用于自动零售审核的设备上图像识别：ODIN By ParallelDots

由柏拉图重新发布

关注： 0

近年来，随着许多CPG制造商试用该解决方案，或处于在全球范围内实施该解决方案的高级阶段，使用Image Recognition进行的自动零售审计已变得越来越流行。但是，根据 POI报告，成本和速度是主要问题，阻碍了这种改变游戏规则的解决方案的广泛采用

图像识别以跟踪零售执行与手动商店支票相比，由于节省时间和准确性高，它正变得越来越流行。按照 Gartner报告，图像识别技术可以提高销售人员的生产率，改善货架状况的洞察力，并有助于推动增量销售。

尽管图像识别技术具有所有公认的优势，但实际问题（如实施成本高，周转时间慢）使该解决方案的采用率较低。我们，在平行点一直努力解决这些问题 通过启动我们的设备上图像识别解决方案ODIN。 使用ODIN，代表将捕获的所有图像都将在其手持设备上进行处理，从而无需使用活动的Internet连接和质量检查过程来生成KPI报告。在本博文中，我们将讨论我们在ODIN上的方法，以及为什么这对于希望实施其标准的各种规模的CPG公司来说可能会改变游戏规则完善的商店计划。

为什么设备上图像识别会改变自动零售审计的游戏规则

当前最先进的图像识别算法需要功能强大的服务器（例如GPU）才能高效执行。可以通过现代的云计算基础架构来提供这种类型的计算能力。但是，这意味着当现场代表在商店中拍照时，需要先将这些照片上传到云服务器，然后再将其上传到云服务器。货架KPI 可以从这些照片中计算出来。此过程在具有Wi-Fi连接或良好4G互联网连接的商店中效果很好。

但是，在许多地区或地下商店，互联网连接性可能不佳。对于此类商店，当销售代表仍在商店中时，不可能获得KPI报告。在这种情况下，设备上的图像识别可以很好地发挥作用，以确保销售代表可以获取所拍摄照片的反馈，而无需他们在线。

同样，图像识别技术在高质量图像上也能很好地工作。这意味着，即使在提供良好网络可用性的区域，上传图像也可能需要一段时间。这可能会导致现场代表必须等待额外的时间才能上传其图像，在云服务器中进行处理，然后将结果发送回代表的情况。设备上的识别消除了这个问题，并立即产生结果。现场代表可以在几秒钟内获得洞察力，而不必等待5-10分钟。这使输出更具可操作性，并且无需花费时间等待AI分析。

所涉及的挑战

为了使用图像识别进行有效的自动零售审核，需要高质量的图像。进行图像识别时，即使图像质量的微小变化也可能导致精度下降。这对于在设备上运行的计算机视觉模型的准确性至关重要。

同样，获取适量的高质量训练数据以进行图像识别也可能具有挑战性。几乎没有CPG制造商拥有随时可用的带有标签的商店图像数据库。因此，开始在设备上进行图像识别的最大障碍之一是交付时间和与创建此类数据库相关的成本。

此外，新产品发布或产品包装已更改-因此要对AI进行不断的培训和再培训以保持其更新。更重要的是，在AI甚至可以在同一产品上进行训练之前，新产品发布的大量数据就需要花费一些时间来积累。

选择设备上的图像识别之前需要考虑的一些事实–

在准确性和洞察速度之间始终需要权衡取舍，因此，理想的解决方案将找到使该解决方案实用的最佳值。因此，CPG管理人员必须选择较低的准确性或较慢的洞察力，然后才能选择设备上的图像识别功能，这会对他们产生什么影响。

重要的是要注意，这里我们指的是准确性和速度上的微小差异，因为我们承认理想的解决方案将是准确且非常快速的。与部署91％准确模型所需的时间相比，CPG制造商可以在设备上部署98％SKU级别的准确模型，而设置时间和成本更低。但是，如果高精度对他们来说至关重要（由于零售商激励措施），他们可能会选择在线图像识别，以便进行质量检查以确保更高的准确性。但是，这意味着销售代表将不得不等待图像上载，处理，质量检查，然后等待报表在其设备上下载，然后他们才能访问KPI。

出于实际目的，也可以使用91％的解决方案。 91％的准确解决方案意味着，在货架上可用的50个唯一SKU中，AI可能无法正确选择约4个SKU。给定现场代表可以节省礼节的设备识别时间，与让他们等待在线模式下生成的报告相比，这可能是一个更好的折衷方案（即使准确性可能达到98％）。他们可以简单地忽略AI做出的错误预测，并对正确的预测采取行动。

使用此解决方案类似于要求Siri播放一首歌曲，大多数情况下，她会正确理解我们要求她播放的歌曲，但在某些情况下，她可能无法理解我们的要求并播放另一首歌曲。在我自己对Siri的测试中，我发现从十个请求中播放我的语音命令中的歌曲时，它的准确率达到了80％，她无法满足我的两个请求。但是，与打开Siri播放相比，我非常乐意采取折衷方案，因为打开应用程序，浏览或搜索歌曲比查找Siri更麻烦（100％准确的解决方案）。

ODIN by ParallelDots：用于自动零售审计的设备上图像识别

ODIN by ParallelDots –用于CPG的准确和快速的自动零售审计的设备上图像识别

启用AI的审计解决方案的最大局限之一是立即提供准确的结果。为了提供高精度，所需的计算能力很高。但是，销售代表使用的手持设备的计算资源有限，必须小心避免销售代表设备的电池消耗过多，以免他需要每2或3次访问后就对其设备充电。这就是ParallelDots的ODIN解决方案取得成功的地方。我们的数据科学团队以这种方式成功优化了我们的算法，货架观察为您提供两全其美的优势–准确性和速度。

借助ODIN，我们的解决方案可以识别照片中的每个SKU及其位置，而无需将照片上传到云中进行处理。这意味着销售代表可以立即看到缺少SKU 根据MSL列表，并找出放置错误的SKU（例如，将高级品牌放在最底下）。 ODIN还内置了一个完全脱机的图像质量分级解决方案，如果照片不是进行照片识别的最佳质量，将提示销售代表重新拍摄照片。

关于设备上的图像识别，我们建议客户为有限数量的SKU和KPI部署它。此外，由于无法通过设备上的处理进行质量检查，因此在项目开始之前训练非常精确的模型非常重要，以确保AI在不同的环境和方向下可以看到每个SKU的足够样本。因此，我们建议客户更长的设置时间来收集高质量的数据，然后在其上训练模型。部署后，ODIN仍然需要人工反馈，我们要求销售代表就模型的输出提供反馈，以便AI可以从这些反馈中学习并变得更好。