建站
咨詢
售后
建站咨詢
新聞中心
自零售領(lǐng)域近些年圍繞轉(zhuǎn)型升級建設(shè)性地提出了以“人、貨、場”三核心為基礎(chǔ)的新零售藍圖之后，各方新技術(shù)蜂擁在零售的各型場景中角力。在之前的分享中，我們主要介紹了奇點云是如何通過人工智能技術(shù)，從“人”的維度切入零售場景的。而本文將著重介紹奇點云的人工智能技術(shù)是如何從“貨”的維度賦能零售商業(yè)的。
視覺智能引擎作為奇點云AI落地的第一步，在商品數(shù)字化方面發(fā)揮著主要作用。而從視覺角度來說，“貨”的形態(tài)差異相較于“人”來說有了顯著增加。不同的垂直行業(yè)為順應(yīng)市場需求所開發(fā)的產(chǎn)品，無論在產(chǎn)品功能還是形態(tài)上都千差萬別，甚至同類型產(chǎn)品也會產(chǎn)生出不同的形態(tài)以順應(yīng)差異化的細分需求。這對視覺智能引擎提出了新的挑戰(zhàn)，也激發(fā)出了StartDT AI Lab更大的技術(shù)突破。下面從奇點云已經(jīng)商業(yè)落地的場景中選了幾個比較有代表性的行業(yè)場景來展示StartDT AI Lab已取得的技術(shù)突破。
AI識貨賦能服飾行業(yè)
我們在17年率先推出服裝識別技術(shù)，結(jié)合產(chǎn)品——奇點魔鏡實現(xiàn)落地。在這個場景中，用戶站在奇點魔鏡前站定幾秒后，奇點魔鏡首先將對用戶的穿著進行分割理解，從中分離出T恤、風衣、夾克、牛仔褲等各種類型的服飾，然后通過對單品服飾的分析，例如T恤，我們可以對其抽取特征，分析出T恤的風格、袖長、版型等屬性，最后在我們自建的百萬級服飾商品庫中，使用推薦算法為用戶推薦相似的、配套的商品，從而達到引流客戶、智能導購的效果。
在這個鏈路中，我們當時碰到的主要問題和解決方案:
?1.獲取用戶準確的衣著信息并獲取特征時，像T恤、短褲這樣上下裝明顯的衣著較容易獲取，但像連衣裙、風衣類較長的衣著卻較難處理。
我們通過收集大量數(shù)據(jù)、清洗打標、完善數(shù)據(jù)集，并使用級連方法，先對服飾一級標簽進行檢測分析，再進行二次處理，從而提高了分割效果。
?2.服飾屬性多樣且沒有統(tǒng)一的標準，如何快速同時判斷成為難題。
我們將屬性的分類器各自獨立互不影響，使用特征作為輸入，減少了重復運算，另外我們將分類器同時接在Graph中，使整體過程End-to-End，快速有效。
?3.大規(guī)模檢索：當數(shù)據(jù)庫較大時，檢索速度慢，無法快速響應(yīng)。
我們將比對數(shù)據(jù)庫部署在分布式集群上，實現(xiàn)了特征比對層面的map-reduce，使我們在應(yīng)對各種級別的比對時游刃有余。
AI識貨賦能快消飲品行業(yè)
我們在快消飲品行業(yè)已有近兩年的探索歷史。各式各樣的飲品——包括礦泉水、碳酸飲料、果汁、啤酒、白酒等都可以在奇點魔柜中售賣。我們通過自研的深度學習算法、數(shù)據(jù)采樣方法，配合我們定制化的硬件配置，實現(xiàn)了在商用場景中99%以上的識別準確率。我們將貨損率控制在1%以內(nèi)，低于快消飲品行業(yè)平均貨損水平。此外，我們在不到1平米的占地空間上實現(xiàn)了極高的坪占比，單柜單月零售額可達千元級別，卻僅需少量的維護工作。
在正式商用的背后，StartDT AI Lab主要的contribution有以下幾點：
No.1 快速有效的小物體檢測算法
和大多數(shù)場景不同，我們的檢測目標往往是最小邊接近16像素的小目標，且在一張圖上有相當多的目標。我們通過自適應(yīng)anchor的方法，使先驗anchor更加準確；此外我們通過一種特征增強算法，使細節(jié)特征得以在深度網(wǎng)絡(luò)中盡可能減少損失，從而避免了因特征過少帶來的低分值檢測結(jié)果不穩(wěn)定的問題。此外我們還自研了一種自蒸餾方法，在不增加參數(shù)的情況下提升了模型準確率，從而達到了商用水準。
