Miks jaekaubanduse ja CPG valdkonna juhid pöörduvad skaleeritava andmete märgistamise poole agentse tehisintellekti jaoks
Sissejuhatus
Jaemüügi- ja tarbekaubad (CPG) on tööstusharud, mis on määratletud keerukuse järgi: tuhanded SKU-d, dünaamilised hinnakeskkonnad, mitmekanaliline ostlemine ja väga erinev klientide käitumine. Võistlemiseks võtavad ettevõtted võidu AI-süsteemide kasutuselevõtuga – autonoomsed eesmärgipõhised esindajad, kes saavad reaalajas otsuseid teha. Kuid reaalsus on järgmine: agent-AI on ainult nii võimas, kuivõrd võimas on andmestikud, millest see õpib. Jaemüügi/CPG puhul tähendab see suuri, kvaliteetseid, märkustega andmekogusid, mis kajastavad kõike alates riiulipaigutusest kuni klientide arvamusteni. Ilma skaleeritavate andmete sildistamise ja annotatsioonikonveierita jäävad isegi kõige arenenumad tehisintellektisüsteemid alla. Selles artiklis uuritakse, miks jaekaubanduse ja CPG juhid eelistavad agentide tehisintellekti skaleeritavaid märkusi, milliseid tehnilisi aluseid see võimalikuks teeb ja kuidas globaalsed partnerid, nagu Uber AI Solutions, eeliseid pakuvad.
Agentliku tehisintellekti esiletõus jaemüügis ja tarbekaupade sektoris
Kõik need rakendused nõuavad domeenipõhiseid märkustega andmeid: SKU-taseme tootepildid, kviitungid, POS-i andmed, riiulifotod, klientide tagasiside ja lokaliseeritud pakenditeave.
Iseseisev varude jälgimine
Arvutinägemisel töötavad esindajad tehisintellekti esindajad tuvastavad varude lõppemise, valesti paigutatud esemete või kahanemise.
Dünaamiline hinnakujunduse optimeerimine
Esindajad korrigeerivad hindu peaaegu reaalajas konkurentide andmete, nõudluse mustrite ja boonuste põhjal.
Klientide kaasamise esindajad
Multimodaalsed AI-süsteemid integreerivad klientide arvustustele ja kasutajatoe taotlustele vastamiseks OCR-i, sentiment-analüüsi sildistamise ja NER-i (nimetatud üksuse tuvastamine).
Tarneahela luureandmed
Tehisintellekti esindajad korraldavad keerulisi logistikavooge ladude, autoparkide ja jaemüüjate vahel, tuvastades kitsaskohad enne nende tekkimist.
Miks andmete märgistamine on puuduolev lüli
Ilma struktureeritud märkusteta pole tehisintellekti esindajatel võimalik multimodaalseid andmekogumeid põhjendada ja kontekstipõhiseid otsuseid teha.
Jaemüügi/CPG juhid teavad, et nende väljakutsed ei seisne mudelite loomises, vaid nende mudelite täitmises õigete koolitusandmetega. Peamised nõuded on järgmised.
SKU-taseme märkus
Piirdekastid ja segmentimine toote, pakendi ja suuruse tasandil.
OCR (Optical Character Recognition)
arvetel, kviitungitel ja struktureeritud andmekogumite siltidel.
Toote taksonoomiate üksuste tuvastamine
Atribuutide, nagu kaubamärk, maitse, maht või hind, eraldamine tekstist ja piltidest.
Sentiment annotation
Kliendiarvustuste, kõnesalvestiste ja küsitluste andmete põhjal koolitatakse NLP soovitusmootoreid.
Lokaliseerimise sildistamine
pakendi ja tootekoopia kohandamiseks enam kui 200 keeles.
