Часть 2.3
Искусственный интеллект в ритейле: онлайн-персонификация, самообучение, пополнение запасов

Примеры внедрения искусственного интеллекта в других отраслях

В электронной торговле всегда найдется место Искусственному Интеллекту. Сегодня только 2% онлайн покупателей осуществляют покупку в ходе первого же визита на сайт магазина. Поначалу, с помощью технологии ретаргетинга удавалось до 98% потенциальных клиентов «добивать» до покупки. Но с ростом популярности ретаргетинга этот инструмент становился всё более докучливым. Поэтому на сегодняшний день уже 40% онлайн-покупателей не реагируют на ретаргетинговые рекламные сообщения (источник 1). Они это делают подсознательно, быстро и «на автомате», раскусывая «коварные» планы рекламодателя. Частично это происходит потому, что равно как и многие другие средства автоматизации в интернете, ретаргетинг работает по достаточно простым прямым скриптам и не может быть по-настоящему персонифицированным.

Имея доступ к миллиардам точек контакта покупателей с магазином, ритейлеры могут на весь этот массив данных напустить нейросеть. Чтобы динамически идентифицировать специфические клиентские сегменты и рекомендовать каждому из нас наиболее релевантные продукты и сервисы. Для ритейлеров (в том числе и-тейлеров, от англ. e-tailers), которые смогут преуспеть в этом начинании, рекомендационный механизм, основанный на ИИ, может стать мощнейшим бизнес-инструментом.

Например, сегодня видеостриминговый сервис Netflix до 80% просмотров получает по рекомендательной системе, основанной на ИИ (источник 2). Аналогично онлайн-ритейлер Амазон с помощью ИИ организовывает рекомендации продуктов. Покупки по интеллектуальным рекомендациям в Амазоне составляют уже 30 и более процентов.

Но не только онлайн-магазины используют Искусственный Интеллект в качестве своего «инновационного оружия». Традиционный ритейл активно экспериментирует с этими технологиями для того, чтобы улучшить свой опыт взаимодействия с покупателями в физических магазинах, в торговых залах.

Американская сеть магазинов товаров для дома Lowe's использует робота OSHbot разработанного совместно с компанией Fellow Robots для того, чтобы помогать найти клиентам интересующие их товары. OSHbot-ы даже идут вместе с клиентом к конкретным полкам и показывают, где лежит конкретный товар. В этом внедрении используются технологии глубокого обучения, обработки естественного языка и компьютерное зрение. Последнее необходимо для того, чтобы распознавать товары от больших коробок до мелких болтиков.

И самое главное, глубокое обучение позволяет научиться понимать клиентские запросы. Если робот оказывается не в состоянии обработать запрос самостоятельно, у него есть возможность привлечь к запросу живого консультанта. OSHbot также, в свободное от запросов время, производит скользящую инвентаризацию наличия товаров на полках, в том числе в режиме терминала мобильного теле-присутствия. То есть, он может соединять сотрудников магазина с конкретными витринами и полками. Все это позволяет персоналу уделять больше времени тем клиентам, у которых возникают наиболее сложные, комплексные, а значит и потенциально более прибыльные, запросы. Одновременно повышается эффективность каждого магазина за счет постоянного ведения скользящей инвентаризации (источник 3).

Walmart — один из крупнейших розничных магазинов в мире, тестирует роботов, которые сканируют полки на предмет отсутствия товаров, или ценники, которые необходимо изменить, в десятках своих магазинов (источник 4).

Существуют миллиарды факторов, которые влияют на развитие, принятие общественностью и распространение беспилотного транспорта. Давайте попробуем разобрать: какой вклад в этот тренд вносит ИИ? Как он влияет на прогресс в области автономизации автомобилей?

Для того, чтобы беспилотные автомобили были широко приняты человечеством, им нужно стать ни много ни мало умнее живых водителей. Это возможно только если у разработчиков получится сделать механизмы, которые будут способны понимать, учиться и предсказывать изменения среды. Без ИИ, как вы понимаете, это абсолютно невозможно.

Автономность сегодня основывается на комплексе сенсорных технологий, представленных на рисунке 3. Главная задача такого стека технологий — производство трехмерной карты, окружающей автомобиль в максимально высоком разрешении. Алгоритмы глубокого обучения (deep learning), встроенные в бортовую систему автомобиля, обрабатывают живой поток информации об окружающей среде, чтобы вовремя идентифицировать препятствия, другие машины, интерпретировать дорожные знаки и разметку, знаки светофора и соблюдать скоростной режим и правила дорожного движения.

Очевидно, что жестко запрограммировать автомобильный «мозг» на все возможные сценарии вождения — это задача невыполнимая принципиально. Следовательно, разработчикам не остается ничего кроме как использовать постоянное получение знаний через механизмы глубокого обучения. Необходимо создавать «постоянно обучающиеся» автомобили.

