On-Device Image Recognition For Automated Retail Audits : ODIN By ParallelDots

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

تصویری شناخت کا استعمال کرتے ہوئے خودکار خوردہ آڈٹ نے حالیہ برسوں میں مقبولیت حاصل کی ہے کیونکہ بہت سے CPG مینوفیکچررز اس حل کو آزما رہے ہیں، یا اسے عالمی سطح پر نافذ کرنے کے جدید مراحل میں ہیں۔ تاہم، کے مطابق POI رپورٹ، لاگت اور رفتار اہم خدشات ہیں، اس گیم چینجر حل کو بڑے پیمانے پر اپنانے سے روکتے ہیں۔

ریٹیل ایگزیکیوشن کو ٹریک کرنے کے لیے تصویری شناخت وقت کی بچت اور اعلیٰ درستگی کی وجہ سے یہ مقبول ہو رہا ہے کہ یہ مینوئل اسٹور چیک کے مقابلے میں ڈیلیور کر سکتا ہے۔ فی کے طور پر گارٹنر رپورٹ، امیج ریکگنیشن ٹیکنالوجی سیلز فورس کی پیداواری صلاحیت کو بڑھا سکتی ہے، شیلف کی حالت کی بصیرت کو بہتر بنا سکتی ہے اور بڑھتی ہوئی فروخت کو آگے بڑھانے میں مدد کر سکتی ہے۔

امیج ریکگنیشن ٹیکنالوجی کے تمام ثابت شدہ فوائد کے باوجود، عملی مسائل جیسے کہ عمل درآمد کی زیادہ لاگت اور سست رفتاری نے اس حل کو اپنانا کم رکھا ہے۔ ہم، پر متوازی نقطے، ان مسائل سے نمٹنے کی کوشش میں سخت محنت کی گئی ہے۔ ہمارا آن ڈیوائس امیج ریکگنیشن سلوشن، ODIN لانچ کرکے۔ ODIN کے ساتھ، نمائندوں کے ذریعے کھینچی گئی تمام تصاویر کو ان کے ہاتھ سے پکڑے گئے آلے پر پروسیس کیا جائے گا، اس طرح KPI رپورٹس بنانے کے لیے ایک فعال انٹرنیٹ کنکشن اور کوالٹی چیک کے عمل کے استعمال کی ضرورت کو ختم کر دیا جائے گا۔ اس بلاگ پوسٹ میں، ہم ODIN کے بارے میں اپنے نقطہ نظر پر تبادلہ خیال کریں گے اور یہ ہر سائز کی CPG کمپنیوں کے لیے گیم چینجنگ کیوں ہو سکتا ہے، جو اپنی کامل اسٹور پروگرام۔

کیوں آن ڈیوائس امیج ریکگنیشن خودکار ریٹیل آڈٹس کے لیے گیم بدل رہی ہے۔

موجودہ جدید ترین امیج ریکگنیشن الگورتھم کو موثر کارکردگی کے لیے طاقتور سرورز جیسے GPUs کی ضرورت ہے۔ اس قسم کی کمپیوٹ پاور جدید دور کے کلاؤڈ کمپیوٹنگ انفراسٹرکچر کے ذریعے دستیاب کرائی جا سکتی ہے۔ تاہم، اس کا مطلب یہ ہے کہ چونکہ فیلڈ کے نمائندے اسٹور میں تصاویر لے رہے ہیں، اس سے پہلے ان تصاویر کو کلاؤڈ سرورز پر اپ لوڈ کرنے کی ضرورت ہے۔ شیلف KPIs ان تصاویر سے اندازہ لگایا جا سکتا ہے۔ یہ عمل Wi-Fi کنکشن یا اچھی 4G انٹرنیٹ کنیکٹیویٹی والے اسٹورز میں اچھی طرح کام کرتا ہے۔

تاہم، انٹرنیٹ کنیکٹیویٹی بہت سے علاقوں میں یا زیر زمین اسٹورز کے ساتھ اچھی نہیں ہوسکتی ہے۔ ایسے اسٹورز کے لیے، KPI رپورٹ حاصل کرنا ممکن نہیں ہے جب تک کہ نمائندہ اسٹور میں موجود ہو۔ اس طرح کے معاملات میں، ڈیوائس پر تصویر کی شناخت بہت اچھی طرح سے کام کر سکتی ہے تاکہ اس بات کو یقینی بنایا جا سکے کہ نمائندوں کو آن لائن جانے کی ضرورت کے بغیر، وہ جو تصاویر لے رہے ہیں ان پر فیڈ بیک حاصل کریں۔

