זיהוי תמונה במכשיר לביקורות קמעונאיות אוטומטיות: ODIN על ידי ParallelDots

ביקורת קמעונאית אוטומטית באמצעות זיהוי תמונה צברה פופולריות בשנים האחרונות, כאשר יצרני CPG רבים מנסים את הפתרון, או בשלבים מתקדמים של הטמעתו ברחבי העולם. עם זאת, לפי ה דוח POI, עלות ומהירות הם החששות העיקריים, ומונעים את האימוץ הנרחב של פתרון זה שמחליף את המשחקים

זיהוי תמונה למעקב אחר ביצוע קמעונאי הופך פופולרי בגלל החיסכון בזמן והדיוק הגבוה שהוא יכול לספק בהשוואה לבדיקות ידניות בחנות. לפי דו"ח גרטנר, טכנולוגיית זיהוי תמונה יכולה להגביר את הפרודוקטיביות של כוח המכירות, לשפר את תובנות מצב המדף ולעזור להגדיל את המכירות. 

למרות כל היתרונות המוכחים של טכנולוגיית זיהוי תמונה, בעיות מעשיות כמו עלות יישום גבוהה וזמני אספקה ​​איטיים שמרו על אימוץ הפתרון הזה. אנחנו, ב ParallelDots, עבדו קשה בניסיון להתמודד עם בעיות אלה על ידי השקת פתרון זיהוי התמונות שלנו במכשיר, ODIN. עם ODIN, כל התמונות שצולמו על ידי נציגים יעובדו במכשיר היד שלהם, ובכך יבטל את הצורך בחיבור אינטרנט פעיל ותהליכי בדיקת איכות להפקת דוחות KPI. בפוסט זה בבלוג, נדון בגישה שלנו לגבי ODIN ומדוע זה יכול לשנות משחק עבור חברות CPG בכל הגדלים, שרוצות ליישם את תוכניות חנות מושלמות.

מדוע זיהוי תמונות במכשיר משתנה משחק עבור ביקורת קמעונאית אוטומטית

אלגוריתמים עדכניים של זיהוי תמונות זקוקים לשרתים רבי עוצמה כגון GPUs כדי לבצע ביצועים יעילים. סוג זה של כוח מחשוב יכול להיות זמין באמצעות תשתית מחשוב ענן מודרנית. עם זאת, זה אומר שכאשר נציגי שטח מצלמים תמונות בחנות, יש להעלות את התמונות הללו לשרתי הענן לפני מדדי KPI של מדף ניתן לחשב מתמונות אלו. תהליך זה עובד היטב בחנויות עם חיבור Wi-Fi או קישוריות אינטרנט 4G טובה.

עם זאת, ייתכן שהקישוריות לאינטרנט לא תהיה טובה באזורים רבים או בחנויות תת קרקעיות. עבור חנויות כאלה, לא ניתן לקבל דוח KPI בזמן שהנציג עדיין בחנות. במקרים כאלה, זיהוי תמונות במכשיר יכול לעבוד טוב מאוד כדי להבטיח שנציגים יקבלו משוב על התמונות שהם מצלמים, מבלי לדרוש מהם להיכנס לאינטרנט. 

כמו כן, טכנולוגיית זיהוי תמונה עובדת היטב על תמונות באיכות גבוהה. מה שאומר שייתכן שיחלפו זמן מה עד שהתמונות יועלו, אפילו באזורים שמציעים זמינות רשת הגונה. זה עלול להוביל לתרחישים שבהם נציגי השטח יצטרכו לחכות זמן נוסף לפני שהתמונות שלהם יועלו, יעובדו בשרת הענן ולאחר מכן, התוצאות נשלחות בחזרה לנציג. זיהוי במכשיר מבטל בעיה זו ומפיק את התוצאה באופן מיידי. נציגי שטח מקבלים תובנות תוך שניות, במקום לחכות 5-10 דקות. זה הופך את הפלט למעשי יותר, ולא מושקע זמן בהמתנה לניתוח AI.

אתגרים הכרוכים-

כדי לערוך ביקורת קמעונאית אוטומטית באמצעות זיהוי תמונות לעבודה יעילה, נדרשות תמונות באיכות טובה. אפילו שינויים קטנים באיכות התמונה יכולים להוביל לירידה ברמת הדיוק בעת ביצוע זיהוי תמונה. זה חשוב ביותר לדיוק של דגם הראייה הממוחשבת שפועל על המכשיר.

