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

Được xuất bản lại bởi Plato

Người theo dõi: 0

Kiểm tra bán lẻ tự động sử dụng Nhận dạng Hình ảnh đã trở nên phổ biến trong những năm gần đây khi nhiều nhà sản xuất CPG đang thử nghiệm giải pháp này hoặc đang trong giai đoạn triển khai nâng cao trên toàn cầu. Tuy nhiên, theo Báo cáo POI, chi phí và tốc độ là mối quan tâm chính, ngăn cản việc áp dụng rộng rãi giải pháp thay đổi cuộc chơi này

Nhận dạng hình ảnh để theo dõi việc thực hiện bán lẻ đang trở nên phổ biến vì tính tiết kiệm thời gian và độ chính xác cao mà nó có thể mang lại so với việc kiểm tra cửa hàng thủ công. Theo Báo cáo Gartner, Công nghệ nhận dạng hình ảnh có thể tăng năng suất của lực lượng bán hàng, cải thiện thông tin chi tiết về tình trạng kệ hàng và giúp thúc đẩy doanh số bán hàng tăng lên.

Bất chấp tất cả những lợi ích đã được chứng minh của công nghệ Nhận dạng Hình ảnh, các vấn đề thực tế như chi phí triển khai cao và thời gian xử lý chậm đã khiến việc áp dụng giải pháp này ở mức thấp. Chúng tôi, tại ParallelDots, đã làm việc chăm chỉ để cố gắng giải quyết những vấn đề này bằng cách ra mắt giải pháp nhận dạng hình ảnh trên thiết bị của chúng tôi, ODIN. Với ODIN, tất cả hình ảnh do người đại diện chụp sẽ được xử lý trên thiết bị cầm tay của họ, do đó không cần phải sử dụng kết nối Internet đang hoạt động và quy trình kiểm tra chất lượng để tạo báo cáo KPI. Trong bài đăng blog này, chúng tôi sẽ thảo luận về cách tiếp cận của chúng tôi về ODIN và lý do tại sao điều này có thể thay đổi cuộc chơi đối với các công ty CPG thuộc mọi quy mô, những người muốn triển khai chương trình cửa hàng hoàn hảo.

Tại sao Nhận dạng hình ảnh trên thiết bị lại thay đổi cuộc chơi đối với Kiểm tra bán lẻ tự động

Các thuật toán nhận dạng hình ảnh tiên tiến hiện nay cần các máy chủ mạnh mẽ như GPU để hoạt động hiệu quả. Loại sức mạnh tính toán này có thể được cung cấp thông qua cơ sở hạ tầng điện toán đám mây hiện đại. Tuy nhiên, điều này có nghĩa là khi đại diện hiện trường chụp ảnh trong cửa hàng, những bức ảnh này cần phải được tải lên máy chủ đám mây trước khi chụp ảnh. kệ KPI có thể được tính toán từ những bức ảnh này. Quá trình này hoạt động tốt ở những cửa hàng có kết nối Wi-Fi hoặc kết nối internet 4G tốt.

Tuy nhiên, kết nối internet có thể không tốt ở nhiều khu vực hoặc với các cửa hàng ngầm. Đối với những cửa hàng như vậy, không thể nhận được báo cáo KPI khi đại diện vẫn còn ở cửa hàng. Đối với những trường hợp như vậy, tính năng nhận dạng hình ảnh trên thiết bị có thể hoạt động rất hiệu quả để đảm bảo rằng các đại diện nhận được phản hồi về ảnh họ đang chụp mà không yêu cầu họ phải truy cập trực tuyến.

Ngoài ra, công nghệ Nhận dạng Hình ảnh hoạt động tốt trên hình ảnh chất lượng cao. Điều đó có nghĩa là có thể mất một thời gian để hình ảnh được tải lên, ngay cả ở những khu vực có mạng sẵn có tốt. Điều này có thể dẫn đến trường hợp người đại diện hiện trường phải đợi thêm thời gian trước khi hình ảnh của họ được tải lên, xử lý trên máy chủ đám mây và sau đó, kết quả sẽ được gửi lại cho người đại diện. Nhận dạng trên thiết bị sẽ loại bỏ vấn đề này và đưa ra kết quả ngay lập tức. Người đại diện hiện trường sẽ có được thông tin chi tiết trong vài giây thay vì phải đợi 5-10 phút. Điều này làm cho kết quả đầu ra dễ thực hiện hơn và không mất thời gian chờ phân tích AI.

Những thách thức liên quan-

Để tiến hành kiểm tra bán lẻ tự động bằng cách sử dụng nhận dạng hình ảnh để hoạt động hiệu quả, cần có hình ảnh chất lượng tốt. Ngay cả những thay đổi nhỏ về chất lượng hình ảnh cũng có thể dẫn đến giảm độ chính xác khi thực hiện nhận dạng hình ảnh. Đây là điều tối quan trọng đối với tính chính xác của mô hình thị giác máy tính đang chạy trên thiết bị.

