دیوید وولارد مدیر ارشد فناوری (CTO) در استاندارد AI است. او یک کهنه کار صنعت فناوری با بیش از 20 سال تجربه است، که در شرکت هایی مانند سامسونگ و ناسا کار کرده است و به عنوان یک کارآفرین در استارت آپ های اولیه و اواخر مرحله کار کرده است. او دارای مدرک دکترا در علوم کامپیوتر، متخصص در معماری نرم افزار برای محاسبات با کارایی بالا است.
هوش مصنوعی استاندارد پیشنهادات بینش دقیق بی سابقه ای در مورد رفتار خریداران، عملکرد محصول و عملیات فروشگاه ارائه می دهند.
آیا می توانید سفر خود را از کار در آزمایشگاه پیشرانش جت ناسا تا تبدیل شدن به CTO استاندارد هوش مصنوعی به اشتراک بگذارید؟
زمانی که من در آزمایشگاه رانش جت بودم، کار من در درجه اول بر مدیریت داده در مقیاس بزرگ برای ماموریت های ناسا متمرکز بود. من با دانشمندان و مهندسان باورنکردنی کار کردم و در مورد چگونگی انجام تحقیقات از فضای بیرونی یاد گرفتم. نه تنها در مورد علم داده چیزهای زیادی یاد گرفتم، بلکه مدیریت پروژه های مهندسی در مقیاس بزرگ، متعادل کردن بودجه ریسک و خطا و طراحی سیستم های نرم افزاری در مقیاس بزرگ را نیز یاد گرفتم. کار دکترای من در دانشگاه کالیفرنیای جنوبی در زمینه معماری نرم افزار برای محاسبات با کارایی بالا بود و من توانستم کاربرد آن تحقیق را به طور مستقیم ببینم.
در حالی که من مقدار زیادی از زمانم در آنجا یاد گرفتم، همچنین واقعاً می خواستم روی چیزهایی کار کنم که برای مردم عادی ملموس تر باشد. وقتی JPL را ترک کردم، به یکی از دوستانی پیوستم که در حال تأسیس یک استارتاپ در فضای پخش ویدئو بود به عنوان یکی از اولین افرادی که استخدام شد. من از ابتدا به ساختن تجربیات مصرف کننده و به طور کلی استارتاپ ها علاقه داشتم، که هر دوی آنها مانند یک فاصله از دنیای قبلی من بودند. زمانی که فرصتی برای پیوستن به استاندارد پیدا کردم، به سمت ترکیبی از مشکلات علمی سخت در AI و Computer Vision جذب شدم که در اوایل کارم عاشق آن بودم و تجربیات ملموس مصرف‌کننده که من بیشترین رضایت را داشتم.
چه انگیزه ای باعث تغییر تمرکز هوش مصنوعی استاندارد از راه حل های پرداخت مستقل به برنامه های کاربردی خرده فروشی گسترده تر هوش مصنوعی شد؟
هوش مصنوعی استاندارد هفت سال پیش با ماموریت ارائه پرداخت خودکار به بازار تاسیس شد. در حالی که ما موفق شدیم بهترین راه حل بینایی کامپیوتری در کلاس خود را برای تسویه‌حساب‌های مستقل ارائه کنیم و فروشگاه‌های مستقل راه‌اندازی کنیم، در نهایت متوجه شدیم که پذیرش کاربر کندتر از آنچه پیش‌بینی شده بود انجام شد و در نتیجه، بازگشت سرمایه برای خرده‌فروشان وجود نداشت.
در همان زمان، متوجه شدیم که تعدادی از مشکلات خرده‌فروش وجود دارد که می‌توانیم از طریق همان فناوری زیربنایی حل کنیم. این تمرکز مجدد بر بینش‌ها و بهبودهای عملیاتی به استاندارد اجازه داد تا بازگشت سرمایه مستقیم‌تری را به خرده‌فروشانی ارائه دهد که به دنبال فرصت‌هایی برای بهبود کارایی خود هستند تا اثرات تورم و افزایش هزینه‌های نیروی کار را خنثی کنند.
فناوری بینایی رایانه استاندارد هوش مصنوعی چگونه تعاملات مشتری را با چنین دقت بالایی بدون استفاده از تشخیص چهره ردیابی می کند؟
پلتفرم VISION استاندارد برای ردیابی خریداران در فضای واقعی با تجزیه و تحلیل ویدئو از دوربین های بالای فروشگاه، تمایز بین انسان و سایر عناصر در هر ویدئو و تخمین ژست یا ساختار اسکلتی هر انسان طراحی شده است. با نگاه کردن همزمان به چندین دوربین، می‌توانیم درک سه‌بعدی از فضا را بازسازی کنیم، درست مانند آنچه با دو چشم خود انجام می‌دهیم. از آنجایی که ما اندازه‌گیری‌های بسیار دقیقی از موقعیت هر دوربین داریم، می‌توانیم موقعیت، جهت و حتی محل قرارگیری دست خریدار را با دقت بالا بازسازی کنیم. در ترکیب با الگوریتم های نقشه برداری پیشرفته، می توانیم حرکت خریداران و تعامل محصول را با دقت 99 درصد تعیین کنیم.
