Otomatik Perakende Denetimleri için Cihaz Üzerinde Görüntü Tanıma: ParallelDots ile ODIN

Görüntü Tanıma kullanan otomatik perakende denetimleri, son yıllarda birçok CPG üreticisinin çözümü denemesi veya küresel olarak uygulamanın ileri aşamalarında popülerlik kazanmıştır. Ancak, göre POI raporu, maliyet ve hız temel endişelerdir ve bu ezber bozan çözümün yaygın bir şekilde benimsenmesini engeller.

Perakende işlemlerini izlemek için Görüntü Tanıma manuel mağaza kontrollerine kıyasla sağladığı zaman tasarrufu ve yüksek doğruluk oranı nedeniyle popüler hale geliyor. Göre Gartner raporu, Görüntü tanıma teknolojisi, satış gücü üretkenliğini artırabilir, raf durumu öngörülerini iyileştirebilir ve satışların artmasına yardımcı olabilir. 

Görüntü Tanıma teknolojisinin tüm kanıtlanmış faydalarına rağmen, yüksek uygulama maliyeti ve yavaş geri dönüş süreleri gibi pratik sorunlar, bu çözümün benimsenmesini düşük tutmuştur. Biz paralel Noktalar, bu sorunları çözmeye çalışırken çok zorlandım cihaz üzerinde görüntü tanıma çözümümüz ODIN'i başlatarak. ODIN ile, temsilciler tarafından yakalanan tüm görüntüler elde tutulan cihazlarda işlenecek ve böylece KPI raporları oluşturmak için aktif bir internet bağlantısı ve kalite kontrol süreçleri kullanma ihtiyacını ortadan kaldıracaktır. Bu blog gönderisinde, ODIN konusundaki yaklaşımımızı ve bunun neden her ölçekteki CPG şirketleri için oyunun kurallarını değiştirebileceğini tartışacağız. mükemmel mağaza programları.

Cihaz Üzerinde Görüntü Tanıma, Otomatik Perakende Denetimleri için neden oyunun kurallarını değiştiriyor?

Mevcut son teknoloji görüntü tanıma algoritmaları, verimli bir şekilde çalışmak için GPU'lar gibi güçlü sunuculara ihtiyaç duyar. Bu tür bilgi işlem gücü, günümüzün bulut bilişim altyapısı aracılığıyla kullanılabilir hale getirilebilir. Ancak bu, alan temsilcilerinin mağazada fotoğraf çekmesi nedeniyle, bu fotoğrafların daha önce bulut sunucularına yüklenmesi gerektiği anlamına gelir. raf KPI'ları bu fotoğraflardan hesaplanabilir. Bu işlem, Wi-Fi bağlantısı veya iyi 4G internet bağlantısı olan mağazalarda iyi çalışır.

Bununla birlikte, internet bağlantısı birçok alanda veya yer altı mağazalarında iyi olmayabilir. Bu tür mağazalar için, temsilci hala mağazadayken KPI raporu almak mümkün değildir. Bu gibi durumlarda, cihazdaki görüntü tanıma, temsilcilerin çevrimiçi olmalarına gerek kalmadan çektikleri fotoğraflar hakkında geri bildirim almalarını sağlamak için çok iyi çalışabilir. 

Ayrıca Görüntü Tanıma teknolojisi, yüksek kaliteli görüntülerde iyi çalışır. Bu, yeterli ağ kullanılabilirliği sunan alanlarda bile görüntülerin yüklenmesi biraz zaman alabileceği anlamına gelir. Bu, alan temsilcilerinin görüntüleri yüklenmeden, bulut sunucusunda işlenmeden ve ardından sonuçların temsilciye geri gönderilmeden önce ek süre beklemeleri gereken senaryolara yol açabilir. Cihaz üzerinde tanıma, bu sorunu ortadan kaldırır ve sonucu anında üretir. Saha temsilcileri 5-10 dakika beklemek yerine saniyeler içinde bilgi sahibi olur. Bu, çıktıyı daha eyleme dönüştürülebilir hale getirir ve AI analizini beklemek için zaman harcanmaz.

İlgili Zorluklar

Etkili bir şekilde çalışmak üzere görüntü tanımayı kullanarak otomatik perakende denetimleri gerçekleştirmek için kaliteli görüntüler gereklidir. Görüntü kalitesindeki küçük değişiklikler bile görüntü tanıma yapılırken doğrulukta düşüşe neden olabilir. Bu, cihazda çalışan bilgisayarla görme modelinin doğruluğu için çok önemlidir.

