Prepoznavanje slik v napravi za avtomatizirane maloprodajne revizije: ODIN by ParallelDots

Ponovno objavil Platon

Spremljevalci: 0

Avtomatizirane maloprodajne revizije z uporabo prepoznavanja slik so v zadnjih letih postale priljubljene, saj številni proizvajalci CPG preizkušajo rešitev ali so v naprednih fazah njene implementacije po vsem svetu. Vendar glede na POI poročilo, stroški in hitrost sta glavni skrbi, ki preprečujeta široko sprejetje te rešitve, ki spreminja igre

Prepoznavanje slik za sledenje izvedbi maloprodaje postaja priljubljena zaradi prihranka časa in visoke natančnosti, ki jo lahko zagotovi v primerjavi z ročnimi pregledi trgovin. Glede na Gartnerjevo poročilo, Tehnologija prepoznavanja slik lahko poveča produktivnost prodajne sile, izboljša vpogled v stanje na policah in pomaga povečati prodajo.

Kljub vsem dokazanim prednostim tehnologije za prepoznavanje slik so praktične težave, kot so visoki stroški implementacije in počasni časi izvedbe, zadržale nizko sprejetje te rešitve. Mi, pri ParallelDots, trdo delali, da bi rešili te težave z lansiranjem naše rešitve za prepoznavanje slik v napravi, ODIN. Z ODIN bodo vse slike, ki jih posnamejo predstavniki, obdelane na njihovi ročni napravi, s čimer se odpravi potreba po uporabi aktivne internetne povezave in procesov preverjanja kakovosti za ustvarjanje poročil KPI. V tej objavi v spletnem dnevniku bomo razpravljali o našem pristopu k ODIN-u in o tem, zakaj bi to lahko spremenilo igro za podjetja CPG vseh velikosti, ki želijo izvajati svoje popolni programi trgovin.

Zakaj prepoznavanje slik v napravi spreminja igro za avtomatizirane maloprodajne revizije

Trenutni najsodobnejši algoritmi za prepoznavanje slik za učinkovito delovanje potrebujejo zmogljive strežnike, kot so GPU. Ta vrsta računalniške moči je lahko na voljo prek sodobne infrastrukture računalništva v oblaku. Vendar to pomeni, da je treba, ker predstavniki na terenu fotografirajo v trgovini, te fotografije naložiti v strežnike v oblaku, preden KPI na polici je mogoče izračunati iz teh fotografij. Ta postopek dobro deluje v trgovinah s povezavo Wi-Fi ali dobro internetno povezavo 4G.

Vendar internetna povezljivost morda ni dobra na mnogih območjih ali v podzemnih trgovinah. Za takšne trgovine pridobivanje poročila KPI ni mogoče, medtem ko je predstavnik še v trgovini. V takšnih primerih lahko prepoznavanje slik v napravi deluje zelo dobro, da zagotovi, da predstavniki dobijo povratne informacije o fotografijah, ki jih posnamejo, ne da bi jim bilo treba vzpostaviti internet.

Poleg tega tehnologija za prepoznavanje slik dobro deluje na visokokakovostnih slikah. Kar pomeni, da lahko traja nekaj časa, da se slike naložijo, tudi na območjih, ki ponujajo dostojno razpoložljivost omrežja. To lahko privede do scenarijev, v katerih morajo terenski predstavniki čakati še nekaj časa, preden se njihove slike naložijo, obdelajo v strežniku v oblaku in nato rezultati pošljejo nazaj predstavniku. Prepoznavanje v napravi odpravi to težavo in takoj prikaže rezultat. Predstavniki na terenu dobijo vpoglede v nekaj sekundah, namesto da bi čakali 5–10 minut. Zaradi tega je rezultat bolj uporaben in ne potrebujete več časa za čakanje na analizo AI.

Vključeni izzivi -

Za učinkovito izvajanje avtomatiziranih maloprodajnih revizij z uporabo prepoznavanja slik so potrebne slike dobre kakovosti. Celo majhne spremembe v kakovosti slike lahko povzročijo zmanjšanje natančnosti pri prepoznavanju slike. To je najpomembnejše za natančnost modela računalniškega vida, ki se izvaja v napravi.

