elérhető, címkézett adatbázissal az üzletek képeiről. Így az eszközön lévő képfelismerés megkezdésének egyik legnagyobb akadálya az ilyen adatbázisok létrehozásával kapcsolatos átfutási idő és költségek. 

Ráadásul, új termékek kerülnek piacra vagy a termék csomagolása megváltozik – ezért a mesterséges intelligencia folyamatos képzése és átképzése történik a naprakészen tartás érdekében. Tegyük hozzá, hogy az új termékek piacra dobásához szükséges nagy mennyiségű adat felhalmozódása némi időt vesz igénybe, mielőtt az AI-t is meg lehetne tanítani ugyanerre.

Néhány tény, amelyet figyelembe kell venni, mielőtt az eszközön lévő képfelismerést választaná –

Mindig van kompromisszum a pontosság és a betekintés sebessége között, ezért az ideális megoldás megtalálja a legoptimálisabb értéket ahhoz, hogy a megoldás praktikus legyen. Ezért a CPG vezetőinek fel kell mérniük, hogy mi lesz az alacsonyabb pontosság vagy a lassabb betekintés hatása, mielőtt az eszközön lévő képfelismerést választanák. 

Fontos megjegyezni, hogy itt a pontosság és a sebesség közötti kis különbségekre gondolunk, mivel elismerjük, hogy az ideális megoldás pontos és nagyon gyors lesz. Előfordulhat, hogy egy CPG-gyártó egy 91%-ban SKU-szintű pontos modellt telepíthet az eszközre, alacsonyabb beállítási idővel és költséggel, mint egy 98%-os pontosságú modell üzembe helyezéséhez. Ha azonban a nagy pontosság kritikus számukra (ami miatt kiskereskedői ösztönzők), választhatják az online képfelismerést, amely lehetővé teszi a minőségellenőrzési folyamatot a nagyobb pontosság érdekében. Ez azonban azt jelenti, hogy a képviselőknek meg kell várniuk a képek feltöltését, feldolgozását, minőségellenőrzését, majd meg kell várniuk, amíg a jelentés letöltődik eszközükre, mielőtt hozzáférhetnek a KPI-khoz. 

Gyakorlati okokból egy 91%-os megoldás is működhet. A 91%-os pontosságú megoldás azt jelentené, hogy a polcon található 50 egyedi cikkszámból az AI nem választ ki megfelelően ~4 SKU-t. Tekintettel arra, hogy mennyi időt takaríthatnak meg a helyszíni ismétlők az eszközön történő felismerés révén, ez jobb kompromisszum lehet, mint hagyni, hogy megvárják az online módban generált jelentéseket (még akkor is, ha azok 98%-os pontosságúak). Egyszerűen figyelmen kívül hagyhatják a mesterséges intelligencia hibás előrejelzéseit, és megtehetik a megfelelő lépéseket.

Ennek a megoldásnak a használata hasonló ahhoz, mintha Sirit kérnénk meg egy dal lejátszására, legtöbbször helyesen fogja megérteni azt a dalt, amelyet kértünk tőle, de előfordulhat, hogy nem érti a kérésünket, és egy másik dalt játszik le. A Sirivel végzett saját tesztem során 80%-ban pontosnak találtam, amikor a hangutasításommal játszom le a dalokat, mivel tíz kérésből nem tudta teljesíteni a két kérésemet. Mégis, egy kompromisszum, amelyet hajlandó vagyok megkötni, mivel egy alkalmazás megnyitása, böngészés vagy zeneszám keresése körülményesebb (100%-os pontos megoldás), mintha Sirit kérném meg a lejátszására.

ODIN by ParallelDots: Képfelismerés az eszközön az automatizált kiskereskedelmi auditokhoz

Az AI-kompatibilis auditálási megoldások egyik legnagyobb korlátja az, hogy azonnal pontos eredményeket adnak. A nagy pontosság eléréséhez nagy számítási teljesítmény szükséges. A képviselők által használt kézi eszközök azonban korlátozott számítási erőforrásokkal rendelkeznek, és ügyelni kell arra, hogy elkerüljük a képviselők eszközének túlzott akkumulátor-fogyasztását, nehogy minden 2-3 látogatás után fel kell töltenie eszközét. Itt nyer a ParallelDots ODIN megoldása. Adattudományi csapatunknak sikerült úgy optimalizálnia az algoritmusunkat, hogy ShelfWatch mindkét világból a legjobbat nyújtja – pontosságot és sebességet.  