כמו כן, השגת הכמות הנכונה של נתוני אימון באיכות גבוהה למטרת זיהוי תמונה יכולה להיות מאתגרת. כמעט לאף אחד מיצרני ה-CPG אין מסד נתונים מסומן זמין של תמונות חנות. לפיכך, אחד המכשולים הגדולים ביותר לתחילת העבודה עם זיהוי תמונות במכשיר הוא זמן ההובלה והעלויות הכרוכות ביצירת מסד נתונים כזה. 

יתר על כך, מוצרים חדשים מושקים או אריזת המוצר משתנה - לכן מתבצעת הכשרה והכשרה מתמדת של בינה מלאכותית כדי לשמור עליה מעודכנת. הוסף לעובדה שכמות הנתונים הגבוהה עבור השקות מוצרים חדשים ייקח זמן מה להצטבר, לפני שניתן יהיה אפילו לאמן את הבינה המלאכותית על אותו הדבר.

כמה עובדות שכדאי לקחת בחשבון לפני שבוחרים בזיהוי תמונות במכשיר -

תמיד יש פשרה בין דיוק ומהירות של תובנות ולכן, פתרון אידיאלי ימצא את הערך האופטימלי ביותר כדי להפוך את הפתרון למעשי. לכן, מנהלי CPG יצטרכו להעריך מה תהיה ההשפעה של דיוק נמוך יותר או תובנות איטיות יותר לפני שיבחרו בזיהוי תמונות במכשיר. 

חשוב לציין שכאן אנו מתייחסים להבדלים קטנים ברמת הדיוק והמהירות שכן אנו מכירים בכך שפתרון אידיאלי יהיה מדויק ומהיר מאוד. ייתכן שיצרן CPG יוכל לפרוס דגם מדויק ברמת מק"ט של 91% במכשיר עם זמן הגדרה ועלויות נמוכים יותר ממה שנדרש כדי לפרוס דגם מדויק של 98%. עם זאת, אם דיוק גבוה הוא קריטי עבורם (בשל תמריצים לקמעונאים), הם עשויים לבחור בזיהוי תמונות מקוון המאפשר תהליך בדיקת איכות כדי להבטיח דיוק גבוה יותר. עם זאת, פירוש הדבר שנציגים יצטרכו לחכות להעלאת התמונות, לעיבוד, לבדיקת איכות ולאחר מכן להמתין להורדת הדוח במכשיר שלהם לפני שהם יוכלו לגשת ל-KPIs. 

למטרות מעשיות פתרון של 91% עשוי גם לעבוד. פתרון מדויק של 91% אומר שמתוך נגיד, 50 מק"טים ייחודיים הזמינים על המדף, ייתכן שה-AI לא יבחר כ-4 מק"טים כהלכה. בהתחשב בפרק הזמן שנציגי השטח עשויים לחסוך באדיבות זיהוי במכשיר, ייתכן שזו פשרה טובה יותר מאשר לתת להם לחכות לדוחות שנוצרו במצב מקוון (גם אם זה עשוי להיות מדויק ב-98%). הם יכולים פשוט להתעלם מהתחזיות השגויות שנעשו על ידי ה-AI ולנקוט פעולה על הנכונות.

השימוש בפתרון זה דומה לבקשת סירי להשמיע שיר, לרוב היא תבין נכון את השיר שביקשנו ממנה להשמיע אך בכמה הזדמנויות היא עשויה לא להבין את הבקשה שלנו ולהשמיע שיר אחר. במבחן שלי עם סירי, גיליתי שזה מדויק ב-80% בכל הנוגע להשמעת שירים מהפקודה הקולית שלי, שכן מתוך עשר בקשות היא לא הצליחה למלא את שתי הבקשות שלי. עם זאת, פשרה שאני יותר ממוכן לקחת מאז פתיחת אפליקציה, גלישה או חיפוש שיר היא מסורבלת יותר (פתרון מדויק של 100%) מאשר לבקש מסירי לנגן אותו.