Tudi pridobivanje prave količine visokokakovostnih podatkov o usposabljanju za namene prepoznavanja slik je lahko izziv. Skoraj nobeden od proizvajalcev CPG nima takoj dostopne označene baze slik trgovin. Tako je ena največjih ovir za začetek prepoznavanja slik v napravi čas in stroški, povezani z ustvarjanjem takšne baze podatkov.

Poleg tega, lansirajo se novi izdelki ali se spremeni embalaža izdelka – zato se izvaja stalno usposabljanje in prekvalificiranje AI, da se posodablja. Če k temu dodamo še dejstvo, da bi bilo potrebno nekaj časa, da se nabere velika količina podatkov za lansiranje novih izdelkov, preden se lahko AI sploh usposobi za to.

Nekaj dejstev, ki jih morate upoštevati, preden se odločite za prepoznavanje slik v napravi –

Vedno obstaja kompromis med natančnostjo in hitrostjo vpogledov, zato bo idealna rešitev našla najbolj optimalno vrednost, da bo rešitev praktična. Zato bodo morali vodje CPG oceniti, kakšen bo vpliv nižje natančnosti ali počasnejših vpogledov, preden se odločijo za prepoznavanje slik v napravi.

Pomembno je omeniti, da tukaj mislimo na majhne razlike v natančnosti in hitrosti, saj priznavamo, da bo idealna rešitev natančna in zelo hitra. Proizvajalec CPG bo morda lahko v napravo uvedel 91-odstotno natančen model na ravni SKU z nižjim časom namestitve in stroški, kot je potrebno za uvedbo 98-odstotno natančnega modela. Če pa je zanje kritična visoka natančnost (zaradi spodbude trgovcem na drobno), se lahko odločijo za spletno prepoznavanje slik, ki omogoča postopek preverjanja kakovosti za zagotovitev večje natančnosti. Vendar to pomeni, da bodo morali predstavniki počakati, da se slike naložijo, obdelajo, preveri kakovost in nato počakati, da se poročilo prenese v njihovo napravo, preden lahko dostopajo do KPI-jev.

Za praktične namene lahko deluje tudi 91-odstotna raztopina. 91-odstotno natančna rešitev bi pomenila, da od recimo 50 edinstvenih SKU-jev, ki so na voljo na polici, AI morda ne bo pravilno izbral ~4 SKU-jev. Glede na količino časa, ki ga lahko terenski predstavniki prihranijo z vljudnostnim prepoznavanjem v napravi, je morda boljši kompromis, kot da jim dovolite, da čakajo na poročila, ustvarjena v spletnem načinu (tudi če so morda 98-odstotno točna). Preprosto lahko ignorirajo napačne napovedi umetne inteligence in ukrepajo glede na pravilne.

Uporaba te rešitve je podobna pozivu Siri, naj predvaja pesem, večino časa bo pravilno razumela pesem, za katero smo jo prosili, vendar ob nekaj priložnostih morda ne bo razumela naše zahteve in bo predvajala drugo pesem. V lastnem preizkusu s Siri sem ugotovil, da je 80-odstotno natančna, ko gre za predvajanje pesmi z mojim glasovnim ukazom, saj od desetih zahtev ni mogla izpolniti mojih dveh zahtev. Vendar je kompromis, ki sem ga več kot pripravljen sprejeti, saj je odpiranje aplikacije, brskanje ali iskanje skladbe bolj okorno (100-odstotno natančna rešitev), kot če bi prosili Siri, da jo predvaja.

