Розвиток штучного інтелекту чи не найлегше помітити у сфері торгівлі. Можна підібрати ідеальне пальто без примірки, спеціальні програми сканують продукти, перевіряючи їхню стиглість та термін придатності, чатботи автоматично генерують список потрібних покупок. Але не обходиться і без провалів, а часом і відвертого шахрайства. У speka.media спробували проаналізувати, як штучний інтелект та машинне навчання впливають на ритейл.
Фото: freepik.com
Задовго до хайпу: як машинний зір використовувався у харчовій індустрії
Чи думали ви колись про те, як визначити, які ягоди варто відправити за океан, а які необхідно з’їсти до наступного тижня? Якщо йдеться про кілограм, то ризик не великий, однак у тоннах неправильний вибір завдасть збитків на мільйони доларів. Саме тому новозеландська BBC Technologies ще з 2000 року розробляла систему для сортування чорниці. Спершу створили механічний конвеєр, який міг розпізнавати ягоди за кольором.
Принцип роботи BBC Technologies
До 2015 року вони додали систему камер, яка використовувала оптику для покращення процесу. Компанія продовжувала вдосконалювати технологію та розробила платформу на основі штучного інтелекту, яка може обробляти 2400 окремих зображень фруктів за секунду.
Програмне забезпечення навчилося розпізнавати отвір у стеблі від клювання птахів і відкидати проколоті плоди, які швидше згниють. А ще розпізнавати десятки сортів і незначні сезонні відмінності, тому фрукти, вирощені на початку сезону, будуть сортуватися та упаковуватися інакше, ніж фрукти, які достигають наприкінці.
Результати оцінювання щільності оболонки ягід за допомогою BBC Technologies
Ідея була настільки інноваційною, що TOMRA Food, норвезька компанія сортування та пакування, купила сімейну фірму за $66,9 млн у 2018 році.
Подібні інновації стосувались і оброблення картоплі. Наприклад, є ШІ-пристрої, що можуть визначити, яка картопля найкраще підходить для смаження, а яка для пюре.
Коли Шахмір Мірза почав працювати у PepsiCo., якій належить бренд Frito-Lay (чипси Doritos та Lays), одним із його найперших завдань було навчання машин сенсорного сприйняття.
Відбиваючи лазери від чипсів, він міг відтворювати звук, який вони видають, коли хтось їх кусає. Таким чином вдалося досягти ефекту, коли кожен шматочок матиме однаковий смак та хрускіт.
Раніше працівнику виробничої лінії доводилося час від часу регулювати вручну товщину чипсів, час і температуру, а також дегустувати, щоб перевірити відповідність стандарту.
Як Walmart використовує штучний інтелект у кожній галузі свого бізнесу
Найбільший у світі роботодавець та найбільша за виторгом компанія у світі Walmart інтегрує штучний інтелект буквально всюди. Наприклад, її платформи з прогнозування попиту на товари на базі штучного інтелекту допомагають з логістикою. У вересні 2023 року, коли ураган змусив Walmart закрити великий дистриб’юторський центр, перекривши потік товарів до сусідніх супермаркетів у Флориді, компанія використала нову симуляцію постачання на основі штучного інтелекту, щоб переспрямувати постачання з інших центрів і передбачити, як попит на товар зміниться після шторму. Завдяки ШІ процес тривав години, а не дні.
Компанія також впроваджує голосові покупки. Клієнти Walmart можуть робити це за допомогою Walmart Voice Order, яка дає змогу клієнтам підключати свої облікові записи до своїх розумних колонок і мобільних пристроїв.
Принцип роботи Walmart Voice Orde
Клієнт диктує те, що хочете придбати, а система використовує обробку природної мови (NLP), щоб зрозуміти запит, та аналізує інформацію про попередню покупку, щоб визначити, якому бренду він надає перевагу.
А ще Walmart тестує роботів-сканерів полиць у десятках своїх магазинів. Роботи сканують полиці щодо відсутніх товарів, речей, які потрібно поповнити, або цінників, які потрібно змінити. Роботи звільняють людей, щоб вони проводили більше часу з клієнтами, та гарантують, що клієнти не стикаються з порожніми полицями.
Ще більше про те, як працюють деякі сервіси ритейл-гіганта, можна прочитати у блозі Walmart Global Technology Center.
Не викидати зайвого, або Як алгоритми борються з надмірними відходами
Також прогнозування за допомогою алгоритмів машинного навчання допомагає ритейлерам скорочувати списання продукції, що і знижує їхні витрати, і дбає про екологію. США щороку викидають приблизно 60 млн тонн їжі, або 40% продовольчих запасів країни. Це також предмети на звалищах у США і становлять майже 22% твердих побутових відходів.
Winnow відстежує харчові відходи у ресторанах, готелях і роздрібних мережах, відстежуючи сміттєві баки за допомогою ШІ. Shelf Engine відстежує стандартизовані коди швидкопсувних продуктів, а також нагадує, коли популярні продукти закінчуються.
