Fill form to unlock content
Error - something went wrong!
再一個步驟就能完成您的內容。 請於下方提交。
謝謝!
即將登場:適用於零售環境的 AI 解決方案
大家都有過這種經驗:手上只拿了兩樣商品,卻得在收銀台前的隊伍等上二十分鐘。(至少已經沒有人拿支票付錢了。)您不禁懷疑,科技明明日新月異,我們為什麼還得在雜貨店排隊排到天荒地老!難道沒有更好的辦法?可能有。事實證明,這個方法不僅能為商店解決排隊管理的問題,還可發揮更多效益。
過去幾年,零售版圖發生了巨變:客戶期望持續演變,以智慧靈活且有意義的方式解決困難點的工具和技術也持續進化,而且很多都用到了 AI。如今,大量的機會與優勢伴隨 AI 而來,但是若要開發及打造這類 AI 解決方案,許多零售商不是措手不及,就是尚未替開發團隊配置人力,即使他們知道自己想達成哪些目標也只能搖頭嘆息。
幸好,現在已經有完整的實作專業知識生態系統,因此 Intel AI 軟體架構設計師暨推廣長 Ria Cheruvu,以及零售空間智慧解決方案供應商 Pathr.ai 的資深產品行銷與營運經理 Nicole O’Keefe 於是利用這個機會,探討了開發真正能發揮影響力的 AI 零售解決方案(影片 1)。
零售商目前面臨的最大挑戰是什麼?
Nicole O’Keefe:顧客追求順暢的結帳體驗,包括排隊隊伍短,以及等待時間短。如果顧客看到收銀台大排長龍,難免會感到煩躁,甚至可能乾脆放棄購物車,走出商店。這是零售商最不樂見的情況,因為放棄購物車會損失銷售量,還可能影響客戶忠誠度。另外,人力短缺和人力成本攀升也是他們擔心的問題。
這些因素都是現今零售業面臨的挑戰。由此可見,零售商尤其必須為顧客創造高效的結帳體驗。
AI 如何解決其中幾個困難點?
Ria Cheruvu:就整合多項解決方案,以及開發智慧隊伍管理和自動自助式結帳的模型而言,人工智慧絕對能派上用場。人工智慧可識別客戶體驗並提供見解,然後將見解整合至系統,針對多家商店與客戶提供寶貴的深入解析。我們發現,AI 還能協助擴充那個程序,並且將所有不同的功能整合在一起。
開發者如何成功建置及實作 AI 零售解決方案?
Ria Cheruvu:這項任務頗有難度,一來是因為這些模型有技術限制,二來則是模型設法滿足的使用案例類型所致。請試想,AI 能夠計算貨架上的商品數量,或是識別有人拿起商品後將它放入購物籃的情況。它可以整合到智慧購物車、智慧貨架或智慧機器人等。事實上,我們很多時候可以利用現成的模型,也可以運用技術訓練及建置自己的模型,靈活性很高。
隨後,您確實必須融入隱私與安全性這類元素。我們必須針對究竟如何在演算法整合這些元素慎重其事展開對話,包括遮住個人的臉,或是就他們購買的商品尊重他們的隱私,以及基本上讓個人保持匿名,同時擷取持續改進演算法所需要的深入解析。
然而,大量的 AI 技術陸續問世,加上技術推陳出新,因此展開零售領域方面的對話越來越容易。
Nicole O’Keefe:Pathr.ai 的品牌標語就是:見微知著。穿梭於樓層平面圖的每個點都是購物者,而且那個點沒有附加可識別個人身分的資訊。因此,零售商便能真正利用維護隱私的深入解析,以不偏不倚的方式做出業務決策。
您如何與零售商合作,實作這些 AI 解決方案?
Nicole O’Keefe:我們可以實作 AI 的方法之一是空間智慧,關鍵在於測量人們在實體店內的移動方式與行為。我們運用零售商現有的攝影機基礎架構,提供整間店的深入解析,瞭解排隊隊伍的長度以及人們等候的時間,雖然側重於收銀台四周,但一般而言是著眼於整間商店的作業現況。目標是讓這些作業順暢無礙,儘可能讓客戶享受愉快的體驗。
此外,零售商希望降低營運成本及提高營運效率;他們只要以資料驅動的方式利用這些深入解析,便可實現這些目標。舉凡是以更高效的方式分配資源,或是減少不必要的人力成本都是他們的期望。舉例來說,他們可以設法瞭解一天內使用的收銀台數量,如果收銀台使用頻率不高,或許可以趁機將那個空間改造為賣場,並且在那裡陳列更多商品。
請進一步告訴我們,Intel 在實現這些應用時扮演了什麼樣的角色?
