От беспилотных автомобилей до автоматической маркировки изображений в социальных сетях и распознавания лиц на смартфонах — распознавание изображений с помощью искусственного интеллекта (IR) присутствует повсюду. Точность ИК-излучения улучшается с головокружительной скоростью, и постоянно появляются новые способы его применения: врачи используют его для выявления опухолей и повреждений на снимках пациентов, производители используют его для выявления дефектов продукции во время контроля качества, музеи используют его для проверить подлинность артефактов и произведений искусства — список можно продолжать и продолжать.
Пожинаем плоды
Бренды потребительских товаров и ритейлеры, продающие их бренды, также пожинают плоды IR. Например, в ряде крупных супермаркетов и продуктовых магазинов теперь есть автономные роботы, бродящие по проходам, которые используют технологию распознавания изображений для проверки ценников, сканирования отсутствия товара на складе и поиска разлитых или поврежденных товаров. Некоторые магазины включают ИК-технологию в свои кассы самообслуживания, чтобы предотвратить кражу, если: если покупатель пытается обмануть систему, взвешивая дорогие органические продукты с использованием PLU для чего-то дешевого, например бананов, система увидит, что продукт находится на весах. не соответствует PLU, предупредите клиента об «ошибке» и попросите его ввести правильный PLU.
Тем временем CPG-бренды обнаруживают, что технология распознавания изображений с помощью искусственного интеллекта может помочь им значительно улучшить эффективность розничной торговли.
До недавнего времени единственным способом убедиться в том, что планы мерчендайзинга выполняются так, как запланировано, и наличие наименований товара на складе, был ручной аудит. Программное обеспечение для розничной торговли сделало этот процесс намного более точным и эффективным, чем раньше, но торговым представителям по-прежнему приходится тратить неисчислимые часы на сортировку, просмотр и анализ сотен или даже тысяч фотографий аудита полок, которые они делают. Это время, которое можно было бы потратить с гораздо большей пользой на взаимодействие с менеджерами магазинов, налаживание отношений и работу над обеспечением большего места на полках и лучшим размещением.
Теперь, с появлением интегрированных возможностей распознавания изображений с помощью искусственного интеллекта, торговым представителям не придется тратить часы на анализ фотографий. ИК-технология делает это за них, используя базу данных из миллионов изображений, чтобы автоматически определить, какие SKU есть, а какие нет на полке. Используя эти данные, технология может генерировать отчеты и предоставлять ценную информацию, включая долю рынка, изменение внешнего вида с течением времени, производительность по магазинам и риск отсутствия товаров на складе по местонахождению. Он может даже рассчитать сложные ключевые показатели эффективности, такие как линейная доля полки.
Искусственный интеллект не только позволяет решать эти задачи в геометрической прогрессии; это также более точно. В то время как люди обычно могут достичь точности около 90% при проверке своих полок, распознавание изображений ИИ может достичь точности 95% и выше. Более того, этот показатель продолжает расти по мере того, как технология «учится» на опыте.
Этот цикл постоянного совершенствования делает современную ИК-технологию на основе искусственного интеллекта такой мощной. На заре распознавания изображений, в 1970-х и 1980-х годах, программистам приходилось вручную вводить в компьютеры набор предопределенных инструкций для идентификации особенностей и шаблонов. В 90-е годы произошел сдвиг в сторону подходов, направленных на извлечение соответствующих функций из изображений с использованием таких методов, как обнаружение краев, анализ текстур и анализ формы. Но у этих подходов, основанных на правилах и функциях, было одно большое ограничение: инженерам приходилось вручную кодировать каждое отдельное правило, которому должны были следовать системы. Учитывая бесконечное разнообразие объектов и изображений в мире, просто не было возможности учесть все возможные вариации.
Прыжок вперед
Большой скачок вперед в сфере искусственного интеллекта произошел в 2000-х годах с развитием машинного обучения. Это совпало с появлением новых массивов данных благодаря Интернету. Итак, теперь, вместо того, чтобы инженеры писали все правила, они могли бы научить компьютеры учиться на примерах и делать прогнозы или решения на основе того, что они узнали, — с помощью людей, которые передают им данные и показывают «большой палец вверх» или «палец вниз».
Еще больший прорыв произошел в 2010-х годах с применением методов глубокого обучения, в частности, сверточных нейронных сетей. Это методы, которые имитируют работу человеческого мозга и обеспечивают замечательную производительность при решении таких задач, как классификация изображений и обнаружение объектов.
Это подводит нас к тому состоянию, где мы находимся сегодня — на пороге революции в том, как бренды потребительских товаров оптимизируют свою розничную деятельность, предотвращают отсутствие товаров на складе и увеличивают свою долю на полках. Все больше и больше брендов осознают конкурентное преимущество IR для аудита: согласно одному отчету, мировой рынок технологии распознавания изображений CPG, оцениваемый в 2,3 миллиарда по состоянию на 2022 год, как ожидается, достигнет 10,23 миллиарда к 2030 году. Эволюция технологии по прогнозам, будет также быстро развиваться. Хотя сегодня обработка изображений и создание рекомендаций может занять от нескольких часов до нескольких дней, это не займет много времени, пока не займет секунды или минуты.
Имея информацию и аналитические данные практически в реальном времени, торговые представители смогут мгновенно предпринять корректирующие действия в магазине. В Repsly мы воодушевлены потенциалом IR, который поможет нашим клиентам лучше контролировать их выполнение и производительность, экономя при этом драгоценное время.
Оставайтесь на связи, чтобы узнать больше.
Комментарии ()
Написать комментарий