Ayrıca, görüntü tanıma amacıyla doğru miktarda yüksek kaliteli eğitim verisi almak zor olabilir. CPG üreticilerinin neredeyse hiçbiri, mağaza görüntüleri için hazır bir etiketli veri tabanına sahip değildir. Bu nedenle, cihaz üzerinde görüntü tanımaya başlamanın önündeki en büyük engellerden biri, böyle bir veri tabanı oluşturmayla ilgili teslim süresi ve maliyetlerdir. 

Dahası, yeni ürünler piyasaya sürüldü veya ürün ambalajı değiştirilir - bu nedenle güncel tutmak için sürekli AI eğitimi ve yeniden eğitimi gerçekleştirilir. Yapay zekanın aynı konuda eğitilebilmesi için yeni ürün lansmanları için yüksek miktarda verinin birikmesinin biraz zaman alacağı gerçeğine ek olarak.

Cihazda görüntü tanımayı seçmeden önce dikkate alınması gereken bazı gerçekler -

Doğruluk ve içgörü hızı arasında her zaman bir denge vardır ve bu nedenle ideal bir çözüm, çözümü pratik hale getirmek için en optimum değeri bulacaktır. Bu nedenle, CPG yöneticilerinin, cihaz üzerinde görüntü tanımayı seçmeden önce daha düşük bir doğruluk veya daha yavaş içgörünün etkisinin ne olacağını değerlendirmesi gerekecektir. 

İdeal bir çözümün doğru ve çok hızlı olacağını kabul ettiğimiz için burada doğruluk ve hızdaki küçük farklılıklardan bahsettiğimizi belirtmek önemlidir. Bir CPG üreticisi,% 91 oranında doğru bir modeli devreye almak için gerekenden daha düşük kurulum süresi ve maliyetleriyle cihaz üzerinde% 98 SKU düzeyinde doğru bir model dağıtabilir. Bununla birlikte, yüksek doğruluk onlar için kritikse (çünkü perakendeci teşvikleri), daha yüksek doğruluk sağlamak için kalite kontrol sürecine izin veren çevrimiçi görüntü tanımayı tercih edebilirler. Ancak bu, temsilcilerin resimlerin yüklenmesini, işlenmesini, kalite kontrolünün yapılmasını beklemesi ve ardından KPI'lara erişmeden önce raporun cihazlarına indirilmesini beklemesi gerektiği anlamına gelir. 

Pratik amaçlar için% 91'lik bir çözüm de işe yarayabilir. % 91 oranında doğru bir çözüm, rafta mevcut 50 benzersiz SKU'nun dışında, AI'nın ~ 4 SKU'yu doğru şekilde seçemeyebileceği anlamına gelir. Saha temsilcilerinin cihaz üzerinde tanıma nezaketinden tasarruf edebileceği süre göz önüne alındığında, çevrimiçi modda oluşturulan raporları beklemelerine izin vermekten daha iyi bir uzlaşma olabilir (% 98 doğru olsa bile). Yapay zeka tarafından yapılan yanlış tahminleri görmezden gelebilir ve doğru olanlara göre harekete geçebilirler.

Bu çözümü kullanmak, Siri'den bir şarkı çalmasını istemeye benzer, çoğu zaman çalmasını istediğimiz şarkıyı doğru bir şekilde anlayacaktır, ancak birkaç durumda isteğimizi anlayamayabilir ve farklı bir şarkı çalabilir. Siri ile yaptığım testte, on istekten biri olarak sesli komutumla şarkı çalma söz konusu olduğunda% 80 doğru olduğunu buldum, iki isteğimi yerine getiremedi. Yine de, bir uygulamayı açmak, bir şarkıyı taramak veya aramak Siri'den onu çalmasını istemekten daha zahmetli (% 100 doğru çözüm) olduğundan, almaya istekli olduğum bir uzlaşma.