Ria Cheruvu:Intel 團隊雖然熱衷於開發技術,但同時也致力於為 Pathr.ai 這樣的夥伴奠定基礎,進而帶動這些技術發展,並且據此進一步創新。我們採取的方法之一是以 OpenVINO™ 工具組為主軸,而且這套工具組為建置及部署 AI 模型提供了許多不同的最佳化機會與選項。
另外,我當然也向夥伴推薦 OpenVINO 筆記本 GitHub 儲存庫,因為該儲存庫包含關於如何開始使用 OpenVINO 及如何開發這些應用程式的豐富資訊。我們設計這些參考工具組、教學課程與筆記本的方式,旨在讓合作夥伴基本上能夠在拿到它之後自行執行,然後看到成果。接著,他們便可以此為靈感或基礎,進一步瞭解其他模型、在自己的使用案例試用模型、在他們慣用的邊緣裝置部署模型,然後繼續更上層樓。
另外,我們也非常關注端對端堆疊,以及 Intel 硬體可以如何協助大規模加速這些類型使用案例所需的大量管道和大量運算需求。
從 Pathr.ai 的角度來看,Intel 的夥伴關係是什麼樣子?
Nicole O’Keefe:Intel 一直是 Pathr 寶貴的夥伴,因為我們正在零售界拓展空間智慧。我們的電腦視覺利用搭載 Intel® CPU 的邊緣伺服器以及 OpenVINO。我們能夠以非常符合成本效益且高效的方式大規模部署隊伍的深入解析,而 Intel 從一開始就是我們的後盾。
您如何在整間商店順利推展 AI?
Ria Cheruvu:我們有很多不同的方式可以建置於現有的管道。雖然已經有非常熱門且強大的物件偵測和分類模型問世,但在我看來甚至超越這個範疇。另外還有其他的模型陸續誕生,例如姿勢辨識與活動辨識,能夠幫助我們更瞭解個人在商店走動的情況以及他們正在做什麼,讓我們可以獲得更豐富的深入解析。
此外,我們確實必須就我們所執行的預先處理與後置處理思考這些 AI 模型。舉例來說,我們取得這些偵測結果後,可以從中擷取哪些類型的資訊,包括屬性與特定類型的特性。我們還能從這些模型看出哪些趨勢?
從更宏觀的觀點來看,能夠在管道中整合這所有的模型的意義其實更為深遠,無論是驗證多重攝影機配置的輸出結果,還是為了視覺化之便,將每個管道的輸出結果附加於儀表板。
在您看來,這個領域將如何發展?
Nicole O’Keefe:摸索方向是投入零售界 AI 領域最令人興奮的事情之一。身為客戶,在購物時獲得順暢的體驗依舊是我們的心願。但是對於零售商而言,將商店營運最佳化將是重中之重。方法可能包括利用即時警示及瞭解即時情境降低人力成本,例如收銀台何時需要開啟及關閉?接著,根據這些資訊做出真正資料驅動的決策。如果當下並未使用收銀台,或許可以將員工分配到商店的其他區域。
另一項有趣的趨勢則是 Ria 先前提過的自助結帳。目前許多零售商採取自助結帳和傳統人工結帳並行的方式。Pathr.ai 可以提供員工結帳與自助結帳方面的深入解析助零售商一臂之力,而且我們還能協助他們瞭解兩者之間的績效差異。
零售業的 AI 將如何發展,開發者與零售商對此有何看法?
Ria Cheruvu:開發者紛紛採用 YOLOv8 這類模型和演算法進行物件偵測與分類時,他們腦中絕對浮現了更全方位的藍圖。他們深知,無論 AI 模型的效能有多高,功能有多強大,有時還是難免會故障,他們對於這些隨之而來的挑戰與困難點心知肚明,也更能瞭解自家解決方案是否適合真實環境。
就未來以及 Intel 與團隊對於空間智慧和零售界發展的看法而言,我們正善用現有的幾種演算法,透過最佳化與加速締造出全新類型的演算法。未來將有很多體驗會因為 AI 而徹底改變,我們的目標是讓每個人都能對科技融入環境的方式感到自在。
最後我要補充的一點是關於 AI 領域的女性從業人員,以及在領導層發揮影響力的女性開發者——請務必持續朝這個方向邁進。我認為,這些參考工具組以及隨裝即用的實作環境普及化,對於開始投身這個領域而言將是一大動力。我們絕對樂於見到 AI 領域朝這個方向發展。
Nicole O’Keefe:消費者行為瞬息萬變,打算靜觀其變的零售商終將落後。利用資料採取行動的時候到了。零售商能夠領先群倫的方式之一,就是運用 Pathr 與 Intel 的空間智慧。我認為這是完美的組合。
相關內容
若要進一步瞭解零售技術開發,請閱讀空間智慧是零售技術的未來、收聽利用 AI 架構的隊伍管理簡化零售結帳,並且在 GitHub 加入 OpenVINO™ 討論的行列,分享您的體驗。如需瞭解 Intel 與 Pathr.ai 的最新創新技術,請在 Twitter 的 @intel 與 @pathr_ai,以及在 LinkedIn 的 Intel Corporation 與Pathr.ai 關注他們。
本文由 Erin Noble 編審。