هوش مصنوعی استاندارد چگونه از حریم خصوصی خریداران در هنگام جمع آوری و تجزیه و تحلیل داده ها اطمینان می دهد؟
برخلاف سایر سیستم‌های ردیابی که از تشخیص چهره برای شناسایی خریداران بین دو جریان ویدیویی مختلف استفاده می‌کنند، زمانی که استاندارد در حال تعیین ژست خریدار است، ما فقط از اطلاعات ساختاری و هندسه فضایی استفاده می‌کنیم. سیستم ردیابی استاندارد هیچ زمانی به بیومتریک خریدار که می تواند برای شناسایی مانند چهره خریدار استفاده شود، متکی نیست. به عبارت دیگر، ما نمی دانیم یک خریدار کیست، فقط می دانیم که خریداران چگونه در فروشگاه حرکت می کنند.
برخی از مهم‌ترین بینش‌هایی که خرده‌فروشان می‌توانند از استفاده از پلتفرم VISION استاندارد AI به دست آورند، چیست؟
خرده فروشان می توانند با استفاده از پلتفرم Stand’s VISION بینش های زیادی کسب کنند. مهمتر از همه، خرده فروشان می توانند درک بهتری از نحوه حرکت خریداران در فضای خود و تعامل با محصولات به دست آورند. در حالی که راه‌حل‌های دیگر درک اساسی از حجم ترافیک را در بخش خاصی از فروشگاه ارائه می‌دهند، استاندارد مسیر فردی هر خریدار را ثبت می‌کند و می‌تواند بین خریداران و کارمندان فروشگاه تمایز قائل شود تا نه تنها ترافیک و محل اقامت، بلکه رفتارهای خاص خریداران را به خوبی محاسبه کند. که در حال خرید محصولات هستند.
به‌علاوه، استاندارد می‌تواند زمانی که محصولات در قفسه موجود نیستند و به طور کلی، شرایط قفسه‌ای مانند روکش‌های از دست رفته را درک کند که نه تنها بر توانایی خریدار برای خرید محصولات، بلکه بر شکل‌دهی برداشت‌ها از پیشنهادات برندهای مختلف تأثیر می‌گذارد. این نوع داده‌های تبدیل و نمایش هم برای خرده‌فروش و هم برای تولیدکنندگان کالاهای بسته‌بندی مصرف‌کننده ارزشمند است. این داده‌ها به سادگی قبلاً در دسترس نبوده‌اند و پیامدهای بزرگی برای بهبود عملیات در همه چیز از تجارت و بازاریابی گرفته تا زنجیره تأمین و کوچک شدن دارد.
چگونه بینش های پیش بینی شده از VISION می تواند استراتژی های بازاریابی و تجارت را برای خرده فروشان تغییر دهد؟
از آنجایی که استاندارد یک کپی دیجیتال کامل از یک فروشگاه ایجاد می کند، شامل فضای فیزیکی (مانند قرار دادن قفسه ها) و حرکات خریداران، ما مجموعه داده ای غنی داریم که از آن می توانیم مدل های پیش بینی را ایجاد کنیم تا حرکت فروشگاه را با توجه به تغییرات فیزیکی شبیه سازی کنیم (مانند به روز رسانی های تجاری و تنظیم مجدد) و همچنین پیش بینی تعاملات خریداران بر اساس حرکت آنها در فروشگاه. این مدل‌های پیش‌بینی‌کننده به خرده‌فروشان اجازه می‌دهند تا بدون نیاز به سرمایه‌گذاری در به‌روزرسانی‌های فیزیکی پرهزینه و دوره‌های طولانی آزمایش در فروشگاه، تغییرات تجاری را در فروشگاه آزمایش و تأیید کنند. علاوه بر این، تأثیرات عملکرد و تعامل محصول می‌تواند از قرارگیری در قفسه یا درپوش‌های انتهایی خبر دهد. در مجموع اینها می توانند به اولویت بندی هزینه ها و ایجاد بازده بیشتر کمک کنند.
آیا می‌توانید نمونه‌هایی از اینکه چگونه پیشنهادات بی‌درنگ بر اساس مسیرهای پیش‌بینی‌شده مشتری بر فروش در آزمایش‌های آزمایشی تأثیر گذاشته است، ارائه دهید؟
در حالی که استاندارد سیستم‌های تبلیغاتی واقعی مورد استفاده توسط خرده‌فروشان را ایجاد نمی‌کند، ما می‌توانیم از درک خود از حرکت خریداران و پیش‌بینی‌هایمان از تعاملات محصول برای کمک به خرده‌فروشان برای درک مقصود خریدار استفاده کنیم، و به خرده‌فروش اجازه می‌دهیم به جای پیشنهادات عمومی، تبلیغات عمیق و معنادار و به موقع ارائه دهد. یا فقط توصیه هایی بر اساس خریدهای گذشته. توصیه‌های مبتنی بر رفتارهای درون فروشگاهی، فصلی بودن، در دسترس بودن و هدف را امکان‌پذیر می‌سازد، که همگی به افزایش مؤثرتر تبلیغاتی منجر می‌شوند.
