1774
你知道全球零售業(yè)每年因庫存損耗所造成的損失有多少嗎？這是一個價值1000 億美元的難題——因盜竊、損壞和錯放而造成的貨物損失，在很大程度上削弱了零售商的利潤。
根據(jù)美國零售聯(lián)合會（National Retail Federation）與零售防損委員會（Loss Prevention Research Council）合作開展的《2022 年零售業(yè)安全調(diào)查》，估計65%的商品損耗是由于盜竊造成的。多家零售商表示，由于食品和其他必需品價格上漲，近期的盜竊事件增加了一倍以上。
AI如何防止庫存損耗？
現(xiàn)在，這種局面可以通過AI進(jìn)行改善。
為了助力開發(fā)者輕松且快速構(gòu)建能夠防止盜竊現(xiàn)象的應(yīng)用程序，NVIDIA 于 1 月 12 日宣布推出三個基于其 Metropolis 微服務(wù)的零售 AI 工作流，這些工作流可用作防損應(yīng)用程序的無代碼或低代碼構(gòu)建模塊。
由于已經(jīng)基于高頻失竊的產(chǎn)品圖像以及軟件進(jìn)行了預(yù)訓(xùn)練，因此能夠比較容易地接入商店現(xiàn)有的應(yīng)用程序，追蹤銷售點機(jī)器以及整個商店內(nèi)的對象和產(chǎn)品。
通過 NVIDIA AI Enterprise 軟件套件提供的零售AI工作流包括：
第一，零售防損 AI 工作流：該工作流中的 AI 模型經(jīng)過預(yù)訓(xùn)練，可以識別數(shù)百種最常因盜竊而丟失的產(chǎn)品，包括肉類、酒類和洗衣粉，并能識別各種包裝尺寸和形狀。借助 NVIDIA Omniverse 的合成數(shù)據(jù)生成功能，零售商和獨立軟件供應(yīng)商可針對數(shù)十萬種店內(nèi)產(chǎn)品，對模型進(jìn)行定制化和進(jìn)一步訓(xùn)練。
據(jù)介紹，該工作流基于NVIDIA Research 開發(fā)的少樣本學(xué)習(xí)技術(shù)，再結(jié)合主動學(xué)習(xí)，可識別并捕獲客戶和銷售人員在結(jié)賬時掃描的任何新產(chǎn)品，最終提高模型準(zhǔn)確性。
第二，多攝像頭追蹤 AI 工作流：提供多目標(biāo)、多攝像頭（MTMC）功能，使應(yīng)用開發(fā)者能夠輕松創(chuàng)建系統(tǒng)，以通過商內(nèi)的多個攝像頭來進(jìn)行對象追蹤，由于每個對象擁有唯一一個ID，該工作流可通過攝像頭來追蹤對象和店員。
值得一提的是，對象的追蹤是基于視覺嵌入或外觀，而非個人生物識別信息，以全面保障購物者的隱私。
第三，零售商店分析工作流：使用計算機(jī)視覺，為商店分析提供深入洞察，通過自定義儀表板來顯示多項信息，例如商店客流量趨勢、帶購物籃的顧客數(shù)量、過道占用率等。
事實上，上述三大工作流都是基于 NVIDIA Metropolis 微服務(wù)而構(gòu)建。NVIDIA Metropolis 微服務(wù)是一種構(gòu)建 AI 應(yīng)用程序的低代碼或無代碼方式，為復(fù)雜 AI 工作流的開發(fā)提供了構(gòu)建模塊，并使開發(fā)出的工作流能夠快速擴(kuò)展到生產(chǎn)就緒型AI應(yīng)用程序中。
NVIDIA的研究人員通過AI加持，很好地應(yīng)用了多鏡頭和主動學(xué)習(xí)所帶來的數(shù)據(jù)，一方面，可以將模型擴(kuò)展到成千上萬的產(chǎn)品圖像變化，這相當(dāng)于創(chuàng)造出了額外的數(shù)據(jù)，從而進(jìn)一步訓(xùn)練模型以獲得更高的精度；另一方面，在收銀臺掃描產(chǎn)品其實就是在捕獲新產(chǎn)品或新包裝，在部署了AI解決方案的系統(tǒng)中，它能夠通過這些學(xué)習(xí)，提高模型的準(zhǔn)確性。
