该篇文章为大家从行业、技术、产品设计三个点去介绍视觉识别智能货柜。
01
新零售与智能货柜简述
1.1 新零售背景
2016年10月的阿里云栖大会上,阿里巴巴马云在演讲中第一次提出了新零售,“未来的十年、二十年,没有电子商务这一说,只有新零售”。
1.2 新零售与智能货柜
如何理解新零售,我们把新零售拆为“新”和“零售”,“新”在于更高效率、更好的服务,“零售”的本质链接是“人”与“货”的“场”。
在智能货柜这个产品中:智能货柜即一个最小型的“场”,有了“场”,便产生了交易的可能;智能货柜上的“货”,通过数据驱动,在消费者端做到千柜千面。可反向驱动供应链端和产品设计端,零售商家可做到高性价比的精细化运营,用更短更直接的路线和体验打动消费者;在“场”和“货”不断迭代中,吸引到“人”。用户的关键指标为流量*转化率*客单价*复购率,对不同用户画像进行精细化运营,提高坪效。
最终,利用AI数据、用户画像、商品推荐等技术实现智能货柜“人”、“货”、“场”的消费生态闭环,这便是智能货柜在新零售时代的运营思路。
02
智能货柜发展路线和市场分析
2.1 智能货柜发展路线一共经历了三个阶段。
(1) 自动售卖机阶段:
1993年自动贩卖机从欧美、日本地区传入中国,传统自动售卖机主要是硬件驱动,用户使用纸币、硬币支付,货柜通过弹簧弹出商品。
(2) 无人货架阶段:
2017年,在新零售趋势加持下,无人货架迎来风口。但因为没有构建消费闭环场景,导致商品货损率极高,所以在运营一年后,大部分无人货架项目都已暂停运营。
(3) 智能货柜阶段:
市场一直在驱动企业创新,无人货架风口过后,以RFID和视觉识别为核心技术的智能货柜时代正式走上历史舞台,与无人货架相比,智能货柜形成了消费闭环,用户扫码开门拿取商品,关门即扣费,点位达到一定规模后,智能技术赋能运营及补货过程,销售和品牌的规模效益便能逐步产生。
2.2 智能货柜技术解决方案
视觉识别解决方案:以图像识别为技术核心,摄像头、主板为硬件核心,对消费图/视频进行目标检测和分类,极大的提高购买和补货体验;
重力感应与视觉识别混合解决方案:以重力感应为主,视觉识别为辅,或者以视觉识别为主,重力感应为辅的形式,进一步提高准确率。
2.3 智能货柜市场分析
目前智能货柜市场的公司分类主要有以下三种:无人货架转型公司、AI科技技术公司、传统自动售卖机企业:
智能货柜核心指标对比
2.4 瓶颈与机会
智能货柜的发展瓶颈主要是技术瓶颈:经过2018-2019的快速发展,智能货柜的发展到一定阶段,市面上的智能货柜技术服务商统称自家的识别准确率在99%以上,则100单最多只会识别错1单,但是距离真正成熟阶段还差一定距离,识别技术瓶颈在未来会一直存在。
03
智能货柜技术核心
3.1 AI算法
(1) 识别云服务器
AI模型的训练十分依赖服务器运算能力,GPU服务器比一般云服务器更适合深度学习项目,通常企业选择租用GPU云服务器或购买GPU服务主机进行项目训练。
(2) 深度学习开源框架
通过使用它可以快速的进行神经网络的开发,大大降低了开发成本。
(3) 识别算法
在智能货柜运营场景,我们需要算法做的是图像中物体的定位和分类:识别定位出每一层货柜的照片所包含的商品以及商品的类别,为不同的商品框上不同的框,以供购物订单生成和其他场景盘判断。要执行该任务我们需要使用卷积神经网络为基础的一众算法。
图像识别算法发展历史
3.2 商品数据源和标注
数据源质量:众所周知,数据质量低会极大的影响模型的效果,容易造成模型的欠拟合或过拟合,出现这种情况,我们通常关注以下两点:标注流程是否规范;标注人员是否专业。
3.3 关键硬件
智能货柜像厂商定制硬件能力,同时需要有专门的LOT后台对硬件的健康状态进行监控、硬件管理小程序或者APP提供硬件管理支持。
04
系统结构
用户端:用户用于购物的小程序或APP。
