Распознавание изображений на устройстве для автоматизированного аудита розничной торговли: ODIN от ParallelDots

Автоматические аудиты розничной торговли с использованием распознавания изображений приобрели популярность в последние годы, поскольку многие производители CPG испытывают это решение или находятся на продвинутых стадиях его глобального внедрения. Однако согласно Отчет о POI, стоимость и скорость являются основными проблемами, препятствующими широкому распространению этого революционного решения.

Распознавание изображений для отслеживания розничных продаж становится популярным из-за экономии времени и высокой точности по сравнению с ручными проверками в магазине. Согласно Отчет Gartner, Технология распознавания изображений может повысить продуктивность продаж, улучшить понимание состояния полок и способствовать увеличению продаж. 

Несмотря на все доказанные преимущества технологии распознавания изображений, практические проблемы, такие как высокая стоимость внедрения и медленное время выполнения работ, сдерживают внедрение этого решения. Мы, в Параллельные точки, упорно трудились, пытаясь решить эти проблемы запустив наше решение для распознавания изображений на устройстве ODIN. С ODIN все изображения, снятые представителями, будут обрабатываться на их портативных устройствах, что устраняет необходимость использования активного подключения к Интернету и процессов проверки качества для создания отчетов KPI. В этом посте мы обсудим наш подход к ODIN и то, почему это может изменить правила игры для CPG-компаний любого размера, которые хотят реализовать свои идеальный магазин программ.

Почему распознавание изображений на устройстве меняет правила автоматизированного аудита розничной торговли

Современные алгоритмы распознавания изображений нуждаются в мощных серверах, таких как графические процессоры, для эффективной работы. Этот тип вычислительной мощности может быть доступен через современную инфраструктуру облачных вычислений. Однако это означает, что, поскольку полевые представители делают фотографии в магазине, эти фотографии необходимо загрузить на облачные серверы до того, как полки KPIs можно рассчитать по этим фотографиям. Этот процесс хорошо работает в магазинах с подключением к Wi-Fi или хорошим подключением к Интернету 4G.

Однако во многих районах или в подземных магазинах подключение к Интернету может быть неудовлетворительным. Для таких магазинов невозможно получить отчет KPI, пока представитель еще находится в магазине. В таких случаях распознавание изображений на устройстве может работать очень хорошо, чтобы гарантировать, что представители получают обратную связь о снимаемых ими фотографиях, не требуя от них выхода в Интернет. 

Кроме того, технология распознавания изображений хорошо работает с изображениями высокого качества. Это означает, что загрузка изображений может занять некоторое время, даже в тех областях, где есть приличная доступность сети. Это может привести к сценариям, когда полевым представителям придется ждать дополнительное время, прежде чем их изображения будут загружены, обработаны на облачном сервере, а затем результаты будут отправлены обратно представителю. Распознавание на устройстве устраняет эту проблему и дает мгновенный результат. Полевые представители получают информацию за секунды, вместо того, чтобы ждать 5-10 минут. Это делает вывод более действенным, и вы не тратите время на ожидание анализа ИИ.

Вовлеченные проблемы-

Для эффективного проведения автоматизированных аудитов розничной торговли с использованием распознавания изображений требуются изображения хорошего качества. Даже небольшие изменения качества изображения могут привести к снижению точности при распознавании изображений. Это имеет первостепенное значение для точности модели компьютерного зрения, которая работает на устройстве.

Кроме того, получение нужного количества высококачественных обучающих данных для распознавания изображений может оказаться сложной задачей. Практически ни один из производителей CPG не имеет доступной базы данных изображений магазинов с этикетками. Таким образом, одним из самых больших препятствий на пути к распознаванию изображений на устройстве является время и затраты, связанные с созданием такой базы данных. 

Более того, запускаются новые продукты или упаковка продукта изменена - поэтому проводится постоянное обучение и переподготовка ИИ, чтобы поддерживать его в актуальном состоянии. Добавьте к этому тот факт, что для накопления большого количества данных для запуска новых продуктов потребуется некоторое время, прежде чем ИИ можно будет обучить на том же самом.

Некоторые факты, которые следует учитывать, прежде чем выбирать распознавание изображений на устройстве -

Всегда существует компромисс между точностью и скоростью понимания, и поэтому идеальное решение найдет наиболее оптимальную ценность, чтобы сделать решение практичным. Поэтому руководители CPG должны будут оценить, каковы будут последствия более низкой точности или более медленного понимания, прежде чем выбирать распознавание изображений на устройстве. 

Важно отметить, что здесь мы имеем в виду небольшие различия в точности и скорости, поскольку мы признаем, что идеальное решение будет точным и очень быстрым. Производитель CPG может иметь возможность развернуть модель с точностью 91% на уровне SKU на устройстве с меньшими затратами и временем на настройку, чем то, что требуется для развертывания модели с точностью 98%. Однако если для них критична высокая точность (из-за стимулы для розничных торговцев), они могут выбрать онлайн-распознавание изображений, которое позволяет выполнить процесс проверки качества для обеспечения более высокой точности. Однако это означает, что представители должны будут дождаться загрузки изображений, их обработки и проверки качества, а затем дождаться загрузки отчета на свое устройство, прежде чем они смогут получить доступ к ключевым показателям эффективности. 

