近日,ICT基础设施及行业解决方案提供商锐捷网络发布新一代AI SaaS 云平台解决方案。该方案是为适应日益普及的无人零售这一业态,基于先进的人工智能视觉识别技术,不仅可以使智能货柜在成本、业务指标上都达到运营级别,还可以支撑百万级智能柜的高精准、高性能、高可靠运营,将有效推动智能柜的商品化和规模化应用进程。
难接地气的无人零售怎么了?
近几年,传统零售模式经历了几轮深层次变革,2016年是新零售的元年,2017年无人零售在国内又刮起了一阵大风,从传统零售到新零售再到无人零售等概念的革新,可以看出零售行业对提效降本的迫切需求。
无人值守、全天候营业的智能货柜,不仅构建了一个更方便的购物场景,加之只需要用户自助买单,节约了人力和场地成本,因此成为众多零售商、品牌商和运营商青睐的选择。
但是,经过几年的发展,无人货柜在国内的铺设规模远低于预期。以日本为例,日本的自动贩卖柜从1970年开始,用了不到10年时间,就达到了500多万台的保有量,几乎是每年50万的铺设规模。而我国国内的自动贩卖柜,包括机械柜和智能柜在内,据初步统计,从2017年的30万台到2021年上半年的40万台,四年间铺设规模增长不足10万。
这是一个存在很大增长空间的市场,但铺设规模远低于预期,究其原因,一是由于无人货柜成本太高,导致运营商无法盈利,与其提效降本的初衷背道而驰;二是影响业务的核心技术指标,比如商品品类限制、数目限制以及上新效率的限制等,无法达到运营级别。
锐捷新一代AI saas云平台方案,支撑百万级智能柜运营
秉承着“场景创新”的理念,锐捷针对无人零售这一场景的痛点深入挖掘,通过一次次的技术攻关,推出新一代AI saas云平台解决方案。
方案基于先进的人工智能视觉识别技术,不仅可以使智能货柜在成本、业务指标上都达到运营级别,还可以支撑百万级智能柜的高精准、高性能、高可靠运营,一举解决无人货柜商品化和规模化两个难题,将有效助力零售业的数字化转型。
四次迭代,算力成本百倍下降。从2018年推出第一代动态视觉柜产品到2021年,产品历经四次迭代,从最初的边缘计算到端云协作,再到目前的全云方案,最终达到成本百倍降低,推动智能柜进入商用阶段。
关键业务指标,达到运营级别。零售行业有四个关键指标:
第一,SKU品类多。一般运营商的SKU品类要求从几十到几百,智能柜内品类越丰富,坪效比越高。锐捷全云方案冰柜内SKU累计上千,单柜同时支持45+品类,品类更丰富,满足更多场景的使用需求;
第二,上新效率高,商家旺季一个月会有十几种新品上新,运营商越大,上新要求越高。使用锐捷全云方案,1个小时完成上新多3+品类,上新更及时。相较于传统货柜上新速度大多需要5-7个工作日,AI智能货柜超强的学习训练机制,能够保证将商家上新1-3个品类的速度压缩到1个小时内,当前市场上商品更迭迅速,各位网红爆款商品层出不穷,快速的上新能力保证了商家能够紧跟流行消费趋势,增加消费粘性;
第三,误扣零容忍,对于智能柜这种新的购物方式来说,消费者容忍度比较低,误扣会严重伤害消费者的忠诚度和信任度。使用锐捷全云方案,识别准确率超99.5%,算法误扣率低于0.5%。可以保持复杂购物行为的准确率,并对消费异常实时告警。无论是消费者单双手拿取货品、多人同时拿取,又或是取出后又反悔放回,都能够进行精准的捕捉识别,大大降低了货损率;
第四,超低准入门槛:将智能化硬件组件的性能要求降低到,仅需可同时采集2路标清视频即可,硬件成本大大降低。而且云平台提供边端多平台SDK、购物小程序、运营DEMO套件以及开发说明文档等,整体运营体验平台向客户开放,可以随时无门槛体验。
AI赛道“新选手”,行业深耕“老玩家”
AI智能柜方案源于锐捷的场景化AI云服务能力,在零售行业,锐捷的AI云服务能力,还可应用于智能结算秤和智能SOP监督;在制造业,锐捷的AI云服务能力可以代替部分人工完成产品质检,识别的瑕疵类型多样,实时监测,检出率超98%,准确率高,还支持多种颜色复合检测。
锐捷长期关注零售业和制造业两大领域,依靠长期深厚的行业积累和市场洞察,打造的基于零售业和制造业的全套自动化训练平台和配套工具,能够快速落地实际场景。
锐捷自成立以来,始终坚持场景创新,致力于将技术与应用场景充分融合,推动行业实现数字化转型,是名副其实的“老玩家”。未来,锐捷将持续深耕行业,不断创新场景化应用,将团队精研的技术能力和丰富的实践经验应用于千行百业,创新更多场景化的产品技术方案,驱动数字化未来。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。