نتایج پایلوت ردیابی تنباکو چه بود و چگونه بر برندهای درگیر تأثیر گذاشت؟
ظرف یک روز از راه اندازی پایلوت یک خرده فروش، ما توانستیم سرقت محصولات تنباکو را شناسایی کرده و آن را برای اقدامات اصلاحی به خرده فروشی برگردانیم. درازمدت‌تر، ما توانسته‌ایم با خرده‌فروش‌ها کار کنیم تا نه تنها سرقت فیزیکی، بلکه سوءاستفاده از تبلیغات و مسائل مربوط به رعایت را نیز شناسایی کنیم، که هر دوی این موارد نه تنها برای خرده‌فروش بلکه برای برندهای تنباکو که هم این تبلیغات را تأمین مالی می‌کنند و هم منابع قابل توجهی را صرف آن می‌کنند، بسیار تأثیرگذار است. اطمینان از انطباق به صورت دستی به عنوان مثال، ما همچنین توانستیم مشاهده کنیم که وقتی اولین انتخاب مشتری تمام می شود چه اتفاقی می افتد. نیمی از خریداران محصول خانوادگی دیگری را انتخاب کردند، اما تقریباً یک چهارم آنها چیزی نخریدند. این به طور بالقوه بسیاری از درآمدهای از دست رفته است که اگر زودتر شناسایی شود، می توان آن را برطرف کرد. از آنجایی که پلتفرم VISION ما همیشه روشن است، به توسعه تیم های فروش برندهای تنباکو تبدیل شده است که می تواند وضعیت فعلی هر فروشگاه در کل یا ناوگان خرده فروش را در هر زمان مشاهده کند (و هشدار دهد).
بزرگ‌ترین چالش‌هایی که در پیاده‌سازی راه‌حل‌های هوش مصنوعی در خرده‌فروشی فیزیکی با آن روبرو بوده‌اید، چیست و چگونه بر آنها غلبه کرده‌اید؟
کار در محیط های خرده فروشی با تعدادی چالش همراه بوده است. ما نه تنها باید سیستم‌هایی را توسعه می‌دادیم که در برابر مسائل رایج در دنیای فیزیکی (مانند جابجایی دوربین، تغییرات فروشگاه و خرابی‌های سخت‌افزار) مقاوم باشند، بلکه فرآیندهایی را نیز توسعه دادیم که با عملیات خرده‌فروشی سازگار بود. به عنوان مثال، با بازی‌های المپیک تابستانی اخیر، بسیاری از CPG بسته‌بندی‌های خود را برای تبلیغ پاریس 2024 تغییر دادند. از آنجایی که ما SKUها را به‌صورت بصری بر اساس بسته‌بندی آنها شناسایی می‌کنیم، این بدان معناست که باید سیستم‌هایی را توسعه می‌دادیم که قادر به علامت‌گذاری و مدیریت این تغییرات بسته‌بندی باشند.
استاندارد از ابتدا پیاده‌سازی‌های فنی را انتخاب کرده است که با فرآیندهای موجود خرده‌فروش کار می‌کند تا اینکه فرآیندهای موجود را برای برآورده کردن نیازهای ما تغییر دهد. فروشگاه‌هایی که از پلتفرم VISION ما استفاده می‌کنند، درست مانند قبل عمل می‌کنند، بدون هیچ تغییری در تجارت فیزیکی یا بهسازی‌های فیزیکی پیچیده و گران قیمت (مانند معرفی سنسورهای قفسه).
نقش هوش مصنوعی را در بخش خرده فروشی در دهه آینده چگونه می بینید؟
من فکر می‌کنم که ما فقط سطح تحول دیجیتالی را که هوش مصنوعی در سال‌های آینده در خرده‌فروشان به وجود می‌آورد، بررسی می‌کنیم. در حالی که هوش مصنوعی امروزه تا حد زیادی مترادف با مدل‌های زبانی بزرگ است و خرده‌فروشان به استراتژی هوش مصنوعی خود فکر می‌کنند، ما معتقدیم که هوش مصنوعی در آینده نزدیک به‌جای یک استراتژی به خودی خود، یک فناوری توانمند پایه‌ای خواهد بود. سیستم‌هایی مانند پلتفرم استاندارد VISION، بینش‌های بی‌سابقه‌ای را برای خرده‌فروشان باز می‌کنند و به آنها اجازه می‌دهند قفل اطلاعات غنی ویدیویی را که قبلاً ضبط می‌کنند، باز کنند. انواع پیشرفت‌های عملیاتی که می‌توانیم ارائه کنیم، ستون فقرات استراتژی‌های خرده‌فروشان را برای بهبود کارایی عملیاتی و بهبود حاشیه آنها بدون نیاز به انتقال هزینه‌ها به مصرف‌کنندگان تشکیل می‌دهند.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند هوش مصنوعی استاندارد.
