Розпізнавання зображень на пристрої для автоматизованих аудитів роздрібної торгівлі: ODIN від ParallelDots

Перевидано Платоном

читають: 0

Автоматизовані аудити роздрібної торгівлі з використанням розпізнавання зображень набули популярності в останні роки, оскільки багато виробників CPG випробовують це рішення або перебувають на просунутій стадії впровадження в усьому світі. Однак, згідно з Звіт POI, вартість і швидкість є основними проблемами, які перешкоджають широкому впровадженню цього кардинального рішення

Розпізнавання зображень для відстеження виконання роздрібної торгівлі стає популярним через економію часу та високу точність, яку він може забезпечити порівняно з ручними перевірками магазину. Згідно Звіт Gartner, Технологія розпізнавання зображень може підвищити продуктивність торгового персоналу, покращити аналіз стану полиць і допомогти збільшити продажі.

Незважаючи на всі підтверджені переваги технології розпізнавання зображень, практичні проблеми, такі як висока вартість впровадження та повільний час виконання, утримували це рішення на низькому рівні. Ми, в ParallelDots, наполегливо працювали, намагаючись вирішити ці проблеми запустивши наше рішення для розпізнавання зображень ODIN. Завдяки ODIN усі зображення, зроблені представниками, оброблятимуться на їхніх портативних пристроях, таким чином позбавляючись від необхідності використання активного підключення до Інтернету та процесів перевірки якості для створення звітів KPI. У цій публікації в блозі ми обговоримо наш підхід до ODIN і чому це може змінити правила гри для компаній CPG будь-якого розміру, які хочуть реалізувати свої ідеальні програми для магазинів.

Чому розпізнавання зображень на пристрої змінює гру для автоматизованих аудитів роздрібної торгівлі

Для ефективної роботи сучасних найсучасніших алгоритмів розпізнавання зображень потрібні потужні сервери, наприклад графічні процесори. Цей тип обчислювальної потужності може бути доступним через сучасну інфраструктуру хмарних обчислень. Однак це означає, що оскільки польові представники фотографують у магазині, ці фотографії потрібно завантажити на хмарні сервери, перш ніж KPI на полиці можна розрахувати за цими фотографіями. Цей процес добре працює в магазинах із підключенням Wi-Fi або хорошим підключенням до Інтернету 4G.

Однак підключення до Інтернету може бути поганим у багатьох районах або в підземних магазинах. Для таких магазинів неможливо отримати звіт про KPI, поки представник ще в магазині. У таких випадках розпізнавання зображень на пристрої може працювати дуже добре, щоб гарантувати, що представники отримають відгук про фотографії, які вони роблять, не вимагаючи від них виходу в Інтернет.

Крім того, технологія розпізнавання зображень добре працює на високоякісних зображеннях. Це означає, що для завантаження зображень може знадобитися деякий час, навіть у регіонах, де доступна мережа. Це може призвести до сценаріїв, коли представникам на місцях доведеться чекати додатковий час, перш ніж їхні зображення будуть завантажені, оброблені на хмарному сервері, а потім результати будуть надіслані назад представнику. Розпізнавання на пристрої усуває цю проблему та дає результат миттєво. Представники на місцях отримують інформацію за лічені секунди, а не чекають 5-10 хвилин. Це робить результат більш практичним, і не потрібно витрачати час на очікування аналізу ШІ.

Пов'язані виклики -

Для ефективної роботи автоматизованого аудиту роздрібної торгівлі з використанням розпізнавання зображень потрібні якісні зображення. Навіть незначні зміни в якості зображення можуть призвести до зниження точності розпізнавання зображень. Це має першочергове значення для точності моделі комп’ютерного зору, яка працює на пристрої.

Крім того, отримати потрібну кількість високоякісних навчальних даних для розпізнавання зображень може бути складно. Майже жоден із виробників CPG не має доступної міченої бази даних із зображеннями магазинів. Таким чином, однією з найбільших перешкод для початку роботи з розпізнаванням зображень на пристрої є час і витрати, пов’язані зі створенням такої бази даних.

Крім того, випускаються нові продукти або змінюється упаковка продукту – тому проводиться постійне навчання та перенавчання ШІ, щоб підтримувати його в актуальному стані. Додайте до того факту, що накопичення великої кількості даних для запуску нових продуктів потребує деякого часу, перш ніж штучний інтелект можна навіть навчити на цьому.

Деякі факти, які слід враховувати перед тим, як вибрати розпізнавання зображень на пристрої –

Завжди існує компроміс між точністю та швидкістю аналізу, тому ідеальне рішення знайде найоптимальнішу цінність, щоб зробити рішення практичним. Тому керівникам CPG доведеться оцінити вплив нижчої точності або повільніших аналізів, перш ніж вибрати розпізнавання зображень на пристрої.

Важливо зазначити, що тут ми маємо на увазі невеликі відмінності в точності та швидкості, оскільки ми визнаємо, що ідеальне рішення буде точним і дуже швидким. Виробник CPG може розгорнути на пристрої модель із точністю рівня артикула на 91% із меншим часом і витратами на налаштування, ніж для розгортання моделі з точністю на 98%. Однак якщо для них критична висока точність (через заохочення роздрібних торговців), вони можуть обрати онлайн-розпізнавання зображень, що дозволяє перевірити якість для забезпечення вищої точності. Однак це означає, що представникам доведеться чекати, доки зображення будуть завантажені, оброблені, перевірено якість, а потім дочекатися завантаження звіту на їхній пристрій, перш ніж вони зможуть отримати доступ до KPI.