有了NVIDIA提供的這些AI工作流，開發(fā)者可以輕松進(jìn)行定制和擴(kuò)展，包括集成開發(fā)者自己的模型。對于更懂業(yè)務(wù)但技術(shù)能力較弱的開發(fā)者，也可以通過低代碼方式對這些AI工作流進(jìn)行定制和擴(kuò)展。并且，該微服務(wù)還能夠更輕松地將新產(chǎn)品與舊系統(tǒng)(例如銷售點系統(tǒng))集成。
通過這些工作流所獲取的AI能力，除了可防止盜竊事件的發(fā)生，同時也有助于進(jìn)行門店分析，比如：顧客最喜歡的過道是哪個？他們的停留時間是多久？……一系列信息都有助于進(jìn)行商品銷售和貨架規(guī)劃。
Metropolis 微服務(wù)如何應(yīng)對視覺識別挑戰(zhàn)？
在打造AI助力的智慧商店中，減少損耗是盈利的重要一環(huán)。零售防損委員會主任 Read Hayes就指出，“在當(dāng)前的宏觀動態(tài)環(huán)境下，零售業(yè)的盜竊現(xiàn)象有所增加，而這有可能使零售業(yè)不堪重負(fù)。對于企業(yè)，投資于防損解決方案已成為一項關(guān)鍵要求，也是必須面對的現(xiàn)實?！?/p>
從目前的技術(shù)手段來看，智能感知通常是將視覺AI應(yīng)用在覆蓋多個物理區(qū)域的多個攝像頭中。因此，不論是監(jiān)控倉庫中的包裝貨物、還是街道上的車輛，當(dāng)這些物體在攝像機(jī)視圖中移動時，能夠準(zhǔn)確、一致地跟蹤它們至關(guān)重要。
不過，對開發(fā)人員來說，構(gòu)建視覺AI應(yīng)用程序來識別大量類別、同時可能在不斷變化的環(huán)境中的物體，都是一項重大挑戰(zhàn)，因為這其中包括了廣泛的訓(xùn)練數(shù)據(jù)集、頻繁的模型改進(jìn)等需求。
NVIDIA Metropolis 微服務(wù)作為容器化的微服務(wù)和應(yīng)用程序，可助力開發(fā)人員構(gòu)建復(fù)雜的云原生解決方案，從而實現(xiàn)對象的多攝像頭跟蹤和重新識別，而這個復(fù)雜參考應(yīng)用程序的速度可以說是前所未有的。
就以零售自助結(jié)賬用例，通過識別許多訓(xùn)練數(shù)據(jù)有限的產(chǎn)品，并在添加新產(chǎn)品和包裝時改進(jìn)應(yīng)用程序，將有助于系統(tǒng)通過預(yù)訓(xùn)練模型、自我標(biāo)記的數(shù)據(jù)管道和少量學(xué)習(xí)架構(gòu)來持續(xù)適應(yīng)有限的新數(shù)據(jù)，通常無需重新訓(xùn)練。
當(dāng)前，一些來自于攝像頭和傳感器的數(shù)據(jù)已經(jīng)提供了有價值的分析，可幫助零售商店實現(xiàn)智能決策、改善運營，并提高效率。而NVIDIA基于Metropolis微服務(wù)構(gòu)建的全新零售AI工作流，能夠進(jìn)一步幫助智慧零售解決方案實現(xiàn)快速擴(kuò)展和部署，以涵蓋更多商店和產(chǎn)品線。同時，隨著不斷優(yōu)化和引入新功能，這些零售AI工作流的性能和邊緣應(yīng)用程序的準(zhǔn)確性將會不斷得到提升，這也使它能夠不斷進(jìn)化，進(jìn)一步推動AI在零售領(lǐng)域的落地和創(chuàng)新。
下載ECAD模型
