Recunoașterea imaginilor pe dispozitiv pentru audituri automate de vânzare cu amănuntul: ODIN de la ParallelDots

Auditurile automate de vânzare cu amănuntul care utilizează Recunoașterea imaginii au câștigat popularitate în ultimii ani, mulți producători de CPG încercând soluția sau în stadii avansate de implementare a acesteia la nivel global. Cu toate acestea, conform Raport POI, costul și viteza sunt principalele preocupări, împiedicând adoptarea pe scară largă a acestei soluții care schimbă jocul

Recunoașterea imaginilor pentru urmărirea execuției de vânzare cu amănuntul devine populară datorită economiei de timp și a preciziei ridicate pe care o poate oferi în comparație cu verificările manuale în magazin. Conform Raportul Gartner, Tehnologia de recunoaștere a imaginilor poate crește productivitatea forței de vânzări, poate îmbunătăți informațiile despre starea raftului și poate ajuta la creșterea vânzărilor. 

În ciuda tuturor beneficiilor dovedite ale tehnologiei de recunoaștere a imaginilor, probleme practice, cum ar fi costul ridicat de implementare și timpii lenți de realizare, au menținut adoptarea acestei soluții la un nivel scăzut. Noi, la ParallelDots, au muncit din greu încercând să abordeze aceste probleme prin lansarea soluției noastre de recunoaștere a imaginii pe dispozitiv, ODIN. Cu ODIN, toate imaginile capturate de reprezentanți vor fi procesate pe dispozitivul lor portabil, eliminând astfel nevoia de a utiliza o conexiune la internet activă și procese de verificare a calității pentru a genera rapoarte KPI. În această postare pe blog, vom discuta despre abordarea noastră cu privire la ODIN și de ce acest lucru ar putea schimba jocul pentru companiile CPG de toate dimensiunile, care doresc să implementeze programe de magazin perfecte.

De ce Recunoașterea imaginii pe dispozitiv schimbă jocul pentru Auditurile automate de vânzare cu amănuntul

Algoritmii actuali de recunoaștere a imaginilor de ultimă generație au nevoie de servere puternice, cum ar fi GPU-uri, pentru a funcționa eficient. Acest tip de putere de calcul poate fi pusă la dispoziție prin infrastructura modernă de cloud computing. Cu toate acestea, aceasta înseamnă că, deoarece reprezentanții de teren fac fotografii în magazin, aceste fotografii trebuie să fie încărcate pe serverele cloud înainte KPI-uri de raft pot fi calculate din aceste fotografii. Acest proces funcționează bine în magazinele cu conexiune Wi-Fi sau conexiune bună la internet 4G.

Cu toate acestea, conexiunea la internet poate să nu fie bună în multe zone sau cu magazine subterane. Pentru astfel de magazine, obținerea unui raport KPI nu este posibilă cât timp reprezentantul este încă în magazin. În astfel de cazuri, recunoașterea imaginii de pe dispozitiv ar putea funcționa foarte bine pentru a se asigura că reprezentanții primesc feedback cu privire la fotografiile pe care le fac, fără a le solicita să intre online. 

De asemenea, tehnologia de recunoaștere a imaginii funcționează bine pe imagini de înaltă calitate. Ceea ce înseamnă că poate dura ceva timp pentru ca imaginile să fie încărcate, chiar și în zonele care oferă o disponibilitate decentă a rețelei. Acest lucru poate duce la scenarii în care reprezentanții de teren trebuie să aștepte mai mult timp înainte ca imaginile lor să fie încărcate, procesate în serverul cloud și apoi, rezultatele sunt trimise înapoi către reprezentant. Recunoașterea pe dispozitiv elimină această problemă și produce rezultatul instantaneu. Reprezentanții de teren ajung să aibă informații în câteva secunde, în loc să aștepte 5-10 minute. Acest lucru face rezultatul mai ușor de acționat și nu se petrece timp în așteptarea analizei AI.

Provocări implicate-

Pentru a efectua audituri automate de retail folosind recunoașterea imaginilor pentru a funcționa eficient, sunt necesare imagini de bună calitate. Chiar și modificările mici ale calității imaginii pot duce la o scădere a preciziei atunci când se realizează recunoașterea imaginii. Acest lucru este esențial pentru acuratețea modelului de computer vision care rulează pe dispozitiv.