货柜硬件端:实际控制货柜上门锁、摄像头、灯光、温度等所有传感器和硬件设备,与服务端通信,平时负责将心跳数据和图片打包上传至服务端,并且解析服务端发过来的指令实现控制货柜硬件。
逻辑服务端:主要任务是接受货柜硬件端数据,把照片数据放到队列中供识别服务端读娶修改货柜订单状态、推送消息、更新库存等。
识别服务端:主要是实时检测队列读取照片,运行识别服务,生成订单明细。
05
货柜运营核心与用户体验
综合历史经验,在智能货柜发展前期与用户体验和商业标准最贴合的两个维度是对于货柜运营客户,收到钱、收对钱;对于购物用户:能买到、能买对。
零售的本质不会变化,智能货柜只是一个新型交易行为的媒介。商家的需求永远是卖的更多赚的更多,用户的需求永远是买到性价比高的商品。
5.1 构建货柜运营稳定性指标
在智能货柜购物场景下,用户一般会有明确的购物目标,所以从实际运营的维度上评估运营稳定性。其中购物时长与用户体验成负相关,订单准确率与用户体验成正相关。
提高订单准确率的方向有先处理和后处理:先处理定义为可以在识别发生前实现的优化,如对提高数据源质量、数量、对模型升级和分组、更换更优算法等等;后处理定义为在识别发生后实现的优化。如通过像素对比、距离对比、IOU过滤等后纠正算法优化,或将订单划进异常订单池,用更优但更慢的模型处理甚至是人工处理等等。
5.2 常见识别异常场景介绍
稳定的图像识别模型能支持90%以上情况,但是因为智能货柜的单点运营性质,货柜摆放的场景是十分任意的,售卖商品的范围也很广泛。这决定了图像识别需适应各种各样的识别环境,如艳阳高照的户外、灯光昏暗的楼道。
同时识别模型自身稳定性原因,在某个时间点开始趋向不稳定。这种时候就会出现识别异常情况。以笔者的经验来说,目前识别异常在实际运营中是不可避免的,AI技术还没有达到能提供100%完美准确率的能力。
识别异常场景通常有漏识别商品、识别多余商品、识别错误商品。
06
复盘总结
6.1 智能货柜产品发展方向
基于视频动态识别技术的智能货柜。本篇文章介绍的是以静态图片识别技术为主的智能货柜,基于动态识别,智能货柜产品的生态运营和影响范围又会拓展;利用AI技术提供更多的货柜终端体验方案;
6.2 AIPM工作内容与流程
智能货柜项目分为技术定型、试运营、稳定迭代三个阶段。在不同阶段,PM的工作流程和所需关键能力都不同。以AI算法流程“输入-训练-输出”为思考基础,每个阶段的工作流程也各自分为三步曲。
(1) 技术定型阶段:
该阶段的理解标准是公司还没有成型产品,但通过与客户的洽谈对接考察,已确定具体的业务需求。
在技术定型阶段,PM关键能力是业务对接能力和技术理解能力,时间分配上50%在对接业务,50%在对接技术。
(2) 试运营阶段:
产品雏形上线后,可在可控制的范围内进行产品试运营。
(3) 稳定迭代阶段:
关于如何将项目视为进入稳定迭代阶段,我们可以从两个方面去看:
产品能力上,相关的技术和关键业务指标达到商用标准;
团队上,有专门负责的产品开发和售前售后团队,销售反馈处理的主流程已基本搭建完成。
在本阶段,负责的内容与普通产品PM大径相同,关键能力是对项目和产品整体的管理,相对需要关心技术方面的内容会少一些。但关注数据源的健康,关键技术指标和业务指标、思考如何从技术和其他维度上优化模型依然是工作重心之一。
6.3 AI产品设计思考
PM所有的输出基于底层能力结构,结构包含两部分内容:第一部分是专业化知识,如体验、战略、商业、技术等专业知识和技能,主要在工作中体现;第二部分则是个人的人文修养、灵魂素养、情绪、驱动力、潜意识等。
在AI产品时代,一个岗位所需的底层能力是不会变化,只是岗位难度的变化。所以,保持产品初心不变,认识到产品的本质不变,把AI技术当作更高效率的技能工具运用在产品上,是我当前阶段的认知也是对PM读者的建议。
相关文章