Ще у 2018 році виявили, що Walmart виробляє 3,5 млн тонн харчових відходів. Тому тепер штучний інтелект консультує співробітників щодо продуктів, які швидко псуються або попит на які залежить від сезону. ШІ може порадити працівнику змінити ціну на стиглі банани або надіслати їх назад постачальнику, якщо це частина політики щодо цього конкретного товару, наприклад одягу.
А мережа аптек Walgreens використовує дані про кількість противірусних рецептів, які вона виписує у понад 8000 місцях, щоб відстежувати поширення грипу. Інтерактивна онлайн-мапа не тільки допомагає клієнтам зрозуміти, наскільки небезпечний та поширений грип у їхній місцевості, але й допомагає Walgreens зберігати більше ліків та медзасобів, пов’язаних із грипом, у заражених регіонах.
Як ритейлери впроваджують штучний інтелект в Україні
У нас ритейлери також не відстають. Наприклад, Intertop впровадив персоналізований показ товарів з каталогу, відображення схожих речей на сторінці, а також підбір луків під особисті запити клієнта.
Одразу кілька брендів одягу пропонують віртуальну примірку. Щоб отримувати рекомендації, користувачеві достатньо один раз зазначити свою вагу та зріст і зробити два фото. За фото сервіс формує 3D-модель тіла, після чого порівнює отримані виміри з розмірною сіткою товару і підбирає максимально релевантний розмір. Зазвичай українські та багато іноземних брендів, наприклад, італійський luxury-бренд Lanieri та масмаркет-бренд Bershka, користуються рішенням української компанії 3DLook.
Як працює віртуальна примірка 3DLook
А група компаній Fozzy («Сільпо») почала тестувати власний ШІ Kissa AI у 2021 році. Сьогодні ШІ-портал повноцінно працює у кафе «Кантін» на лівому березі Києва.
Ресторан самообслуговування «Кантін» розташований у бізнес-центрі Silver Breeze. У закладі ви ставите тацю на спеціальну платформу, на якій ШІ розпізнає ваше замовлення і виставляє ціну.
Чому деякі компанії відмовляються від впровадження штучного інтелекту
Не обходиться і без невдач. Наприклад, McDonald’s нещодавно скасував тестування, у якому використовувався штучний інтелект для приймання замовлень клієнтів, після того як система почала робити помилки, наприклад, додавати курячі нагетси на суму $222 до рахунку в одному ресторані.
Натомість Amazon узагалі викрили на шахрайстві. Компанія впровадила 44 високотехнологічні магазини Amazon Go та Amazon Fresh, де можна було взяти товари з полиць, а потім автоматично стягувалась плата. Алгоритми були навчені на мільйонах зображень і відео, щоб розпізнавати продукти та дії людини.
Та замість новітньої можливості ШІ понад 1 тис. контролерів були просто переміщені за межі магазину. Вони віддалено спостерігали, що беруть люди під час купівлі, у середньому на кожну 1000 записів покупок 700 перевіряли живі люди.
Історія шахрайства Amazon Go та Amazon Fresh
Після викриття та розголосу в медіа Amazon заявив, що зупиняє використання технології Just Walk Out у своїх магазинах без кас.
Як штучний інтелект збирає дані та підвищує продажі
Один із найбільш цінних інструментів впливу для сучасного ритейлера — великі масиви даних. Виграє той, кому вдається швидко збирати, аналізувати та ухвалювати рішення на основі здобутої інформації. І тут можливості штучного інтелекту вже значно виграють у людини.
Річ у тім, що працівники роздрібної торгівлі зазвичай не передають багато даних у бізнес. Чатботи для ритейлу натомість повністю автоматизують збір даних. Бот є частиною ширшої комп’ютерної системи підприємства, тому деталі кожної взаємодії з клієнтом можна передавати прямо у базу даних. Збір даних може містити повний «звіт», представлений кожному клієнту: початкове привітання, тон, темп, відповіді на запитання клієнтів і, звичайно, результат у доларах.
Залежно від етичної позиції фірми ШІ-бот також може бути розроблений для збирання не лише слів клієнта, але й різноманітних «метафактів», наприклад, аналізувати та створювати профіль клієнта: чоловік чи жінка, молодий чи старий, худий чи повний тощо.
Для торгівлі критично важливі «точки дотику» — моменти контакту з клієнтом, де вони можуть впливати на сприйняття та рішення клієнта. У минулому людей відбирали або навчали, щоб забезпечити ефективні контактні точки. Наприклад, підлітки у барвистих уніформах, які працюють у ресторані швидкого харчування, створюють певний імідж і атмосферу. Сценарії та підказки, які вони надають, як-от «Ви хочете до цього картоплю фрі?», надходять прямо з посібника.
Але люди насправді не в змозі змоделювати мільйони попередніх взаємодій з клієнтами або порівняти їх із клієнтом, який стоїть перед ними. Натомість ШІ-боти можуть.
Що це означає? Використовуючи гігабайти попередніх даних, роздрібні боти можуть профілювати поточного клієнта та відповідно коригувати свою поведінку, взаємодіяти з клієнтом, а потім повертати створені дані для кращої продуктивності наступного разу. І наступного разу це може відбутися через дві секунди в ідентичній торговій точці на іншому кінці країни з подібним клієнтом.