De asemenea, obținerea cantității potrivite de date de antrenament de înaltă calitate în scopul recunoașterii imaginii poate fi o provocare. Aproape niciunul dintre producătorii de CPG nu are o bază de date etichetată ușor disponibilă cu imaginile magazinului. Astfel, unul dintre cele mai mari obstacole pentru a începe cu recunoașterea imaginilor pe dispozitiv este timpul de livrare și costurile asociate cu crearea unei astfel de baze de date. 

În plus, sunt lansate produse noi sau ambalajul produsului este schimbat – prin urmare se efectuează antrenament și recalificare constantă a AI pentru a-l menține actualizat. Adăugați la faptul că cantitatea mare de date pentru lansările de noi produse ar dura ceva timp să se acumuleze, înainte ca AI să poată fi chiar antrenat pe același lucru.

Câteva fapte de luat în considerare înainte de a opta pentru recunoașterea imaginii pe dispozitiv -

Există întotdeauna un compromis între acuratețea și viteza informațiilor și, prin urmare, o soluție ideală va găsi cea mai optimă valoare pentru a face soluția practică. Prin urmare, directorii CPG vor trebui să evalueze care va fi impactul unei acuratețe mai scăzute sau al unor informații mai lente înainte de a opta pentru recunoașterea imaginii pe dispozitiv. 

Este important de reținut că aici ne referim la mici diferențe de precizie și viteză, deoarece recunoaștem că o soluție ideală va fi precisă și foarte rapidă. Un producător de CPG poate fi capabil să implementeze un model cu o precizie de 91% la nivel SKU pe dispozitiv, cu timp și costuri de configurare mai mici decât ceea ce ar fi necesar pentru a implementa un model cu o precizie de 98%. Cu toate acestea, dacă precizia ridicată este critică pentru ei (datorită stimulente ale retailerului), pot opta pentru recunoașterea online a imaginii, care permite un proces de verificare a calității pentru a asigura o acuratețe mai mare. Cu toate acestea, aceasta înseamnă că reprezentanții vor trebui să aștepte ca imaginile să fie încărcate, procesate, verificate de calitate și apoi să aștepte ca raportul să fie descărcat pe dispozitivul lor înainte de a putea accesa KPI-urile. 

În scopuri practice, poate funcționa și o soluție de 91%. O soluție precisă de 91% ar însemna că, dincolo de 50 de SKU-uri unice disponibile pe raft, AI ar putea să nu aleagă corect ~4 SKU-uri. Având în vedere timpul pe care reprezentanții de teren îl pot economisi recunoașterea prin curtoazie pe dispozitiv, poate fi un compromis mai bun decât să-i lași să aștepte rapoartele generate în modul online (chiar dacă poate fi 98% precis). Ei pot pur și simplu să ignore predicțiile incorecte făcute de AI și să ia măsuri în privința celor corecte.

Folosirea acestei soluții este similară cu a-i cere lui Siri să cânte o melodie, de cele mai multe ori ea va înțelege corect melodia pe care i-am cerut-o să o cânte, dar în câteva ocazii, este posibil să nu înțeleagă cererea noastră și să cânte o altă melodie. În propriul meu test cu Siri, am descoperit că este 80% precis când vine vorba de redarea melodiilor de la comanda mea vocală, deoarece din zece solicitări, ea nu a putut îndeplini cele două solicitări ale mele. Cu toate acestea, un compromis pe care sunt mai mult decât dispus să-l fac, deoarece deschiderea unei aplicații, răsfoirea sau căutarea unei melodii este mai greoaie (soluție 100% precisă) decât să-i cer lui Siri să o cânte.