Ngoài ra, việc có được lượng dữ liệu đào tạo chất lượng cao phù hợp cho mục đích nhận dạng hình ảnh có thể là một thách thức. Hầu như không có nhà sản xuất CPG nào có sẵn cơ sở dữ liệu được dán nhãn về hình ảnh cửa hàng. Do đó, một trong những trở ngại lớn nhất khi bắt đầu nhận dạng hình ảnh trên thiết bị là thời gian và chi phí liên quan đến việc tạo cơ sở dữ liệu như vậy.

Hơn thế nữa, sản phẩm mới được ra mắt hoặc bao bì sản phẩm bị thay đổi – do đó, việc đào tạo và đào tạo lại AI liên tục được thực hiện để cập nhật nó. Thêm vào thực tế là lượng dữ liệu lớn về việc ra mắt sản phẩm mới sẽ mất một thời gian để tích lũy, trước khi AI có thể được đào tạo về dữ liệu tương tự.

Một số thông tin cần cân nhắc trước khi chọn nhận dạng hình ảnh trên thiết bị –

Luôn có sự cân bằng giữa độ chính xác và tốc độ hiểu biết sâu sắc và do đó, một giải pháp lý tưởng sẽ tìm ra giá trị tối ưu nhất để biến giải pháp đó thành hiện thực. Do đó, các nhà điều hành CPG sẽ phải đánh giá tác động của việc độ chính xác thấp hơn hoặc thông tin chi tiết chậm hơn trước khi chọn nhận dạng hình ảnh trên thiết bị.

Điều quan trọng cần lưu ý là ở đây chúng tôi đang đề cập đến những khác biệt nhỏ về độ chính xác và tốc độ vì chúng tôi thừa nhận rằng một giải pháp lý tưởng sẽ chính xác và rất nhanh. Nhà sản xuất CPG có thể triển khai mô hình chính xác ở mức SKU 91% trên thiết bị với thời gian và chi phí thiết lập thấp hơn so với những gì cần thiết để triển khai mô hình chính xác 98%. Tuy nhiên, nếu độ chính xác cao là rất quan trọng đối với họ (do ưu đãi bán lẻ), họ có thể chọn nhận dạng hình ảnh trực tuyến để cho phép thực hiện quy trình kiểm tra chất lượng nhằm đảm bảo độ chính xác cao hơn. Tuy nhiên, điều này có nghĩa là các đại diện sẽ phải đợi hình ảnh được tải lên, xử lý, kiểm tra chất lượng và sau đó đợi báo cáo được tải xuống thiết bị của họ trước khi họ có thể truy cập KPI.

Đối với các mục đích thực tế, giải pháp 91% cũng có thể hiệu quả. Giải pháp chính xác 91% có nghĩa là trong số 50 SKU duy nhất có sẵn trên kệ, AI có thể không chọn chính xác ~ 4 SKU. Với lượng thời gian mà các đại diện hiện trường có thể lưu lại tính năng nhận dạng lịch sự trên thiết bị, có thể sẽ là một sự thỏa hiệp tốt hơn là để họ chờ báo cáo được tạo ở chế độ trực tuyến (ngay cả khi báo cáo đó có thể chính xác đến 98%). Họ có thể chỉ cần bỏ qua những dự đoán không chính xác do AI đưa ra và thực hiện hành động đối với những dự đoán đúng.

Sử dụng giải pháp này tương tự như yêu cầu Siri phát một bài hát, hầu hết cô ấy sẽ hiểu chính xác bài hát mà chúng tôi yêu cầu cô ấy chơi nhưng trong một số trường hợp, cô ấy có thể không hiểu yêu cầu của chúng tôi và chơi một bài hát khác. Trong thử nghiệm của riêng tôi với Siri, tôi thấy nó chính xác 80% khi phát các bài hát từ lệnh thoại của tôi vì trong số mười yêu cầu, cô ấy không thể thực hiện hai yêu cầu của tôi. Tuy nhiên, một sự thỏa hiệp mà tôi sẵn sàng chấp nhận vì việc mở một ứng dụng, duyệt hoặc tìm kiếm một bài hát sẽ phức tạp hơn (giải pháp chính xác 100%) so với việc yêu cầu Siri phát bài hát đó.

