这是一个周六下午,杂货店里满是前来购物的人。像周末其他繁忙的商店一样,结账处已经排起了长队。最好的选择就是前往自助结账通道。
为什么呢?自助收银机让结账流程更容易,队伍移动更快。您可以在扫描商品时查看价格。您可以用自己喜欢的方式包装货品。这感觉像是例行公事中的一次小小胜利。
但对于果蔬等无包装商品,自助结账可能是个费力的过程。您必须在显示屏上搜索商品名称,或找到商品上的标签,然后手动将其输入系统。如果系统无法识别该商品,或者您输错了代码,这时会发生什么?您可能需要等待帮助。
这就是为什么智慧零售商要利用创新解决方案来优化自助结账。人工智能、计算机视觉和云技术的结合,可以帮助解决购物者遇到的小麻烦,从而大大改善实体店内的购物体验。
得益于中科英泰 (Wintec) 这样的智慧零售解决方案提供商,这种可能性变成了现实。
“自助结账方式太棒了。许多购物者更青睐这种方式,因为它可以节省时间,他们可以自己处理所有步骤。但现有系统仍存在缺陷,导致客户对使用这种方法望而却步。”中科英泰人工智能部门总经理卢雪峰表示。
结账过程中的人工称重
人工称重过程需要员工准确识别多种商品,从桃子到西瓜,都需要找到相应的产品代码。不熟练的员工可能会遇到一些问题,比如输错代码,或者花很长时间才找到代码。这会严重延长称重和贴标流程。在零售店的客流高峰时段,顾客可能要排很长的队等待。
最重要的是,使用手动秤意味着要在一开始以及新产品入驻店铺时花时间对员工进行培训。由于农产品随季节变化或因市场而异,培训要求可能很高。此外,随着劳动力成本持续攀升,运营成本也在增加。
结帐过程的这个方面给工作人员造成了困难,但对顾客的影响甚至更大。如今,计算机视觉和人工智能正不断提升收银台的图像识别能力,带来更好的客户体验,并降低了零售商的成本。
云-边缘- AI 架构使自助结账更智能
中科英泰智能称重解决方案旨在帮助零售商店实现预包装食品的图像识别和自动称重,能够识别商品、给商品称重并打印商品价格标签。通过持续的计算机视觉模型训练,它还能够实现较高的检测准确度。
该解决方案利用强大的边缘计算进行推理和实时数据处理,配合使用 YOLOv3 算法、基于云的图像模型训练,使增强型图像识别成为可能。YOLOv3 算法通过将任务转化为回归问题,实现了对新鲜食物图像的目标识别。
在随后的筛选过程中,将选定适当的边界检测框。通过将对象检测和对象定位集成到单个一级网络中,YOLOv3 显著提高了检测速度。
“我们创建了解决方案来解决手动输入无包装商品信息的麻烦。但我们不仅仅关注这一方面,”卢总表示,“我们希望打造一种接收越多数据,就能变得越智能的东西。我们还希望能够取得这些数据,并将其提供给零售商,以便他们从中获得有助于提升整体运营的实用洞见。”
例如,这样的解决方案将称重功能集成到支付终端,让顾客无需前往称重站即可结账。此外,消除对条形码扫描仪的需求有助于降低维护和更换设备所产生的人工成本和费用。
面向智慧零售业解决方案的强大硬件
中科英泰智能称重解决方案采用英特尔® 处理器打造,能够以低功耗提供强大的计算性能、安全性和可靠性。这些能力对于运行边缘人工智能工作负载至关重要。该系统还使用英特尔® OpenVINO™ 工具套件来帮助优化图像识别应用程序。
从商品选择到称重和结账,这在帮助零售商实现整个业务的自动化方面尤为实用。除此之外,实时数据处理还带来了可行的见解,为结账之外的运营领域的业务决策提供信息和便利。
智慧零售的未来
随着变革性的技术和解决方案应用于零售业,几乎存在无限种可能性。
随着人工智能和计算机视觉的不断发展,它们还可以应用于超市和杂货店以外的零售市场领域。虽然要求可能因形式和应用场景而异,但定制化的人工智能解决方案具有巨大的潜力。
杂货店和其他零售业务正在经历数字化转型。智能结账只是零售商提高顾客满意度、增强竞争力和增加利润的一种方式。
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。