ODIN de la ParallelDots: Recunoaștere a imaginii pe dispozitiv pentru audituri automate de vânzare cu amănuntul

Una dintre cele mai mari limitări ale soluțiilor de audit activate de AI este de a oferi rezultate precise instantaneu. Pentru a oferi o precizie ridicată, puterea de calcul necesară este mare. Cu toate acestea, dispozitivele portabile utilizate de reprezentanți au resurse de calcul limitate și trebuie să aveți grijă să evitați consumul excesiv de baterie al dispozitivului reprezentanților, pentru ca acesta să nu fie nevoie să-și încarce dispozitivul după fiecare 2 sau 3 vizite. Aici câștigă soluția ODIN de la ParallelDots. Echipa noastră de știință a datelor a reușit să ne optimizeze algoritmul în așa fel încât ShelfWatch vă oferă tot ce este mai bun din ambele lumi – precizie și viteză.  

Cu ODIN, soluția noastră poate identifica fiecare SKU din fotografie și locația acestuia fără a necesita încărcarea fotografiilor în cloud pentru procesare. Aceasta înseamnă că reprezentanții pot vedea instantaneu SKU-uri lipsă conform listei MSL și identificați SKU-urile plasate greșit (cum ar fi punerea mărcilor premium la raftul de jos). ODIN are, de asemenea, încorporată o soluție de clasificare a calității imaginii complet offline, care îi solicită reprezentantului să facă din nou fotografii dacă fotografiile nu sunt de calitate optimă pentru a face recunoașterea fotografiilor.

Când vine vorba de recunoașterea imaginii pe dispozitiv, recomandăm clienților noștri să o implementeze pentru un număr limitat de SKU și KPI. De asemenea, deoarece verificările de calitate nu sunt posibile cu procesarea pe dispozitiv, este important să antrenați un model foarte precis înainte de începerea proiectului pentru a vă asigura că AI a văzut suficiente mostre din fiecare SKU în diferite medii și în diferite orientări. Prin urmare, recomandăm clientului nostru o perioadă mai lungă de configurare pentru a colecta date de înaltă calitate și apoi a antrena un model pe acestea. Odată implementat, ODIN încă are nevoie de feedback uman și le cerem reprezentanților să ofere feedback cu privire la rezultatul modelului, astfel încât AI să poată învăța din aceste feedback și să devină mai bun.

Cum să vă pregătiți pentru recunoașterea imaginii pe dispozitiv –

Recunoașterea imaginii de pe dispozitiv aduce cu sine un domeniu de aplicare imens. Pentru implementând-o cu succes, sunt necesare anumite preparate. Recomandarea noastră este să începeți mai întâi cu modul online și să lăsați AI să fie antrenat pe o varietate de imagini SKU înainte de a trece apoi la modul pe dispozitiv. CPG-ul își poate implementa mai întâi KPI-urile de vizibilitate în retail în modul pe dispozitiv.

În plus, perspective strategice, cum ar fi informațiile competitive și recunoașterea afișajului prețului poate fi urmărit în modul online, deoarece este posibil să nu necesite acțiuni de remediere rapide.

CPG ar trebui, de asemenea, să se asigure că reprezentanții lor de teren sunt bine pregătiți atunci când vine vorba de liniile directoare pentru captarea imaginilor ideale. Acest lucru ar fi util pentru a produce rapoarte de recunoaștere SKU foarte precise înainte de a trece la modul pe dispozitiv.

Recunoașterea imaginii de pe dispozitiv este una dintre caracteristicile cheie care i-ar ajuta pe producătorii de CPG să țină ochii chiar și pe magazinele aflate la distanță și să îmbunătățească execuția de vânzare cu amănuntul pentru ei. Impactul reprezentanților care sunt capabili să acționeze rapoartele instantanee poate duce apoi la o satisfacție îmbunătățită a clienților, ceea ce duce la îmbunătățirea sănătății mărcii și la vânzări mai bune. În era post-COVID, clienții nu vor oferi o a doua șansă acelor mărci care au disponibilitate fluctuantă pe rafturi, deoarece vor opta pentru un produs alternativ sau vor trece pe canalele de comerț electronic. 

Ți-a plăcut blogul? Verificați celălalt bloguri pentru a vedea cum tehnologia de recunoaștere a imaginii poate ajuta mărcile să-și îmbunătățească strategiile de execuție în retail.

Doriți să vedeți performanța propriei mărci pe rafturi? Clic aici pentru a programa o demonstrație gratuită pentru ShelfWatch.

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