Для практичних цілей також може спрацювати 91% розчин. Рішення на 91% точне означало б, що зі, скажімо, 50 унікальних SKU, доступних на полиці, ШІ може неправильно вибрати ~4 SKU. Враховуючи кількість часу, який польові представники можуть заощадити завдяки розпізнаванню на пристрої, це може бути кращим компромісом, ніж дозволити їм чекати звітів, створених в онлайн-режимі (навіть якщо вони можуть бути точними на 98%). Вони можуть просто ігнорувати неправильні прогнози, зроблені ШІ, і вживати заходів щодо правильних.

Використання цього рішення подібне до того, щоб попросити Siri відтворити пісню, у більшості випадків вона правильно зрозуміє пісню, яку ми попросили відтворити, але в деяких випадках вона може не зрозуміти наш запит і відтворити іншу пісню. У моєму власному тесті з Siri я виявив, що вона на 80% точна, коли йдеться про відтворення пісень за допомогою моєї голосової команди, оскільки з десяти запитів вона не змогла виконати мої два запити. Проте компроміс, на який я готовий піти, оскільки відкриття програми, перегляд або пошук пісні є більш громіздким (100% точне рішення), ніж просити Siri відтворити її.

ODIN від ParallelDots: розпізнавання зображень на пристрої для автоматизованих аудитів роздрібної торгівлі

ODIN від ParallelDots – розпізнавання зображень на пристрої для автоматизованих аудитів роздрібної торгівлі з точністю та швидкістю для CPG

Одним із найбільших обмежень рішень аудиту з підтримкою штучного інтелекту є миттєве надання точних результатів. Для забезпечення високої точності потрібна висока обчислювальна потужність. Проте кишенькові пристрої, якими користуються представники, мають обмежені обчислювальні ресурси, і потрібно бути обережним, щоб уникнути надмірного споживання заряду акумулятора пристроєм представників, інакше йому доведеться заряджати свій пристрій після кожні 2 або 3 відвідування. Саме тут рішення ODIN від ParallelDots виграє. Нашій команді з обробки даних вдалося оптимізувати наш алгоритм таким чином, що ShelfWatch дає вам найкраще з обох світів – точність і швидкість.

Завдяки ODIN наше рішення може ідентифікувати кожен SKU на фотографії та її розташування, не вимагаючи завантаження фотографій у хмару для обробки. Це означає, що представники можуть миттєво побачити відсутні SKU відповідно до списку MSL і визначте неправильно розміщені SKU (наприклад, розміщення преміум-брендів на нижній полиці). ODIN також має повністю офлайн-рішення для оцінки якості зображення, яке спонукає представника повторно зробити фотографії, якщо фотографії не мають оптимальної якості для розпізнавання фотографій.

Що стосується розпізнавання зображень на пристрої, ми рекомендуємо нашим клієнтам розгортати його для обмеженої кількості SKU та KPI. Крім того, оскільки перевірка якості неможлива при обробці на пристрої, важливо навчити дуже точну модель перед початком проекту, щоб переконатися, що штучний інтелект бачив достатньо зразків кожного SKU в різних середовищах і під різними орієнтаціями. Тому ми рекомендуємо нашому клієнту довший період налаштування, щоб зібрати високоякісні дані, а потім навчити модель на них. Після розгортання ODIN все ще потребує зворотного зв’язку від людини, і ми просимо представників надати відгук про результати моделі, щоб штучний інтелект міг вчитися на цих відгуках і ставати кращим.

Як підготуватися до розпізнавання зображень на пристрої –

Розпізнавання зображень на пристрої приносить із собою величезні можливості. для успішно реалізуючи його, потрібні певні приготування. Наша рекомендація полягає в тому, щоб спочатку почати з режиму онлайн і дозволити штучному інтелекту навчитися на різних образах SKU, а потім перейти до режиму на пристрої. CPG може спочатку розгорнути свої найвищі KPI роздрібної видимості в режимі на пристрої.

Крім того, такі стратегічні ідеї, як конкурентна інформація та розпізнавання відображення ціни можна відстежувати в онлайн-режимі, оскільки це може не вимагати швидких корекційних дій.

CPG також має переконатися, що їхні польові представники добре навчені, коли мова заходить про вказівки щодо зйомки ідеальних зображень. Це було б корисно для створення високоточних звітів про розпізнавання SKU перед переходом у режим на пристрої.

Розпізнавання зображень на пристрої є однією з ключових функцій, яка допоможе виробникам CPG стежити за навіть віддаленими магазинами та покращити роздрібну торгівлю для них. Вплив представників, здатних виконувати миттєві звіти, може призвести до покращення задоволеності клієнтів, що призведе до покращення стану бренду та кращих продажів. В епоху після COVID-XNUMX покупці не дадуть другого шансу тим брендам, у яких доступність на полицях коливається, оскільки вони оберуть альтернативний продукт або перейдуть на канали електронної комерції.

Сподобався блог? Перевірте наш інший блоги щоб побачити, як технологія розпізнавання зображень може допомогти брендам вдосконалити свої стратегії виконання в роздрібній торгівлі.

Хочете побачити, як працює ваш власний бренд на полицях? Клацніть тут запланувати безкоштовну демо -версію для ShelfWatch.