Tehniline süvaanalüüs – märgistamise töövood jaemüügi/CPG jaoks
Multimodaalne märkus
Jaemüügi andmestikud ühendavad sageli pilte, teksti ja heli. Näide: riiulifoto (pildi segmentimine), kviitung (OCR + üksuse väljavõte) ja häälpäring (heli transkriptsioon). Multimodaalsed annotatsioonikonveierid integreerivad need signaalid ühtseteks andmekogumiteks.
Konsensuse mudelid ja kvaliteedikontroll
Suur täpsus nõuab märgistamisvigade minimeerimiseks 2 ja 3 kohtuniku konsensusmudeleid. Annotaatorite järjepidevuse kvantifitseerimiseks kasutatakse selliseid mõõdikuid nagu Inter-Annotator Agreement (IAA) ja Coheni Kappa.
Edge-Case andmestiku loomine
Tehisintellekti esindajad peavad tegelema harvaesinevate, kuid kriitiliste juhtumitega: valesti märgistatud SKU-d, võltsitud kaubad, kahjustatud pakend. Andmekonveierid vajavad rabeduse vältimiseks sihitud serva-suurtähtedega märkust.
Aktiivsed õppekanalid
Annotatsioon on iteratiivne. Aktiivõppe raamistikud võimaldavad AI esindajatel teha päringuid ebakindlate näidiste kohta, tagades andmekogude dünaamilise arengu.
Märgistuse skaleerimine jaemüügi- ja esmatarbekaupade ettevõtetele
Siin on ettevõtete suurim takistus: mastaap. 10 000 SKU märkimisest mitmes toidukohas, turul ja keeles muutub kiiresti globaalne andmetoimingute väljakutse.
Uber AI Solutions pakub järgmist.
Globaalne haare
Üle 8,8 miljoni suurune mitmekesine tööjõud kogu maailmas
Mitmekeelne oskus
Märkused enam kui 200 keeles
Tehnoloogilised töövood
uLabel, Uberi märkuste platvorm, pakub konfigureeritavaid taksonoomiaid, kontrollitavust ja reaalajas analüüsi
Kiire pöördumine
SLA-d hulgimüügi andmekogude puhul kahekohalise tunniga
Eelarvamuse leevendamine
Kvaliteetsed rubriigid, konsensusmudelid ja demograafiline mitmekesisus annotaatorite kogumites.
Äriline mõju – miks jaekaubanduse ja tarbekaupade valdkonna juhid investeerivad
Kiirem aeg turule jõudmiseks
AI-põhised hinnad ja boonused käivitatakse päeva, mitte kuude pärast.
Kulude vähendamine
Suurem sääst võrreldes ettevõttesiseste märkustega
Parem täpsus
Oluliselt kõrgemad kvaliteediskoorid, mis on valdkonna võrdlusalusest paremad.
Tulu kasv
Paremad isikupärastamise ja soovitamise mootorid suurendavad ostukorvi suurust ja korduvaid oste.
Õigusnormide järgimine
Eelarvamusteta lokaliseeritud andmestik, mis on kooskõlas piirkondlike turuseadustega.
Järeldus
Agentne tehisintellekt jaemüügis/CPG-s ei ole enam tulevikunägemus — see on juba olemas, kuid ainult ettevõtetele, kes suudavad skaleerida valdkonnaspetsiifilist märgistamist. Alates SKU-tasemel andmetest kuni multimodaalsete tagasisideahelateni on skaleeritav märgistamine autonoomsete agentide alus jaemüügis. Kas oled valmis oma jaemüügi/CPG tehisintellekti skaleerima? Kohtu meie ekspertidega juba täna ja saa teada, kuidas andmete märgistamine kiirendab ärilist mõju.
Loome koos paremat
tehisintellekti
Räägi meile oma projektist. Näitame sulle
andmeid, mis aitavad sul eesmärgini jõuda.
Loome koos paremat
tehisintellekti
Räägi meile oma projektist. Näitame sulle
andmeid, mis aitavad sul eesmärgini jõuda.
Lahendused
Tööstusharud
Ressursid
Avasta