
英国公司Ocado表面上是一家在线百货零售商,实际上却是全世界最具创新能力的科技企业之一。Ocado成立于2000年,只提供在线服务,因此从未在线下开设直营门店。面对日均逾58万客户,Ocado开始构建起有效、高效且极具竞争力的软件与硬件组合。如今,Ocado公司又开始将人工智能(AI)与机器学习引入整个业务体系当中。
从在线零售商到Ocado科技
从2000年起,Ocado就尝试购买现成产品以拼凑出适合自身业务的技术体系。但他们很快意识到,现有解决方案不足以满足在线百货销售中的独特需求,因此开始自行构建所需的硬件与软件。如今,Ocado Smart Platform除了运行内部端到端电子商务之外,也被出售给多家其他实体百货商,包括加拿大百货商Sobey’s、法国零售商Groupe Casino、日本Aeon、美国Kroger以及瑞典ICA等等。Ocado科技正在协助提供软件即服务与硬件方案,帮助其他百货商建立起具有良好盈利空间且可持续发展的在线运营体系。从2009年推出首款百货类应用,到成为英国第一家支持Alexa应用的超级市场,Ocado科技多年以来一直在行业中引领创新潮流。
自动化仓储
Ocado的仓库实现了全面自动化,充分显示出工业4.0的强大力量。其日常运营体系中囊括的技术包含物联网、机器人技术、大数据、机器学习以及人工智能,这一切也让Ocado获得了极为迅捷高效的运营能力。仅需5分钟,机器人就能够完成5万份订单。各台机器人设备组建成一个集群,在相当于几个足球场大小的仓库中往来穿行、搬运货箱并将其移动到拣选站以完成客户订单。Ocado还在系统设计中充分考虑到可扩展需求,借此适应购物季变化、促销活动以及全球重大事件期间,客户对于在线百货商的不同需求。机器人由大数据加人工智能提供助力,并通过机器学习不断完善自身工作能力。机器学习可以确定机器人在仓库中的移动路径,防止相互碰撞并优化工作量、计算货箱的精确位置以最终实现最佳效率。此外,机器学习技术还负责监控机器人的运行状况与维护需求,尽可能缩短停机时间。人工智能则通过实时核算帮助系统了解库存中的产品余量,为客户提供符合预期的收货时间。
联合国粮食及农业署估计,人类每年浪费掉的粮食约13亿吨。如果能够阻止浪费,那么世界上的粮食总产量足以消除饥饿问题,甚至还有剩余。在运用技术解决饥饿问题方面,Ocado也在努力做出尝试。Ocado公司使用机器学习、人工智能与数据分析控制食物浪费,将浪费比例控制在6000比1。Ocado Smart Platform还能够确定客户实际需要的食品总量,相应调整供应商订单。该公司的平台每天会做出2000万项预测性评估,最大程度提高食物新鲜度与库存供给,同时减少过度储备与食物浪费。此外,机器学习还会定期安排折扣活动以及时销空所有储备库存。
人工智能与机器学习还精心设计出合理的配送与存储温度/方式,借此减少食物浪费。系统甚至会将即将过期的食物赠送给有需要的用户,并由机器学习算法帮助公司监控并管理相关捐赠活动。
更好的客户服务
Ocado公司非常重视客户服务体验,希望通过优秀的产品质量、更好的个性化设置以及更准确的产品推荐改善购买者的采购流程。虽然与实体商店的交互方式不同,但客户同样能够在Ocado提供的产品应用中进行操作。AI负责确定具体配送路线以避免交通及其他因素造成的延误,并不断通过电话或电子邮件与客户沟通,随时调整配送目的地。正是在这些层面上,Ocado丰富的技术积累为其带来了巨大的业务提升。
在Ocado的联络中心,他们允许客户通过多种方式(电子邮件、社交媒体、电话呼叫)与公司联系。但相较于同样能够支持这些沟通渠道的其他企业,Ocado会使用机器学习与自然语言处理算法对客户要求进行快速分类,借此区分消息的优先级,进而转发给适合的团队以尽快解决问题,最终建立起与众不同的客户服务体验。
打击欺诈
Ocado科技的另一项开发成果,是他们宣称的全球第一套AI在线百货欺诈检测系统。先进的机器学习算法,将其欺诈检测效率提高达15倍。
Ocado正通过包括人工智能与机器学习在内的多种技术不断创新,旨在优化仓储、减少食物浪费、改善客户体验并打击欺诈活动。这不仅代表着新的百货行业运营方式,可能同时也代表着一种新的日常生活方式。未来可期,希望Ocado能运用技术的力量带来更多创新体验。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。