ODIN מאת ParallelDots: זיהוי תמונות במכשיר עבור ביקורת קמעונאית אוטומטית

אחת המגבלות הגדולות ביותר של פתרונות ביקורת התומכים בבינה מלאכותית היא לתת תוצאות מדויקות באופן מיידי. כדי לספק דיוק גבוה, כוח המחשוב הנדרש הוא גבוה. עם זאת, למכשירי כף יד המשמשים נציגים יש משאבי מחשוב מוגבלים וצריך להיזהר מצריכת סוללה מופרזת של המכשיר של הנציגים שמא יצטרך לטעון את המכשיר שלו אחרי כל 2 או 3 ביקורים. כאן מנצח פתרון ה-ODIN של ParallelDots. צוות מדעי הנתונים שלנו הצליח לייעל את האלגוריתם שלנו בצורה כזו מדף נותן לך את הטוב משני העולמות - דיוק ומהירות.  

עם ODIN, הפתרון שלנו יכול לזהות כל מק"ט בתמונה ואת מיקומו מבלי לדרוש את העלאת התמונות לענן לצורך עיבוד. זה אומר שנציגים יכולים לראות באופן מיידי את מק"טים חסרים לפי רשימת ה-MSL ולזהות את ה-SKUs הממוקמים בצורה לא נכונה (כגון הצבת מותגי פרימיום במדף התחתון). ל-ODIN יש גם פתרון לדירוג איכות תמונה במצב לא מקוון לחלוטין מובנה בו, שמנחה את הנציג לצלם מחדש תמונות אם התמונות אינן באיכות האופטימלית לזיהוי תמונות.

כשמדובר בזיהוי תמונות במכשיר, אנו ממליצים ללקוחותינו לפרוס אותו למספר מוגבל של SKUs ו-KPIs. כמו כן, מכיוון שבדיקות איכות אינן אפשריות בעיבוד במכשיר, חשוב להכשיר מודל מדויק מאוד לפני תחילת הפרויקט כדי להבטיח ש-AI ראה מספיק דוגמאות של כל מק"ט בסביבות שונות ובכיוונים שונים. לכן, אנו ממליצים ללקוח שלנו על תקופת הגדרה ארוכה יותר כדי לאסוף נתונים באיכות גבוהה ולאחר מכן להכשיר מודל עליו. לאחר הפריסה, ODIN עדיין זקוק למשוב אנושי, ואנו מבקשים מנציגים לספק משוב על הפלט של המודל כך שבינה מלאכותית תוכל ללמוד מהמשובים הללו ולהשתפר.

כיצד להתכונן לזיהוי תמונות במכשיר -

זיהוי תמונות במכשיר מביא איתו היקף עצום. ל ליישם אותו בהצלחה, נדרשות הכנות מסוימות. ההמלצה שלנו היא ראשית להתחיל במצב המקוון ולתת ל-AI להתאמן על מגוון תמונות מק"ט לפני שתעבור למצב במכשיר. ה-CPG יכול לפרוס תחילה את מדדי הנראות הקמעונאיים המובילים שלהם במצב במכשיר.

יתרה מכך, תובנות אסטרטגיות כמו מידע תחרותי ו זיהוי תצוגת מחיר ניתן לעקוב במצב מקוון שכן ייתכן שהדבר לא יחייב פעולות מהירות ומתקנות.

ה-CPG צריך גם להבטיח שנציגי השטח שלהם מאומנים היטב בכל הנוגע להנחיות של לכידת תמונות אידיאליות. זה יעזור בהפקת דוחות זיהוי מק"ט מדויקים ביותר לפני המעבר למצב במכשיר.

זיהוי תמונות במכשיר הוא אחד המאפיינים המרכזיים שיעזרו ליצרני CPG לפקוח את עיניהם אפילו בחנויות המרוחקות שלהם ולשפר את הביצוע הקמעונאי עבורם. ההשפעה של נציגים שיכולים לבצע את הדיווחים המיידיים יכולה להוביל לשיפור שביעות רצון הלקוחות, ולהוביל לשיפור בריאות המותג ולמכירות טובות יותר. בעידן שלאחר ה-COVID, לקוחות לא יתנו הזדמנות שנייה לאותם מותגים שיש להם זמינות משתנה על המדפים שכן הם יבחרו במוצר חלופי או יעברו לערוצי מסחר אלקטרוני. 

אהבת את הבלוג? בדוק את האחר שלנו בלוגים כדי לראות כיצד טכנולוגיית זיהוי תמונות יכולה לסייע למותגים לשפר את אסטרטגיות הביצוע שלהם בקמעונאות.

רוצה לראות איך הביצועים של המותג שלך על המדפים? לחץ על כאן לתזמן הדגמה בחינם ל- ShelfWatch.

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