Rozpoznawanie obrazu na urządzeniu dla zautomatyzowanych audytów detalicznych: ODIN firmy ParallelDots

Zautomatyzowane audyty detaliczne z wykorzystaniem Image Recognition zyskały popularność w ostatnich latach, ponieważ wielu producentów CPG testuje rozwiązanie lub znajduje się na zaawansowanych etapach wdrażania go na całym świecie. Jednak zgodnie z Raport punktów POI, koszt i szybkość to główne problemy, które uniemożliwiają powszechne przyjęcie tego przełomowego rozwiązania

Rozpoznawanie obrazu do śledzenia realizacji sprzedaży detalicznej staje się popularny ze względu na oszczędność czasu i wysoką dokładność, jaką może zapewnić w porównaniu z ręcznymi kontrolami sklepowymi. Jak na Raport firmy Gartner, Technologia rozpoznawania obrazu może zwiększyć produktywność sprzedawców, poprawić wgląd w stan półek i pomóc w zwiększaniu sprzedaży. 

Pomimo wszystkich sprawdzonych zalet technologii rozpoznawania obrazu, praktyczne problemy, takie jak wysoki koszt wdrożenia i długi czas realizacji, sprawiły, że przyjęcie tego rozwiązania było niskie. My, w Równoległe kropki, ciężko pracowali nad rozwiązaniem tych problemów uruchamiając nasze rozwiązanie do rozpoznawania obrazu na urządzeniu, ODIN. Dzięki ODIN wszystkie obrazy przechwycone przez przedstawicieli będą przetwarzane na ich urządzeniach ręcznych, dzięki czemu nie będzie trzeba korzystać z aktywnego połączenia internetowego i procesów kontroli jakości w celu generowania raportów KPI. W tym poście na blogu omówimy nasze podejście do ODIN i dlaczego może to zmienić zasady gry dla firm CPG każdej wielkości, które chcą wdrożyć swoje doskonałe programy sklepowe.

Dlaczego rozpoznawanie obrazu na urządzeniu zmienia reguły gry w automatycznych audytach detalicznych

Obecne, najnowocześniejsze algorytmy rozpoznawania obrazu wymagają wydajnych serwerów, takich jak procesory graficzne. Ten rodzaj mocy obliczeniowej można udostępnić za pośrednictwem nowoczesnej infrastruktury przetwarzania w chmurze. Oznacza to jednak, że ponieważ przedstawiciele terenowi robią zdjęcia w sklepie, te zdjęcia muszą zostać przesłane na serwery w chmurze przed wskaźniki KPI półek można obliczyć na podstawie tych zdjęć. Ten proces działa dobrze w sklepach z połączeniem Wi-Fi lub dobrą łącznością internetową 4G.

Jednak łączność internetowa może nie działać dobrze w wielu obszarach lub w podziemnych sklepach. W przypadku takich sklepów uzyskanie raportu KPI nie jest możliwe, gdy przedstawiciel nadal jest w sklepie. W takich przypadkach rozpoznawanie obrazu na urządzeniu może działać bardzo dobrze, zapewniając przedstawicielom informacje zwrotne na temat robionych zdjęć, bez konieczności łączenia się z Internetem. 

Ponadto technologia rozpoznawania obrazu działa dobrze w przypadku obrazów o wysokiej jakości. Oznacza to, że przesłanie zdjęć może zająć trochę czasu, nawet w obszarach, które oferują przyzwoitą dostępność sieci. Może to prowadzić do scenariuszy, w których przedstawiciele terenowi będą musieli czekać przez dodatkowy czas, zanim ich obrazy zostaną przesłane, przetworzone na serwerze w chmurze, a następnie wyniki zostaną przesłane z powrotem do przedstawiciela. Rozpoznawanie na urządzeniu eliminuje ten problem i natychmiast wyświetla wynik. Przedstawiciele w terenie uzyskują wgląd w kilka sekund, zamiast czekać 5-10 minut. Dzięki temu dane wyjściowe są bardziej przydatne i nie trzeba tracić czasu na czekanie na analizę AI.

Wyzwania związane

Aby przeprowadzić zautomatyzowane audyty detaliczne z wykorzystaniem rozpoznawania obrazu do efektywnego działania, wymagane są obrazy dobrej jakości. Nawet niewielkie zmiany w jakości obrazu mogą prowadzić do spadku dokładności podczas wykonywania rozpoznawania obrazu. Ma to kluczowe znaczenie dla dokładności modelu widzenia komputerowego, który działa na urządzeniu.

