Sztuczna inteligencja w merchandisingu – przewodnik

Od porażki Garri’ego Kasparova z superkomputerem Deep Blue minęło już ponad 20 lat. Możemy ten moment uznać za początek ery sztucznej inteligencji, ale w kwestii tego kto napiszę tę historię, zdania są podzielone. Dziś dyskusję zdominowały modele językowe z chatem GPT na czele. My do usprawnienia pracy z ekspozycją proponujemy badanie półki oparte na rozpoznawaniu obrazu przez AI. Przybliżmy więc kilka podstawowych kwestii jakie rodzi sztuczna inteligencja w merchandisingu.

Sztuczna inteligencja w merchandisingu – geneza

Sztuczna inteligencja w merchandisingu znalazła się za sprawą ciągu zdarzeń, które zaczynają się w połowie ubiegłego wieku. Związane są z nazwiskami Alana Turinga (polecamy filmy Gra Tajemnic i Ex machina!) i Johna MacCarthy’ego. W idei sztucznej inteligencji chodzi o to, aby wytwory człowieka zachowywały się, uczyły się i rozwiązywały problemy, tak jak człowiek. Albo lepiej niż człowiek. Bo, o ile sami siebie za włosy podnieść nie potrafimy (fizycznie i intelektualnie), to znamy sposoby zwiększania wydajności urządzeń – przez ludzkie ciała i umysły nieosiągalne. W najbardziej ambitnej koncepcji „silnej sztucznej inteligencji”, maszyny zdolne byłyby nawet do odczuwania ludzkich emocji i wykazywania zachowań impulsywnych. Wróćmy jednak do tu i teraz.

Żeby zrozumieć, czym w rzeczywistości jest sztuczna inteligencja, posłużmy się poniższym schematem:

Zbiór wszystkich algorytmów służących rozwiązywaniu problemów powszechnie kojarzonych z ludzką inteligencją, a realizowanych przez maszyny, to właśnie Artificial Intelligence (AI). Przetwarzanie danych w sposób szybki i powtarzalny ułatwia ludziom wnioskowanie i przyspiesza rozwiązywanie problemów. Na tak rozumianym AI bazowały pierwsze komputerowe szachy czy inne gry komputerowe. Są to algorytmy kierujące się zasadą: jeśli zdarzy się coś, to zrób to, w przeciwnym wypadku zrób tamto lub nic.

Czytaj więcej:

• 
  Raport z półek sklepowych: Rynek piwa w Polsce 2024
• 
  Raport z półek sklepowych: Napoje energetyzujące w Polsce
• 
  Jak dbać o standardy merchandisingowe i perfect store dzięki AI [VIDEO]
• 
  Badanie planogramu pomoże Ci zredukować luki w zatowarowaniu

Machine learning

Poziom głębiej znajduje się Machine Learning (uczenie maszynowe, ML). Metoda ta jest w stanie rozwiązywać problemy i odpowiadać na pytania przy wykorzystaniu skomplikowanych narzędzi statystycznych. Sztuczną inteligencję w merchandisingu poprzedza więc wnioskowanie z prawdopodobieństwa i inne inspirujące „akceleratory” umysłu, które pomagają docierać do rozwiązań przesłoniętych ogromną ilością danych. Uczenie maszynowe zakłada, że dane przetwarzane wcześniej mają wpływ na analizę danych przetwarzanych później.

Deep learning

Kolejnym poziomem rozwoju sztucznej inteligencji, w merchandisingu między innymi, jest, świętujący ostatnio ogromne sukcesy, Deep Learning („głębokie uczenie”, DL). To metody wykorzystujące sieci neuronowe, czyli kolejny genialny matematyczny wynalazek (starszy zresztą niż sama koncepcja sztucznej inteligencji). Dzięki niemu możemy mówić o samodoskonaleniu, weryfikacji i procesach prowadzących do autonomicznego (nie nadzorowanego przez człowieka) wnioskowania. I to nawet z danych wcześniej nie systematyzowanych.