ODIN by ParallelDots: Otomatik Perakende Denetimleri için Aygıt Üzerinde Görüntü Tanıma

Yapay zeka destekli denetim çözümlerinin en büyük sınırlamalarından biri, anında doğru sonuçlar vermektir. Yüksek doğruluk sağlamak için gerekli bilgi işlem gücü yüksektir. Bununla birlikte, temsilciler tarafından kullanılan elde taşınır cihazların hesaplama kaynakları sınırlıdır ve cihazını her 2 veya 3 ziyaretten sonra şarj etmesi gerekmemesi için tekrar cihazının aşırı pil tüketiminden kaçınmak için dikkatli olunmalıdır. ParallelDots'un ODIN çözümünün kazandığı yer burasıdır. Veri bilimi ekibimiz, algoritmamızı optimize etmeyi başardı. rafİzle size her iki dünyanın da en iyisini verir - doğruluk ve hız.  

ODIN ile çözümümüz, fotoğrafların işlenmesi için buluta yüklenmesine gerek kalmadan fotoğraftaki her SKU'yu ve konumunu belirleyebilir. Bu, temsilcilerin anında görebileceği anlamına gelir. eksik SKU'lar MSL listesine göre ve yanlış yerleştirilmiş SKU'ları tanımlayın (premium markaları alt rafa koymak gibi). ODIN ayrıca, fotoğrafların fotoğraf tanıma için optimum kalitede olmaması durumunda temsilcinin fotoğrafları yeniden çekmesini isteyen, tamamen çevrimdışı bir görüntü kalitesi derecelendirme çözümüne sahiptir.

Cihaz üzerinde görüntü tanıma söz konusu olduğunda, müşterilerimize bunu sınırlı sayıda SKU ve KPI için dağıtmalarını öneririz. Ayrıca, cihaz üzerinde işleme ile kalite kontrolleri mümkün olmadığından, AI'nın farklı ortamlarda ve farklı oryantasyonlarda her SKU'nun yeterli örneğini gördüğünden emin olmak için proje başlamadan önce çok doğru bir model eğitmek önemlidir. Bu nedenle, müşterimize yüksek kaliteli verileri toplamak ve ardından bunun üzerinde bir model eğitmek için daha uzun bir kurulum süresi öneriyoruz. Bir kez konuşlandırıldıktan sonra ODIN hala insan geri bildirimine ihtiyaç duyuyor ve temsilcilerden modelin çıktıları hakkında geri bildirim sağlamalarını istiyoruz, böylece AI bu geri bildirimlerden öğrenebilir ve daha iyi olabilir.

Cihaz üzerinde görüntü tanımaya nasıl hazırlanılır -

Cihaz üzerinde görüntü tanıma, beraberinde büyük bir kapsam getiriyor. İçin başarıyla uygulamak, belirli hazırlıklar gereklidir. Önerimiz, ilk olarak çevrimiçi modla başlamak ve daha sonra cihaz üzerindeki moda geçmeden önce AI'nın çeşitli SKU görüntüleri üzerinde eğitilmesine izin vermektir. CPG, ilk olarak en iyi perakende görünürlük KPI'larını cihaz üzerinde modda dağıtabilir.

Dahası, rekabetçi bilgiler gibi stratejik bilgiler ve fiyat tanıma hızlı, düzeltici eylemler gerektirmeyebileceğinden çevrimiçi modda izlenebilir.

CPG, ideal görüntüleri yakalama yönergeleri söz konusu olduğunda saha temsilcilerinin de iyi eğitilmiş olmasını sağlamalıdır. Bu, cihaz üzerinde moda geçmeden önce son derece doğru SKU tanıma raporları oluşturmada yardımcı olacaktır.

Cihaz üzerinde görüntü tanıma, CPG üreticilerinin gözlerini uzaktaki mağazalarında bile tutmalarına ve onlar için perakende uygulamalarını geliştirmelerine yardımcı olacak temel özelliklerden biridir. Temsilcilerin anlık raporları harekete geçirebilmelerinin etkisi, daha sonra müşteri memnuniyetinin artmasına, marka sağlığının iyileşmesine ve daha iyi satışlara yol açabilir. COVID sonrası dönemde müşteriler, alternatif bir ürün seçecekleri veya e-ticaret kanallarına geçecekleri için raflarda dalgalanma gösteren markalara ikinci bir şans vermeyecek. 

Blogu beğendin mi? Diğerimize göz atın birisinde görüntü tanıma teknolojisinin markaların perakendede yürütme stratejilerini iyileştirmesine nasıl yardımcı olabileceğini görmek için.

Kendi markanızın raflarda nasıl bir performans gösterdiğini görmek ister misiniz? Tıklayın okuyun ShelfWatch için ücretsiz bir demo planlamak için.

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