No.2 與度量學習結(jié)合的識別技術(shù)
度量學習在過去的幾年中被廣泛使用在人臉識別模型上，并取得了非常不錯的效果。我們將其引入商品識別，結(jié)合經(jīng)典的神經(jīng)網(wǎng)絡(luò)方法，使識別結(jié)果更加準確可靠；此外模型還可輸出可比對特征，支持特征比對方式出結(jié)果，支持不同類間相似比較，從而在選品層面就避免了相似商品同時售賣無法識別的問題。
No.3 小數(shù)據(jù)集增強
我們的數(shù)據(jù)集相對使用場景，其實是一個小數(shù)據(jù)集。如何使用小數(shù)據(jù)集在大數(shù)據(jù)場景下獲得商用級準確度？我們自研了一種mix方法，使檢測模型獲得了非常高的召回率；此外我們還使用了GAN，在訓練分類器的過程中同時訓練生成器，再拿生成結(jié)果同時訓練分類器，使分類器訓練更充分，更平滑。
在生鮮/藥品等垂直領(lǐng)域，我們也敢于摸索和嘗試，發(fā)揮自有深度學習算法和采樣方法的優(yōu)勢，結(jié)合自研的硬件優(yōu)點，首創(chuàng)能將繁復多類的生鮮不受類別影響的智能貨柜。眾所周知，在垂直領(lǐng)域中，同一sku的外觀變化多樣，適配成本高。我們通過特定產(chǎn)品設(shè)計，完美支持各類蔬菜水果等生鮮，準確率更是可以做到近乎100%。讓顧客不受限于菜市場/藥房等特殊場地的限制同時，更可以發(fā)揮無人貨柜的完美優(yōu)勢——不受時間限制。
（從上至下為藥品類識別、生鮮類識別）
StartDT AI Lab在黑暗中探索的收獲與創(chuàng)新：
No.1 新穎的深度學習式場景思考
為了擺脫生鮮場景下，各種形狀和尺寸帶來的異同和難以兼容，以及客戶快速上新的切實需求，我們在場景落地的實際道路上，結(jié)合商品的特性、產(chǎn)品的優(yōu)勢和深度學習算法的原理，給奇形怪狀的生鮮產(chǎn)品進行特殊的包裝，該方案解決了生鮮產(chǎn)品之間的差異性，并能支持客戶快速上新。
No.2 獨具創(chuàng)新特色的數(shù)據(jù)增廣
光有新穎的方案設(shè)計還不足以讓深度學習在一個實際場景中完美落地，準確率是客戶第一要素，數(shù)據(jù)是深度學習的資本。StartDT AI Lab在深入分析了生鮮和藥品等垂直領(lǐng)域的數(shù)據(jù)特性和算法性能之后，創(chuàng)新性地在采樣數(shù)據(jù)集上進行數(shù)據(jù)增廣，讓準確率近乎完美，詮釋了什么是將深度學習進行落地的概念。
從以上案例中，呈現(xiàn)了奇點云在“貨”的數(shù)字化探索，雖然還是比較初步的商品數(shù)字化階段，但也通過AI技術(shù)首次實現(xiàn)了商品售賣周期內(nèi)的全鏈路數(shù)字化跟蹤。并在此基礎(chǔ)上實現(xiàn)了零售前端成本削減，提高了用戶調(diào)研自動化的效率。為了讓商業(yè)更智能，StartDT AI Lab將繼續(xù)前行，請持續(xù)關(guān)注～
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)cdcxhl.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
本文名稱：StartDTAILab|視覺智能引擎——AI識貨賦能商品數(shù)字化-創(chuàng)新互聯(lián)
當前路徑：http://fisionsoft.com.cn/article/hiipe.html