Trudne może być również uzyskanie odpowiedniej ilości wysokiej jakości danych szkoleniowych do celów rozpoznawania obrazu. Prawie żaden z producentów CPG nie ma łatwo dostępnej, opatrzonej etykietą bazy danych obrazów sklepów. Dlatego jedną z największych przeszkód w rozpoczęciu rozpoznawania obrazu na urządzeniu jest czas realizacji i koszty związane z utworzeniem takiej bazy danych. 

Co więcej, wprowadzane są nowe produkty lub zmienia się opakowanie produktu - w związku z tym przeprowadza się ciągłe szkolenia i przekwalifikowanie sztucznej inteligencji, aby ją aktualizować. Dodaj do tego fakt, że gromadzenie dużej ilości danych dla nowych produktów zajmie trochę czasu, zanim sztuczna inteligencja będzie mogła zostać przeszkolona na tym samym.

Kilka faktów, które należy wziąć pod uwagę, zanim zdecydujesz się na rozpoznawanie obrazu na urządzeniu -

Zawsze istnieje kompromis między dokładnością a szybkością wglądu, dlatego też idealne rozwiązanie znajdzie najbardziej optymalną wartość, aby uczynić rozwiązanie praktycznym. Dlatego kierownicy CPG będą musieli ocenić wpływ mniejszej dokładności lub wolniejszego wglądu, zanim zdecydują się na rozpoznawanie obrazu na urządzeniu. 

Należy zauważyć, że mamy tutaj na myśli niewielkie różnice w dokładności i szybkości, ponieważ uznajemy, że idealne rozwiązanie będzie dokładne i bardzo szybkie. Producent CPG może być w stanie wdrożyć model z dokładnością na poziomie 91% SKU na urządzeniu przy krótszym czasie konfiguracji i niższych kosztach, niż byłoby to potrzebne do wdrożenia modelu dokładnego w 98%. Jeśli jednak wysoka dokładność jest dla nich krytyczna (z powodu zachęty dla sprzedawców detalicznych), mogą zdecydować się na rozpoznawanie obrazu online, co pozwala na proces kontroli jakości w celu zapewnienia większej dokładności. Oznacza to jednak, że przedstawiciele będą musieli poczekać, aż obrazy zostaną przesłane, przetworzone, sprawdzone pod kątem jakości, a następnie poczekać, aż raport zostanie pobrany na ich urządzenie, zanim będą mogli uzyskać dostęp do wskaźników KPI. 

Ze względów praktycznych może również działać 91% roztwór. 91% dokładne rozwiązanie oznaczałoby, że z 50 unikalnych SKU dostępnych na półce, AI może nie wybrać poprawnie ~ 4 SKU. Biorąc pod uwagę ilość czasu, w którym przedstawiciele terenowi mogą zaoszczędzić dzięki uprzejmości rozpoznawania na urządzeniu, może to być lepszym kompromisem niż pozwolenie im czekać na raporty wygenerowane w trybie online (nawet jeśli może to być w 98% dokładne). Mogą po prostu zignorować niepoprawne przewidywania sztucznej inteligencji i podjąć działania na podstawie tych właściwych.

Korzystanie z tego rozwiązania jest podobne do poproszenia Siri o odtworzenie piosenki, przez większość czasu poprawnie zrozumie piosenkę, o którą ją poprosiliśmy, ale w kilku przypadkach może nie zrozumieć naszej prośby i zagrać inną piosenkę. W moim własnym teście z Siri stwierdziłem, że jest on w 80% dokładny, jeśli chodzi o odtwarzanie piosenek z mojego polecenia głosowego, ponieważ na dziesięć żądań nie mogła spełnić moich dwóch żądań. Jednak kompromis, na który jestem bardziej niż chętny, ponieważ otwieranie aplikacji, przeglądanie lub wyszukiwanie utworu jest bardziej uciążliwe (w 100% dokładne rozwiązanie) niż proszenie Siri o odtworzenie go.