نیز، امیج ریکگنیشن ٹیکنالوجی اعلیٰ معیار کی تصاویر پر اچھی طرح کام کرتی ہے۔ جس کا مطلب ہے، تصاویر کو اپ لوڈ ہونے میں کچھ وقت لگ سکتا ہے، یہاں تک کہ ان علاقوں میں بھی جو نیٹ ورک کی معقول دستیابی پیش کرتے ہیں۔ اس سے ایسے حالات پیدا ہو سکتے ہیں جہاں فیلڈ کے نمائندوں کو اپنی تصاویر اپ لوڈ کرنے، کلاؤڈ سرور میں پروسیس ہونے سے پہلے اضافی وقت کا انتظار کرنا پڑتا ہے اور پھر نتائج دوبارہ نمائندے کو بھیجے جاتے ہیں۔ آن ڈیوائس کی شناخت اس مسئلے کو ختم کرتی ہے اور فوری طور پر نتیجہ پیدا کرتی ہے۔ فیلڈ نمائندوں کو 5-10 منٹ تک انتظار کرنے کے بجائے سیکنڈوں میں بصیرت حاصل ہوتی ہے۔ یہ آؤٹ پٹ کو زیادہ قابل عمل بناتا ہے، اور AI تجزیہ کے انتظار میں کوئی وقت نہیں خرچ ہوتا ہے۔

شامل چیلنجز-

مؤثر طریقے سے کام کرنے کے لیے تصویر کی شناخت کا استعمال کرتے ہوئے خودکار خوردہ آڈٹ کرنے کے لیے، اچھی کوالٹی کی تصاویر درکار ہیں۔ تصویر کی کوالٹی میں چھوٹی تبدیلیاں بھی تصویر کی شناخت کرتے وقت درستگی میں کمی کا باعث بن سکتی ہیں۔ یہ کمپیوٹر وژن ماڈل کی درستگی کے لیے اہم ہے جو ڈیوائس پر چل رہا ہے۔

اس کے علاوہ، تصویر کی شناخت کے مقصد کے لیے اعلیٰ معیار کے تربیتی ڈیٹا کی صحیح مقدار حاصل کرنا مشکل ہو سکتا ہے۔ تقریباً کسی بھی سی پی جی مینوفیکچررز کے پاس اسٹور امیجز کا لیبل لگا ڈیٹا بیس آسانی سے دستیاب نہیں ہے۔ اس طرح، آن ڈیوائس امیج ریکگنیشن کے ساتھ شروعات کرنے میں سب سے بڑی رکاوٹ لیڈ ٹائم اور اس طرح کے ڈیٹا بیس کی تخلیق سے وابستہ اخراجات ہیں۔

اس کے علاوہ، نئی مصنوعات شروع کی جاتی ہیں یا پروڈکٹ کی پیکیجنگ کو تبدیل کیا جاتا ہے – اس لیے اسے اپ ڈیٹ رکھنے کے لیے AI کی مستقل تربیت اور دوبارہ تربیت کی جاتی ہے۔ اس حقیقت میں اضافہ کریں کہ نئی مصنوعات کے آغاز کے لیے ڈیٹا کی زیادہ مقدار کو جمع ہونے میں کچھ وقت لگے گا، اس سے پہلے کہ AI کو بھی اس پر تربیت دی جائے۔

ڈیوائس پر تصویر کی شناخت کا انتخاب کرنے سے پہلے غور کرنے کے لیے کچھ حقائق -

بصیرت کی درستگی اور رفتار کے درمیان ہمیشہ تجارت ہوتی ہے اور اس وجہ سے، ایک مثالی حل حل کو عملی بنانے کے لیے سب سے زیادہ قیمت تلاش کرے گا۔ لہذا، CPG ایگزیکٹوز کو آلہ پر تصویر کی شناخت کا انتخاب کرنے سے پہلے اس بات کا اندازہ لگانا ہوگا کہ کم درستگی یا سست بصیرت کا کیا اثر ہوگا۔

یہ نوٹ کرنا ضروری ہے کہ یہاں ہم درستگی اور رفتار میں چھوٹے فرق کا حوالہ دے رہے ہیں کیونکہ ہم تسلیم کرتے ہیں کہ ایک مثالی حل درست اور بہت تیز ہوگا۔ ایک CPG مینوفیکچرر 91% SKU لیول کے درست ماڈل کو کم سیٹ اپ وقت اور لاگت کے ساتھ ڈیوائس پر تعینات کرنے کے قابل ہو سکتا ہے، اس کے مقابلے میں اسے 98% درست ماڈل کی تعیناتی میں کیا ضرورت ہے۔ تاہم، اگر اعلی درستگی ان کے لیے اہم ہے (کی وجہ سے خوردہ فروش مراعات)، وہ آن لائن تصویر کی شناخت کا انتخاب کر سکتے ہیں جو اعلیٰ درستگی کو یقینی بنانے کے لیے کوالٹی چیک کے عمل کی اجازت دیتا ہے۔ تاہم، اس کا مطلب یہ ہے کہ نمائندوں کو تصاویر کے اپ لوڈ ہونے، پروسیس ہونے، معیار کی جانچ پڑتال کا انتظار کرنا پڑے گا اور پھر، KPIs تک رسائی حاصل کرنے سے پہلے اپنے ڈیوائس پر رپورٹ کے ڈاؤن لوڈ ہونے کا انتظار کریں۔