ODIN by ParallelDots: Prepoznavanje slik v napravi za samodejne maloprodajne revizije

ODIN by ParallelDots – prepoznavanje slik v napravi za avtomatizirane maloprodajne revizije z natančnostjo in hitrostjo za CPG

Ena največjih omejitev revizijskih rešitev, ki podpirajo AI, je takojšnje zagotavljanje natančnih rezultatov. Za zagotavljanje visoke natančnosti je potrebna velika računalniška moč. Vendar pa imajo ročne naprave, ki jih uporabljajo predstavniki, omejene računalniške vire, zato je treba paziti, da se izognemo prekomerni porabi baterije v napravi predstavnikov, da mu ne bo treba polniti svoje naprave po vsakih 2 ali 3 obiskih. Tukaj zmaga rešitev ParallelDots ODIN. Naši skupini za podatkovno znanost je uspelo naš algoritem optimizirati na tak način, da ShelfWatch vam daje najboljše iz obeh svetov – natančnost in hitrost.

Z ODIN lahko naša rešitev identificira vsako SKU na fotografiji in njeno lokacijo, ne da bi bilo treba fotografije naložiti v oblak za obdelavo. To pomeni, da lahko predstavniki takoj vidijo manjkajoče SKU-je v skladu s seznamom MSL in identificirati napačno postavljene SKU-je (na primer dajanje vrhunskih blagovnih znamk na spodnjo polico). ODIN ima vgrajeno tudi rešitev za ocenjevanje kakovosti slike brez povezave, ki zastopnika pozove, naj ponovno posname fotografije, če fotografije niso optimalne kakovosti za prepoznavanje fotografij.

Ko gre za prepoznavanje slik v napravi, našim strankam priporočamo, da ga uvedejo za omejeno število SKU-jev in KPI-jev. Poleg tega, ker preverjanja kakovosti niso mogoča pri obdelavi v napravi, je pomembno usposobiti zelo natančen model pred začetkom projekta, da zagotovimo, da je AI videl dovolj vzorcev vsake SKU v različnih okoljih in pod različnimi usmeritvami. Zato naši stranki priporočamo daljše obdobje nastavitve, da zbere visokokakovostne podatke in nato na njih usposobi model. Ko je ODIN enkrat uveden, še vedno potrebuje človeške povratne informacije, predstavnike pa prosimo, da zagotovijo povratne informacije o rezultatih modela, tako da se lahko AI uči iz teh povratnih informacij in postane boljši.

Kako se pripraviti na prepoznavanje slike v napravi –

Prepoznavanje slik v napravi prinaša ogromen obseg. Za uspešno izvajati, potrebne so določene priprave. Naše priporočilo je, da najprej začnete s spletnim načinom in pustite, da se umetna inteligenca uri na različnih slikah SKU, preden se premaknete v način v napravi. CPG lahko najprej uvede svoje KPI za najvišjo maloprodajno vidljivost v načinu na napravi.

Poleg tega strateški vpogledi, kot so informacije o konkurenci in prepoznavanje izpisa cen je mogoče slediti v spletnem načinu, saj to morda ne bo zahtevalo hitrih popravnih ukrepov.

CPG bi moral tudi zagotoviti, da so njihovi predstavniki na terenu dobro usposobljeni, ko gre za smernice za zajemanje idealnih slik. To bi bilo koristno pri izdelavi zelo natančnih poročil o prepoznavanju SKU, preden preklopite v način v napravi.

Prepoznavanje slik v napravi je ena od ključnih funkcij, ki bi proizvajalcem CPG pomagala, da bodo lahko spremljali celo svoje oddaljene trgovine in izboljšali izvajanje maloprodaje zanje. Vpliv tega, da lahko predstavniki ukrepajo na podlagi takojšnjih poročil, lahko nato privede do izboljšanega zadovoljstva strank, kar vodi do izboljšanega zdravja blagovne znamke in boljše prodaje. V obdobju po COVID-u kupci ne bodo dali druge priložnosti tistim blagovnim znamkam, ki imajo nihajočo razpoložljivost na policah, saj se bodo odločile za nadomestni izdelek ali prešle na kanale e-trgovine.

Všeč mi je bil blog? Oglejte si našo drugo blogi da vidite, kako lahko tehnologija prepoznavanja slike pomaga znamkam izboljšati strategije izvajanja v maloprodaji.

Želite videti, kako uspešna je vaša lastna blagovna znamka na policah? Kliknite tukaj za načrtovanje brezplačne predstavitve za ShelfWatch.