在不到 8 週的時間內建立自行結帳系統

January 16, 2020

Robert Moss

AI, 神經網路機器學習, 電腦視覺

愈來愈多的購物者選擇自助服務。現在，有第二波的技術將能使之成真。尖端的銷售點系統可提供高水準的可用性，可同時滿足數位原住民和嬰兒潮世代的期望。憑藉較低的營運成本和員工效率，零售商也贏得了勝利。

實現此一轉變須創新結合電腦視覺、機器學習與開發工具。一種類似於堆樂高的方法使解決方案整合商可以在短短八週的時間內打造出這類裝置。

此全新程序正在解放市場。如今，不僅可以利用傳統的 SI 在實體空間中營造使用者體驗。一般製作網站或應用程式的內容代理商和其他公司擁有設計技能且瞭解顧客喜，現在，它們正在部署 RFP 來打造零售 POS 裝置。

AOPEN 是能讓這一切成真的一家公司。AOPEN 執行長 Stephen Borg 表示：「我們發現知識缺口很大，這就是為什麼我們打造了 meldCX 平台和我們的 Smart Scale 解決方案。」兩者結合起來讓傳統 SI 和其他廠商能夠以建構模塊的方法來組裝配備電腦視覺的 POS 裝置 (圖 1)。

人工智慧與建構模塊滿足技術需求

除相關軟體和程式庫之外，採用 meldCX 技術的 AOPEN Smart Scale 解決方案涵蓋人工智慧（AI）、機器學習與電腦視覺，使 SI 能打造具有廣泛功能的零售 POS 系統。

對於入門者，使用 AOPEN 解決方案打造的裝置可識別大宗貨物、稱重並列印條碼標籤。它還可以自動將所有這些資訊（包括價格）直接輸入到 POS。然而，透過進一步發展該技術，SI 及其零售顧客可以打造出一個全功能無收銀員 POS 系統。

AOPEN 的產品辨識系統讓購物者只需要把散裝和非散裝物品（無論是咖啡豆、湯罐頭還是肥皂墊）放在配備電腦視覺的收銀機上，就可以結帳。處理付款也可以是裝置的一部分。顧客可以刷卡或輕點信用卡，也可以使用其他付款方式，例如手機應用程式。

使用這種類型的建構程序使整合商，甚至目前沒有 JavaScript 開發人員或資料科學家的整合商，都可以建構用於零售的電腦視覺 POS 裝置。具有 JS 程式設計經驗的人可利用 meldCX 的程式碼庫。若要進一步瞭解此主題，請閱讀 JavaScript API 如何驅動零售中的人工智慧。

還值得注意的是，該解決方案是跨平台的。這表示整合商可以使用 Windows、Android、Chrome 或 Linux。meldCX 除了使作業系統不構成問題外，還製造出各種經過認證的相機、周邊設備和磅秤，並將開發環境虛擬化。這樣可以模擬硬體和裝置的回應，進而加速開發。

使用電腦視覺進行訓練

根據 Borg 的說法，訓練階段向來是許多在該產業工作的人面臨的障礙。Borg 表示：「我們看到了機會，並下了苦工，我們花了一年半的時間建立管道，並在每個 API 中加以提供。」

這種廣泛的發展已為 SI 和零售商帶來了回報，它們得以簡化產品培訓慣例。例如，季節性產品是許多雜貨店面臨的一項挑戰。這可能會造成一個問題，那就是無法為一個實體物品建立推斷訓練模型，因為該物品（如一個產季短的原種蘋果）在建模時還並未提供。Borg 解釋說，他們透過開發一種使用合成模型和數位影像的訓練方法來克服此問題。

AOPEN 的解決方案使模型可以立即使用，並自動校準用於電腦視覺和機器學習的相機。組裝後，可以透過 JavaScript 編碼或直接透過連結 Google 試算表中的資產來調整使用者介面。然後，便可以開始進行產品訓練。訓練裝置辨識物品的過程可能會發生在店內或配送中心的 POS 裝置上。然後，資料將自動載入到每個端點裝置上。

Intel^® OpenVINO^™ 工具組用於簡化自訂模型的製作，並允許多個模型同時執行。這樣，即使經驗有限或缺乏資料科學家的 SI 都可以使用套裝 OpenVINO 模型和商業規則，來讓模型進行通訊。Borg 表示：「從 80％的精確度提升到接近 98％變得容易許多。」

在產生訓練集 (圖2) 時，該解決方案將自動警告使用者是否有任何偽影或異常會破壞模型，例如，是否有人的手或其他意外物體破壞了畫面。避免將此類影像包含在訓練集中，可節省資源並加快程序。