ODIN by ParallelDots: Rozpoznawanie obrazu na urządzeniu dla zautomatyzowanych audytów detalicznych

Jednym z największych ograniczeń rozwiązań audytowych wykorzystujących sztuczną inteligencję jest natychmiastowe podawanie dokładnych wyników. Aby zapewnić wysoką dokładność, wymagana moc obliczeniowa jest wysoka. Jednak urządzenia przenośne używane przez przedstawicieli mają ograniczone zasoby obliczeniowe i należy uważać, aby uniknąć nadmiernego zużycia baterii urządzenia przedstawiciela, aby nie musiał ładować swojego urządzenia po każdych 2 lub 3 wizytach. Tutaj wygrywa rozwiązanie ODIN firmy ParallelDots. Naszemu zespołowi zajmującemu się badaniami danych udało się zoptymalizować nasz algorytm w taki sposób Zegarek na półce daje to, co najlepsze z obu światów - dokładność i szybkość.  

Dzięki ODIN nasze rozwiązanie może zidentyfikować każdy kod SKU na zdjęciu i jego lokalizację bez konieczności przesyłania zdjęć do chmury w celu przetworzenia. Oznacza to, że przedstawiciele mogą natychmiast zobaczyć plik brakujące kody SKU zgodnie z listą MSL i zidentyfikuj niewłaściwie umieszczone SKU (takie jak umieszczenie marek premium na dolnej półce). ODIN ma również wbudowane rozwiązanie do oceny jakości obrazu w trybie offline, które zachęca przedstawiciela do ponownego wykonania zdjęć, jeśli zdjęcia nie są optymalnej jakości do rozpoznawania zdjęć.

Jeśli chodzi o rozpoznawanie obrazu na urządzeniu, zalecamy naszym klientom wdrożenie go dla ograniczonej liczby jednostek SKU i kluczowych wskaźników wydajności. Ponadto, ponieważ kontrole jakości nie są możliwe w przypadku przetwarzania na urządzeniu, ważne jest, aby wytrenować bardzo dokładny model przed rozpoczęciem projektu, aby upewnić się, że sztuczna inteligencja widziała wystarczającą liczbę próbek każdego SKU w różnych środowiskach i pod różnymi orientacjami. Dlatego zalecamy naszemu klientowi dłuższy okres konfiguracji, aby zebrać wysokiej jakości dane, a następnie wytrenować na nich model. Po wdrożeniu ODIN nadal potrzebuje informacji zwrotnych od ludzi i prosimy przedstawicieli o dostarczenie informacji zwrotnych na temat wyników modelu, tak aby sztuczna inteligencja mogła uczyć się na podstawie tych informacji i stawać się lepsza.

Jak przygotować się do rozpoznawania obrazu na urządzeniu -

Rozpoznawanie obrazu na urządzeniu zapewnia ogromne możliwości. Dla wdrożenie go z sukcesem, wymagane są pewne przygotowania. Naszym zaleceniem jest, aby najpierw rozpocząć od trybu online i pozwolić sztucznej inteligencji zostać przeszkolona na różnych obrazach SKU, zanim przejdzie do trybu na urządzeniu. CPG może najpierw wdrożyć swoje najważniejsze wskaźniki KPI widoczności w handlu detalicznym w trybie na urządzeniu.

Ponadto strategiczne spostrzeżenia, takie jak informacje o konkurencji i rozpoznawanie wyświetlania ceny można śledzić w trybie online, ponieważ może to nie wymagać szybkich działań naprawczych.

CPG powinien również upewnić się, że ich przedstawiciele terenowi są dobrze wyszkoleni, jeśli chodzi o wytyczne dotyczące wykonywania idealnych obrazów. Byłoby to pomocne w tworzeniu bardzo dokładnych raportów dotyczących rozpoznawania jednostek SKU przed przełączeniem do trybu na urządzeniu.

Rozpoznawanie obrazu na urządzeniu jest jedną z kluczowych funkcji, która pomogłaby producentom CPG mieć na oku nawet ich odległe sklepy i usprawnić ich sprzedaż detaliczną. Wpływ przedstawicieli, którzy są w stanie wykonać natychmiastowe raporty, może następnie prowadzić do poprawy satysfakcji klienta, prowadząc do poprawy kondycji marki i lepszej sprzedaży. W erze post-COVID klienci nie dadzą drugiej szansy tym markom, które mają zmienną dostępność na półkach, ponieważ zdecydują się na inny produkt lub przejdą do kanałów e-commerce. 

Podobał Ci się blog? Sprawdź nasze inne blogi aby zobaczyć, jak technologia rozpoznawania obrazu może pomóc markom ulepszyć ich strategie realizacji w handlu detalicznym.

Chcesz zobaczyć, jak Twoja marka radzi sobie na półkach? Kliknij tutaj zaplanować bezpłatne demo dla ShelfWatch.

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