ODIN của ParallelDots: Nhận dạng hình ảnh trên thiết bị để kiểm tra bán lẻ tự động

ODIN của ParallelDots – Nhận dạng hình ảnh trên thiết bị để kiểm tra bán lẻ tự động với cả độ chính xác và tốc độ cho CPG

Một trong những hạn chế lớn nhất của giải pháp kiểm toán hỗ trợ AI là đưa ra kết quả chính xác ngay lập tức. Để mang lại độ chính xác cao, yêu cầu sức mạnh tính toán cao. Tuy nhiên, thiết bị cầm tay được người đại diện sử dụng có tài nguyên tính toán hạn chế và người ta phải cẩn thận để tránh tiêu thụ quá nhiều pin trên thiết bị của người đại diện, kẻo anh ta cần sạc thiết bị của mình sau mỗi 2 hoặc 3 lần truy cập. Đây là lúc giải pháp ODIN của ParallelDots chiến thắng. Nhóm khoa học dữ liệu của chúng tôi đã thành công trong việc tối ưu hóa thuật toán theo cách đó. Kệ mang đến cho bạn những điều tốt nhất của cả hai thế giới – độ chính xác và tốc độ.

Với ODIN, giải pháp của chúng tôi có thể xác định mọi SKU trong ảnh và vị trí của nó mà không yêu cầu tải ảnh lên đám mây để xử lý. Điều này có nghĩa là các đại diện có thể ngay lập tức nhìn thấy SKU bị thiếu theo danh sách MSL và xác định các SKU bị đặt sai (chẳng hạn như đặt các thương hiệu cao cấp ở kệ dưới cùng). ODIN cũng có một giải pháp phân loại chất lượng hình ảnh hoàn toàn ngoại tuyến được tích hợp sẵn để nhắc người đại diện chụp lại ảnh nếu ảnh không có chất lượng tối ưu để nhận dạng ảnh.

Khi nói đến tính năng nhận dạng hình ảnh trên thiết bị, chúng tôi khuyên khách hàng nên triển khai tính năng này cho một số SKU và KPI có giới hạn. Ngoài ra, vì không thể kiểm tra chất lượng khi xử lý trên thiết bị nên điều quan trọng là phải đào tạo một mô hình thật chính xác trước khi bắt đầu dự án để đảm bảo AI đã xem đủ mẫu của mọi SKU trong các môi trường khác nhau và theo các hướng khác nhau. Do đó, chúng tôi khuyên khách hàng nên dành thời gian thiết lập lâu hơn để thu thập dữ liệu chất lượng cao và sau đó đào tạo mô hình trên dữ liệu đó. Sau khi triển khai, ODIN vẫn cần phản hồi của con người và chúng tôi yêu cầu các đại diện cung cấp phản hồi về đầu ra của mô hình để AI có thể học hỏi từ những phản hồi đó và trở nên tốt hơn.

Cách chuẩn bị cho việc nhận dạng hình ảnh trên thiết bị –

Nhận dạng hình ảnh trên thiết bị mang lại phạm vi rộng lớn. Vì thực hiện thành công, cần có sự chuẩn bị nhất định. Khuyến nghị của chúng tôi là trước tiên hãy bắt đầu với chế độ trực tuyến và để AI được huấn luyện trên nhiều hình ảnh SKU khác nhau trước khi chuyển sang chế độ trên thiết bị. CPG trước tiên có thể triển khai các KPI về khả năng hiển thị bán lẻ hàng đầu của họ ở chế độ trên thiết bị.

Hơn nữa, những hiểu biết mang tính chiến lược như thông tin cạnh tranh và nhận dạng hiển thị giá có thể được theo dõi ở chế độ trực tuyến vì điều này có thể không cần đến các hành động khắc phục nhanh chóng.

CPG cũng phải đảm bảo rằng đại diện hiện trường của họ được đào tạo bài bản về các nguyên tắc chụp những bức ảnh lý tưởng. Điều này sẽ hữu ích trong việc tạo báo cáo nhận dạng SKU có độ chính xác cao trước khi chuyển sang chế độ trên thiết bị.

Nhận dạng hình ảnh trên thiết bị là một trong những tính năng chính giúp các nhà sản xuất CPG theo dõi ngay cả các cửa hàng ở xa và cải thiện hoạt động bán lẻ cho họ. Tác động của việc các đại diện có thể thực hiện các báo cáo tức thì có thể dẫn đến sự hài lòng của khách hàng được cải thiện, dẫn đến sức khỏe thương hiệu được cải thiện và doanh số bán hàng tốt hơn. Trong thời kỳ hậu COVID, khách hàng sẽ không trao cơ hội thứ hai cho những thương hiệu có lượng hàng sẵn có trên kệ dao động vì họ sẽ lựa chọn một sản phẩm thay thế hoặc chuyển sang các kênh thương mại điện tử.

Thích blog? Kiểm tra khác của chúng tôi blog để xem cách công nghệ nhận dạng hình ảnh có thể giúp các thương hiệu cải thiện chiến lược thực hiện của họ trong lĩnh vực bán lẻ.

Bạn muốn xem thương hiệu của riêng bạn đang hoạt động như thế nào trên kệ hàng? Nhấp chuột tại đây để lên lịch giới thiệu miễn phí cho ShelfWatch.