Autonomiczne samochody i drony, sklepy Amazon GO, wyniki wyszukiwania Google – wszystkie te rozwiązania, aby dostarczać nam więcej życiowego komfortu, przyspieszać podejmowanie decyzji, a nawet komponować dla nas piosenki, bazują na modelach Deep Neural Networks.

Rozpoznawanie obrazu

Przez ponad trzydzieści lat ludzie próbowali uczyć maszyny rozpoznawania obiektów na fotografiach poprzez budowanie modeli matematycznych twarzy, samochodów, drzew, ptaków etc. Próby te nie dawały jednak zadowalających rezultatów. Do czasu. W momencie upowszechnienia się zwyczaju gromadzenia ogromnych wolumenów danych przez jakże wiele firm, pojawiła się potrzeba ich zagospodarowania. Dzięki rozwiązaniom typu CUDA (równoległe przetwarzanie) w kartach graficznych NVIDIA, inżynierowie danych otrzymali niespotykaną dotąd możliwość szybkiego przetwarzania terabajtów danych na przystępnym cenowo hardware.

Dzięki naszpikowaniu krzemem i ogromnemu wzrostowi mocy obliczeniowej, sztuczna inteligencja zaczęła uczyć się rozpoznawania obiektów na obrazach za pomocą wzorców, które służą za dane wejściowe dla sieci neuronowych. Im więcej zdjęć wzorcowych, tym efektywniej sieci neuronowe uczą się ich właściwej identyfikacji. Oznacza to, że mniej czasu i ludzkiej pracy potrzeba, aby wytrenować sieć do rozpoznawania Citroenów C4, Laptopów, uśmiechów czy piwonii.

Na bazie testowego zestawu zdjęć następuje optymalizacja rozpoznawania. W efekcie otrzymujemy nieźle wytrenowaną sieć neuronową do wykorzystania w przeróżnych aplikacjach. Przykłady to wirtualne przymierzalnie, tryb portretowy smartfonów czy bardziej liryczne konteksty, takie jak jak Deep Dream Generator czy Midjourney. Zastosowania technologii rozpoznawania obrazu się jednak na tym nie kończą. W końcu sztuczna inteligencja w merchandisingu to obszar handlu, który nas szczególnie interesuje.

Co mogłoby pójść nie tak?

Potencjał dobrze wdrażanej sztucznej inteligencji wydaje się być nieskończony. Firma technologiczna, która nie bada i nie tworzy rozwiązań w oparciu o sztuczną inteligencję, nie znajdzie dla siebie miejsca na rynku przyszłości.

Może Cię również zainteresować:

• 
  Promotorzy Anker pracują z eLeader Mobile Visit
• 
  Jak wdrożyć Shelf Recognition, poukładać procesy i wygrać rynek? | Wywiad
• 
  Indigo Nails: automatyzacja pracy dystrybutorów z eLeader Mobile Visit
• 
  Shelf Recognition AI zmienia zarządzanie ekspozycją w DANONE Polska

Sztuczna inteligencja w merchandisingu – rozpoznawanie produktów

eLeader wyspecjalizował się w rozwiązaniach pomagającym producentom i dystrybutorom czynić jak najlepszy użytek z handlowych zespołów mobilnych. Dane z terenu to meldunki z pierwszej linii frontu walki o sklepową półkę. Ich pozyskanie zajmuje czas, wymaga spalania paliwa i transferu wiedzy. Dobrze więc aby danych było możliwie dużo i aby były użyteczne. Im więcej wizyt, tym więcej szans na kontrakty i zwiększanie sprzedaży, tym lepsze relacje ze sklepami. Im dane są obszerniejsze i bardziej wiarygodne tym lepsza strategia sprzedażowa. Jednak żmudne liczenie produktów, analizy udziałów półkowych, sprawdzanie braków narażone są na błędy wynikające z zaburzeń percepcji, zmęczenia, nierzadko rutyny. Jak więc pozyskiwać bardziej wiarygodne dane przy jednoczesnym skracaniu czasu wizyty? Jak uzyskiwać informacje szybko i natychmiast wiedzieć co z nimi dalej robić