عملی مقاصد کے لیے 91% حل بھی کام کر سکتا ہے۔ 91% درست حل کا مطلب یہ ہوگا کہ شیلف پر 50 منفرد SKUs دستیاب ہیں، AI ممکن ہے ~4 SKUs کو صحیح طریقے سے منتخب نہ کرے۔ وقت کی مقدار کو دیکھتے ہوئے کہ فیلڈ کے نمائندے بشکریہ آن ڈیوائس کی شناخت کو بچا سکتے ہیں، یہ آن لائن موڈ میں تیار کردہ رپورٹس کا انتظار کرنے سے بہتر سمجھوتہ ہو سکتا ہے (چاہے یہ 98% درست بھی ہو)۔ وہ آسانی سے AI کی طرف سے کی گئی غلط پیشین گوئیوں کو نظر انداز کر سکتے ہیں اور صحیح پر کارروائی کر سکتے ہیں۔

اس حل کو استعمال کرنا سری کو گانا چلانے کے لیے کہنے کے مترادف ہے، زیادہ تر وقت وہ اس گانے کو صحیح طریقے سے سمجھے گی جسے ہم نے چلانے کے لیے کہا تھا لیکن کچھ مواقع پر، وہ ہماری درخواست کو سمجھ نہیں پاتی اور کوئی دوسرا گانا نہیں بجا سکتی۔ سری کے ساتھ اپنے ٹیسٹ میں، میں نے اسے 80% درست پایا ہے جب بات میری وائس کمانڈ سے گانے بجانے کی ہوتی ہے تو دس درخواستوں میں سے، وہ میری دو درخواستوں کو پورا نہیں کر سکی۔ پھر بھی، ایپ کھولنے، براؤزنگ یا گانا تلاش کرنے کے بعد میں ایک سمجھوتہ کرنے کو تیار ہوں، سری کو چلانے کے لیے کہنے سے کہیں زیادہ بوجھل (100% درست حل) ہے۔

ODIN بذریعہ ParallelDots : خودکار ریٹیل آڈٹس کے لیے ڈیوائس پر تصویر کی شناخت

ODIN بذریعہ ParallelDots - CPG کے لیے درستگی اور رفتار دونوں کے ساتھ خودکار ریٹیل آڈٹس کے لیے آن ڈیوائس تصویری شناخت

AI سے چلنے والے آڈٹ حل کی سب سے بڑی حدود میں سے ایک فوری طور پر درست نتائج دینا ہے۔ اعلی درستگی فراہم کرنے کے لیے، کمپیوٹنگ پاور کی ضرورت زیادہ ہے۔ تاہم، نمائندوں کے ذریعہ استعمال ہونے والے ہینڈ ہیلڈ ڈیوائسز میں کمپیوٹ کے محدود وسائل ہوتے ہیں اور کسی کو محتاط رہنا ہوگا کہ نمائندوں کے آلے کی بیٹری کی ضرورت سے زیادہ کھپت سے بچنے کے لیے ایسا نہ ہو کہ اسے ہر 2 یا 3 دوروں کے بعد اپنا آلہ چارج کرنا پڑے۔ یہ وہ جگہ ہے جہاں ParallelDots کا ODIN حل جیتتا ہے۔ ہماری ڈیٹا سائنس ٹیم نے ہمارے الگورتھم کو اس طرح سے بہتر بنانے میں کامیابی حاصل کی ہے۔ شیلف واچ آپ کو دونوں جہانوں میں بہترین فراہم کرتا ہے – درستگی اور رفتار۔

ODIN کے ساتھ، ہمارا حل تصویر میں موجود ہر SKU اور اس کے مقام کی شناخت کر سکتا ہے بغیر پروسیسنگ کے لیے تصاویر کو کلاؤڈ پر اپ لوڈ کرنے کی ضرورت ہے۔ اس کا مطلب ہے کہ نمائندے فوری طور پر دیکھ سکتے ہیں۔ SKUs غائب ہیں۔ MSL فہرست کے مطابق اور غلط طریقے سے رکھے گئے SKUs کی شناخت کریں (جیسے پریمیم برانڈز کو نیچے کی شیلف میں رکھنا)۔ ODIN میں مکمل طور پر آف لائن امیج کوالٹی گریڈنگ سلوشن بھی بنایا گیا ہے جو کہ نمائندے کو دوبارہ فوٹو لینے کا اشارہ کرتا ہے اگر فوٹو فوٹو ریکگنیشن کرنے کے لیے بہترین معیار کی نہ ہوں۔