Az ODIN segítségével megoldásunk képes azonosítani a fotón szereplő összes SKU-t és annak helyét anélkül, hogy a fényképeket fel kellene tölteni a felhőbe feldolgozás céljából. Ez azt jelenti, hogy a képviselők azonnal láthatják a hiányzó cikkszámok az MSL-listának megfelelően, és azonosítsa a rosszul elhelyezett cikkszámokat (például a prémium márkák elhelyezése az alsó polcra). Az ODIN egy teljesen offline képminőség-besorolási megoldást is beépített, amely arra kéri a képviselőt, hogy készítsen újra fényképeket, ha a fotók nem a legjobb minőségűek a fotófelismeréshez.

Ha az eszközön lévő képfelismerésről van szó, azt javasoljuk ügyfeleinknek, hogy korlátozott számú SKU-hoz és KPI-hez telepítsék. Ezenkívül, mivel a minőségellenőrzés nem lehetséges az eszközön történő feldolgozással, fontos, hogy a projekt megkezdése előtt egy nagyon pontos modellt képezzenek ki annak biztosítására, hogy a mesterséges intelligencia elegendő mintát látott minden SKU-ból különböző környezetekben és különböző tájolásokban. Ezért ügyfelünknek hosszabb beállítási időszakot javasolunk, hogy jó minőségű adatokat gyűjtsön, majd modellt tanítson rá. A telepítést követően az ODIN-nek továbbra is szüksége van emberi visszajelzésekre, és arra kérjük a képviselőket, hogy adjanak visszajelzést a modell kimenetéről, hogy az AI tanulhasson ezekből a visszajelzésekből, és jobbá válhasson.

Hogyan készüljünk fel az eszközön lévő képfelismerésre –

Az eszközön lévő képfelismerés hatalmas teret hoz magával. Mert sikeres végrehajtása, bizonyos előkészületek szükségesek. Azt javasoljuk, hogy először kezdje az online móddal, és hagyja, hogy az AI különféle SKU-képekre oktasson, mielőtt az eszközön lévő módba váltana. A CPG először telepítheti a legjobb kiskereskedelmi láthatósági KPI-ket az eszközön belüli módban.

Sőt, olyan stratégiai betekintések, mint a versenyképes információk és ár kijelző felismerés nyomon követhető online módban, mivel ez nem feltétlenül tesz szükségessé gyors korrekciós intézkedéseket.

A CPG-nek azt is biztosítania kell, hogy a helyszíni képviselőik jól képzettek legyenek, amikor az ideális képek rögzítésének irányelveiről van szó. Ez hasznos lenne a rendkívül pontos cikkszám-felismerési jelentések elkészítésében, mielőtt az eszközön belüli módra váltana.

Az eszközön lévő képfelismerés az egyik kulcsfontosságú funkció, amely segíti a CPG-gyártókat, hogy még távoli üzleteikre is figyeljenek, és javítsák számukra a kiskereskedelmi teljesítményt. Az a hatás, hogy a képviselők képesek végrehajtani az azonnali jelentéseket, az ügyfelek elégedettségének növekedéséhez vezethet, ami a márka egészségének javulásához és az értékesítések javulásához vezethet. A COVID utáni korszakban a vásárlók nem adnak második esélyt azoknak a márkáknak, akiknek ingadozó elérhetősége van a polcokon, mivel alternatív terméket választanak, vagy e-kereskedelmi csatornákra térnek át. 

Tetszett a blog? Tekintse meg a másikunkat blogok hogy megtudja, hogyan segíthet a képfelismerő technológia a márkáknak a kiskereskedelemben alkalmazott végrehajtási stratégiáik fejlesztésében.

Szeretné látni, hogyan teljesít a saját márkája a polcokon? Kattintson itt hogy ütemezze be a ShelfWatch ingyenes demóját.

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