Od 2014 roku nasi klienci korzystają z eLeader Shelf Recognition AI, pierwszego na rynku rozwiązania umożliwiającego analizę półki sklepowej na bazie jej fotografii i zasilenie danymi systemu SFA. Więcej na temat rozwiązania eLeader można przeczytać tu.

Poznaj eLeader Shelf Recognition AI

Abyśmy mogli skutecznie rozpoznawać obrazy – w tym przypadku produkty ze sklepowej półki – potrzebujemy wzorców. Im jest ich więcej, tym lepiej. Wzorce te przekazujemy sieci neuronowej eLeader. W ten sposób realizowany jest etap trenowania eLeader Shelf Recognition AI. Tak wytrenowana sztuczna inteligencja nadaje się już w pełni do pracy z przedstawicielami handlowymi. Zdjęcia wykonywane na bieżąco podczas wizyt w sklepach mogą służyć do jej dodatkowej kalibracji.

Proces wdrożenia i oddania środowiska Shelf Recognition AI z siecią neuronową gotową do działania zajmuje bardzo niewiele czasu. Po uruchomieniu projektu pracownicy mobilni otrzymują wyniki automatycznej analizy produktów w czasie tej samej wizyty. To oznacza, że mogą porównywać stan faktyczny ze standardem, np. Perfect Store, i natychmiast wdrażać działania naprawcze, aby podnosić KPI swoje i organizacji. Informacja pozyskiwana i analizowana przez tę technologię bardzo łatwo daje zamienić się na wiedzę będącą podstawą myślenia strategicznego na rynku. Na przykład przeanalizowane dane z produktów pomagają tworzyć firmowy „ranking sklepów”, wedle którego planowane są przyszłe wizyty. Dzięki temu pracownicy mobilni mogą częściej pojawiać się tam, gdzie sprzedaż jest największa (zgodnie z modelem RAO, czyli Retail Activities Optimization).

Czytaj więcej o eLeader Shelf Recognition AI

Sztuczna inteligencja w merchandisingu, a już wkrótce w twojej lodówce

Sztuczna inteligencja w merchandisingu to przyszłość nie tylko procesów biznesowych. Najwięksi producenci sprzętu AGD (goszczący w portfolio eLeader Samsung, Whirlpool czy LG) wciąż doskonalą swoje urządzenia. Są one w stanie nie tylko informować nas o zbliżającym się terminie przydatności do spożycia (prościzna). Są także w stanie komunikować się ze sobą przekazując z kuchenki do lodówki np. co jedliśmy na obiad, aby lepiej dostosować parametry zmywarki, czy informować nas, że kończy nam się Kubuś od Maspexu (tzn. rozpoznać jego ilość i rodzaj, a następnie zamówić go wprost z panelu lodówki do domu – to też łatwe). Opisywany tu Internet of things sprawi zapewne, że już wkrótce realnym stanie się powiedzenie znane z polityki, czy reklamy w wersji: otwierasz lodówkę, a tu AI.

Niezależnie od tego, jak mocno wykorzystywać będziemy inteligencję sztuczną i jak istotne miejsce zajmie ona w naszym życiu lub biznesie, to pamiętać musimy o jednym. Inteligencja systemu zależy od inteligencji, wiedzy i intencji ludzi, dzięki którym możemy rozwijać i rozszerzać eLeader Shelf Recognition AI i czynić świat przyjemniejszym miejscem.

---

Chcesz usprawnić działania w terenie? Potrzebujesz więcej informacji?

SKONTAKTUJ SIĘ