جب آلہ پر تصویر کی شناخت کی بات آتی ہے، تو ہم اپنے کلائنٹس کو تجویز کرتے ہیں کہ وہ اسے محدود تعداد میں SKUs اور KPIs کے لیے تعینات کریں۔ نیز، چونکہ آن ڈیوائس پروسیسنگ کے ساتھ معیار کی جانچ ممکن نہیں ہے، اس لیے پروجیکٹ کے آغاز سے پہلے ایک بہت درست ماڈل کو تربیت دینا ضروری ہے تاکہ یہ یقینی بنایا جا سکے کہ AI نے ہر SKU کے کافی نمونے مختلف ماحول اور مختلف سمتوں میں دیکھے ہیں۔ اس لیے، ہم اپنے کلائنٹ کو اعلیٰ معیار کا ڈیٹا اکٹھا کرنے اور پھر اس پر ایک ماڈل کو تربیت دینے کے لیے طویل سیٹ اپ کی مدت کا مشورہ دیتے ہیں۔ ایک بار تعینات ہونے کے بعد، ODIN کو اب بھی انسانی تاثرات کی ضرورت ہے، اور ہم نمائندوں سے ماڈل کے آؤٹ پٹ پر فیڈ بیک فراہم کرنے کو کہتے ہیں تاکہ AI ان فیڈ بیکس سے سیکھ سکے اور بہتر بن سکے۔

ڈیوائس پر تصویر کی شناخت کے لیے کیسے تیاری کی جائے -

آلے پر تصویر کی شناخت اپنے ساتھ بے پناہ گنجائش لاتی ہے۔ کے لیے اسے کامیابی سے نافذ کرنا، کچھ تیاریوں کی ضرورت ہے. ہماری سفارش یہ ہے کہ سب سے پہلے آن لائن موڈ سے شروع کریں اور آلے کے موڈ پر جانے سے پہلے AI کو مختلف قسم کی SKU امیجز پر تربیت دی جائے۔ سی پی جی پہلے اپنے ٹاپ ریٹیل ویزیبلٹی KPIs کو آن ڈیوائس موڈ میں تعینات کر سکتا ہے۔

مزید یہ کہ اسٹریٹجک بصیرت جیسے مسابقتی معلومات اور قیمت ڈسپلے کی شناخت آن لائن موڈ میں ٹریک کیا جا سکتا ہے کیونکہ اس کے لیے فوری، علاجی اقدامات کی ضرورت نہیں ہو سکتی۔

سی پی جی کو یہ بھی یقینی بنانا چاہیے کہ جب مثالی تصاویر لینے کے رہنما اصولوں کی بات آتی ہے تو ان کے فیلڈ نمائندے اچھی طرح سے تربیت یافتہ ہوں۔ یہ آن ڈیوائس موڈ پر جانے سے پہلے انتہائی درست SKU شناختی رپورٹس تیار کرنے میں مددگار ثابت ہوگا۔

آن ڈیوائس امیج ریکگنیشن ان کلیدی خصوصیات میں سے ایک ہے جو سی پی جی مینوفیکچررز کو اپنے دور دراز کے اسٹورز پر نظر رکھنے اور ان کے لیے ریٹیل ایگزیکیوشن کو بہتر بنانے میں مدد کرے گی۔ فوری رپورٹس پر عمل کرنے کے قابل ہونے والے نمائندوں کے اثرات اس کے بعد صارفین کی اطمینان میں بہتری کا باعث بن سکتے ہیں، جس سے برانڈ کی صحت میں بہتری اور بہتر فروخت ہوتی ہے۔ کووڈ کے بعد کے دور میں، صارفین ان برانڈز کو دوسرا موقع نہیں دیں گے جن کی شیلف پر دستیابی میں اتار چڑھاؤ ہے کیونکہ وہ کسی متبادل پروڈکٹ کا انتخاب کریں گے یا ای کامرس چینلز پر جائیں گے۔

بلاگ پسند آیا؟ ہمارے دوسرے کو چیک کریں۔ بلاگز یہ دیکھنے کے لیے کہ کس طرح تصویر کی شناخت کی ٹیکنالوجی برانڈز کو ریٹیل میں اپنی عمل درآمد کی حکمت عملیوں کو بہتر بنانے میں مدد کر سکتی ہے۔

دیکھنا چاہتے ہیں کہ آپ کا اپنا برانڈ شیلف پر کیسا کارکردگی دکھا رہا ہے؟ کلک کریں۔ یہاں شیلف واچ کے لیے ایک مفت ڈیمو شیڈول کرنے کے لیے۔