Для практических целей также может работать 91% раствор. Решение с точностью 91% будет означать, что из, скажем, 50 уникальных SKU, имеющихся на полке, ИИ может неправильно выбрать ~ 4 SKU. Учитывая количество времени, которое полевые представители могут сэкономить на распознавании на устройстве, это может быть лучшим компромиссом, чем позволить им ждать отчетов, созданных в онлайн-режиме (даже если они могут быть точными на 98%). Они могут просто игнорировать неверные прогнозы, сделанные ИИ, и принимать меры в соответствии с правильными.

Использование этого решения похоже на просьбу Сири воспроизвести песню, большую часть времени она будет правильно понимать песню, которую мы просили ее сыграть, но в некоторых случаях она может не понять наш запрос и воспроизвести другую песню. В моем собственном тесте с Siri я обнаружил, что она на 80% точна, когда дело доходит до воспроизведения песен по моей голосовой команде, поскольку из десяти запросов она не смогла выполнить два моих запроса. Тем не менее, компромисс, на который я более чем готов пойти, поскольку открытие приложения, просмотр или поиск песни более обременительны (100% точное решение), чем просить Siri воспроизвести ее.

ODIN от ParallelDots: распознавание изображений на устройстве для автоматизированного аудита розничной торговли

Одно из самых больших ограничений решений аудита с использованием ИИ - мгновенное получение точных результатов. Для обеспечения высокой точности требуется высокая вычислительная мощность. Однако портативные устройства, используемые представителями, имеют ограниченные вычислительные ресурсы, и нужно быть осторожным, чтобы избежать чрезмерного расхода заряда батареи устройства, чтобы не заряжать устройство после каждых 2 или 3 посещений. Вот где побеждает решение ODIN от ParallelDots. Нашей команде по обработке и анализу данных удалось оптимизировать наш алгоритм таким образом, что Полка дает вам лучшее из обоих миров - точность и скорость.  

Благодаря ODIN наше решение может идентифицировать каждый артикул на фотографии и его местоположение, не требуя загрузки фотографий в облако для обработки. Это означает, что представители могут сразу увидеть отсутствующие артикулы в соответствии со списком MSL и определите неправильно размещенные артикулы (например, поставив премиальные бренды на нижнюю полку). ODIN также имеет встроенное полностью автономное решение для оценки качества изображения, которое предлагает представителю переснять фотографии, если фотографии не оптимального качества для распознавания фотографий.

Когда дело доходит до распознавания изображений на устройстве, мы рекомендуем нашим клиентам развернуть его для ограниченного числа SKU и KPI. Кроме того, поскольку проверка качества невозможна при обработке на устройстве, важно обучить очень точную модель до начала проекта, чтобы ИИ видел достаточно образцов каждого SKU в разных средах и в разных ориентациях. Поэтому мы рекомендуем нашему клиенту более длительный период настройки, чтобы собрать качественные данные, а затем обучить на них модель. После развертывания ODIN по-прежнему требуется обратная связь от людей, и мы просим представителей предоставить отзывы о результатах модели, чтобы ИИ мог учиться на этих отзывах и становиться лучше.

Как подготовиться к распознаванию изображений на устройстве -

Распознавание изображений на устройстве открывает огромные возможности. Для успешно реализуя его, необходимы определенные приготовления. Мы рекомендуем сначала начать с онлайн-режима и позволить ИИ обучиться на различных изображениях SKU, прежде чем переходить в режим на устройстве. CPG может сначала развернуть свои ключевые показатели эффективности видимости розничной торговли в режиме на устройстве.

Кроме того, стратегические идеи, такие как информация о конкурентах и распознавание отображения цены можно отслеживать в онлайн-режиме, поскольку это может не потребовать быстрых корректирующих действий.

CPG также должен гарантировать, что их представители на местах хорошо обучены, когда дело доходит до рекомендаций по созданию идеальных изображений. Это было бы полезно для создания высокоточных отчетов о распознавании SKU перед переключением в режим на устройстве.

Распознавание изображений на устройстве - одна из ключевых функций, которая поможет производителям товаров повседневного спроса следить даже за своими удаленными магазинами и улучшить их розничную торговлю. Влияние того, что представители могут работать с мгновенными отчетами, может привести к повышению удовлетворенности клиентов, что приведет к улучшению здоровья бренда и увеличению продаж. В эпоху после COVID покупатели не дадут второго шанса тем брендам, которые колеблются в наличии на полках, поскольку они выберут альтернативный продукт или перейдут на каналы электронной коммерции. 

Понравился блог? Проверьте наш другой блоги чтобы увидеть, как технология распознавания изображений может помочь брендам улучшить свои стратегии исполнения в розничной торговле.

Хотите увидеть, как ваш собственный бренд работает на полках? щелчок здесь запланировать бесплатную демонстрацию для ShelfWatch.

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