自助服務機的 AI 建構模塊

為了滿足客戶的喜好變化，許多企業必須使用人工智慧 (AI)、電腦視覺和深度學習等解決方案。特定開發人員面臨的挑戰？開發過程過於漫長且複雜，而對於其他開發人員而言，如何在缺乏多年 AI 開發經驗下建立解決方法是最大的的阻礙。

透過現有的 API 程式庫、機器學習演算法，以及其他可加快產品上市時間並簡化高效能 AI 解決方案開發程序的軟體，便能有效克服這些問題。例如，透過附加在現有的工作，meldCX 僅花八個星期就替澳洲郵政建立自助服務機的概念驗證 (POC)。(圖 1)

澳洲郵政深知運送包裹所產生的利潤遠大於寄送信件，但他們的客戶討厭花時間排隊等待包裹秤重、保險、再寄送。因此他們需要簡化流程的自助服務解決方案。

有鑑於此，歐洲郵政要求 meldCX 開發一種解決方案，讓客戶能在 120 秒內完成下列工作。

• 掃瞄並偵測包裹類型與資訊
• 自動測量包裹大小與重量
• 讀取手寫資訊，並轉換為運送資料
• 驗證寄件者身分、收件者地址與運送成本

澳洲郵政還指明其他幾項需求。例如，減少手動輸入資料的工作，騰出人力執行更有生產力的活動 — 幾乎每個零售商都希望達成的目標。

此外，開發團隊必須納入其他通用功能，其為各種電腦視覺專案中的標準功能。開發人員現在可以完整使用 meldCX 的功能，並將其應用於自己的解決方案中。其中包括以下功能：

• 確保前端輸入乾淨的資料，避免後端發生資料準確性的問題
• 加速企業流程
• 減少摩擦，並為所有利害關係人提供更多價值

以先前的 AI 專案為建構基礎

這種快速開發模型 (用於建立智慧包裹機) 的基礎，是基於先前 AI 專案上執行的大量 meldCX 工作，以及現有技術所構成。其中包括手寫識別演算法和資料處理模型，此外還有 meldCX 企業規則。人工智慧開發人員能運用此功能，將其重複用於自己的專案。

在新配置中使用此類技術 (解決南轅北轍的部門中產生的各種案例和挑戰)，使其他專案能從根本上縮短開發時間。

meldCX 執行長 Stephen Borg 表示：「上次專案所帶來的真正改變是：讓我們有機會收集所學的資訊，然後應用於此專案中。我們因此能在八週內完成從收件到交付的工作，而先前的 AI 專案則花了一年以上的時間。」

除了重複使用演算法之外，開發團隊也加入了許多熟悉的 AI 技術，包括 Intel^® RealSense^™ 攝影機、Intel^® OpenVINO^™ 工具包，以及 Intel^® Movidius^™ Neural Compute Stick。

「最新的 OpenVINO 能協助我們透過可用硬體資源最佳化模型，」Borg 表示。「同時我們也在卸載某些可能會降低 Movidius 使用者體驗的模型。」

成果？概念 SALi (影片 1)。

準確性訓練

meldCX 團隊發現該解決方案無需透過 Google 的手寫偵測與辨識 API 來擷取完整地址。相反地，該解決方案可以使用部分地址作為識別碼，讓 Intel​^® 機器學習模型指派信心水準以補齊地址。部分內容包括地址、信箱號碼、街名、城市、鎮、州、區域和郵遞區號。當解決方案回傳多個可能地址時，只會要求客戶選擇他們想要的地址。

團隊另外也發現，Google 地圖等資料庫中包含的地址無法完全作為郵件交付地址使用。就像其他郵政解決方案曾經嘗試的那樣，他們無法僅依靠 Google 來處理此部分的流程。

meldCX 解決方案會利用澳洲郵政地址 API 來驗證地址，並從建立貨單到交付徹底追蹤包裹，幫助郵政服務提升資料庫的準確性。這使郵政服務能進一步驗證其地址系統，並進行更正。當不同城市使用類似的街道名稱 (例如 Talbot Road 和 Talbot Terrace)，尤其是在同一郵遞區號內時，此功能通常能發揮效用。

執行多種不同使用案例的開發人員可能會發現此案例的異常狀況，進而訓練其資料模型以進行更正。

快速開發，與時俱進

零售業將電腦視覺視為必要技術，因為它能使企業在降低成本並提高效率的同時，滿足客戶需求。妥善利用 meldCX 建構模塊並簡化模型，讓開發人員花較短的時間建立解決方案，進而提供令人期待的全新商機。