Сегодня традиционные игроки автомобильного рынка: BMW, Daimler, Ford, Toyota и VW уже вовсю используют ИИ в качестве критического компонента собственных разработок беспилотных автомобилей. Но мы с вами впервые услышали о таком понятии, конечно же, от изначально мало известных игроков автомобильного рынка, таких как Google, Tesla и Waymo. Эти компании разрабатывают свои собственные беспилотные автомобили, используя пропритарные механизмы Искусственного Интеллекта.

С другой стороны, поставщики автомобильной индустрии, такие как Bosch, Mobileye, Nvidia, Quanergy и ZF делают сенсоры, алгоритмы и сами дата-сеты, чтобы ускорить и поддержать дальнейшую разработку автономных транспортных средств. И в дополнении ко всему, мобильные платформы, такие как Lyft и Uber в партнерстве с известными автомобильными гигантами, двигаются в сторону систем предлагающих поездки на автономных такси по запросу.

Удобство, снижение себестоимости, повышение эффективности, снижение вредных выбросов, уменьшение несчастных случаев – все это первичные драйверы использования автономных автомобилей. Благодаря снижению цен на электронные компоненты, повышению эффективности алгоритмов глубокого обучения и растущей базе знаний по теме автономного вождения, все эти технологии развиваются с каждым днем всё быстрее и быстрее. Тем не менее, полноценное внедрение «автомобиля без живого водителя», с юридической точки зрения, потребует значительных регуляторных изменений в каждой стране, в которой предполагается эксплуатация таких автомобилей, что потребует определенного времени.

Использование ИИ в инжиниринге и производстве знаменует начало нашего перехода к абсолютно цифровому миру. Что имеется в виду? Сегодня цифровой мир способен менять мир физический – тот, который окружает нас с вами. Например, промышленный конгломерат General Electric стратегически нацелен на то, чтобы предоставлять населению Земли энергию и транспортные средства в режиме нон-стоп. В этом им помогает использование ИИ при беспрерывном производстве тяжелых машин.

У GE есть программа «Бриллиантовая фабрика» (Brilliant Factory). Суть ее заключается в том, что ИИ ставится во главу угла как можно большего количества производственных процессов. Таких Бриллиантовых фабрик у GE сейчас двадцать. Они расположены по всему миру и представляют собой девять отраслей связанных между собой широкополосными каналами связи. Данные по ним передаются по всему жизненному циклу любой детали: дизайн, инжиниринг, производство, поставка, установка, сервисное обслуживание и даже система анализа их работы.

Все эти данные обрабатываются в разработанной GE облачной платформе предиктивного анализа Predix. Будучи способной предсказывать дефекты и поломки за счет использования ИИ, General Electric уменьшило внеплановые простои в цехах на 20%, значительно повысило качество продуктов, пропускную способность и выпускную мощность своих производственных предприятий (источник 6).

В сельскохозяйственном секторе John Deere пытается решить глобальную задачу: как прокормить человеческую популяцию, насчитывающую десять миллиардов человек, с весьма ограниченной площадью пригодных для сельского хозяйства земель.

Компания использует систему IBM Watson и платформу умного производства в сборке и ремонтных процессах на своем крупнейшем заводе в Манхейме, Германия. Рабочие в цехах используют мобильные телефоны в качестве рабочей станции, которая подсоединена к платформе Watson, использует ИИ алгоритм, распознает видео-образы и может в онлайне определять неисправности. Рабочий оперативно получает из системы информацию о том, как починить данную неисправность. Сотруднику не нужно надолго отвлекаться на телефонную трубку — Watson работает через голосовые команды, распознаваемые уже известными нам технологиями обработки естественного языка машиной.

Производственная система также соединена с системой умной обработки заказов. Поэтому, как только проблема идентифицирована, необходимые запасные части определяются, заказываются и автоматически доставляются к месту поломки. В конечном счете, если для ремонта потребуются узкие специалисты, платформа умного производства проверит временные слоты этих специалистов и предложит наиболее оптимальное время для ремонта (источник 7).

Источники:
1. Abhishek, A. (2017). Machine learning and retargeting. In: Medium.
2. McAlone, N. (2016). Why Netflix thinks its personalized recommendation engine is worth $1 billion per year. Business Insider.
3. Singularity University (2017). The future of shopping has arrived and its name is OSHbot.
4. The 20 Best Examples Of Using Artificial Intelligence For Retail Experiences (forbes.com)
5. RUSBASE.
6. GE Aviation (2017). Manufacturing Solutions.
7. Lee, D. (2016). John Deere and IBM Pilot to Create a Futuristic Model for Manufacturing.