这是一个周六下午,杂货店里满是前来购物的人。像周末其他繁忙的商店一样,结账处已经排起了长队。最好的选择就是前往自助结账通道。
为什么呢?自助收银机让结账流程更容易,队伍移动更快。您可以在扫描商品时查看价格。您可以用自己喜欢的方式包装货品。这感觉像是例行公事中的一次小小胜利。
但对于果蔬等无包装商品,自助结账可能是个费力的过程。您必须在显示屏上搜索商品名称,或找到商品上的标签,然后手动将其输入系统。如果系统无法识别该商品,或者您输错了代码,这时会发生什么?您可能需要等待帮助。
这就是为什么智慧零售商要利用创新解决方案来优化自助结账。人工智能、计算机视觉和云技术的结合,可以帮助解决购物者遇到的小麻烦,从而大大改善实体店内的购物体验。
得益于中科英泰 (Wintec) 这样的智慧零售解决方案提供商,这种可能性变成了现实。
“自助结账方式太棒了。许多购物者更青睐这种方式,因为它可以节省时间,他们可以自己处理所有步骤。但现有系统仍存在缺陷,导致客户对使用这种方法望而却步。”中科英泰人工智能部门总经理卢雪峰表示。
结账过程中的人工称重
人工称重过程需要员工准确识别多种商品,从桃子到西瓜,都需要找到相应的产品代码。不熟练的员工可能会遇到一些问题,比如输错代码,或者花很长时间才找到代码。这会严重延长称重和贴标流程。在零售店的客流高峰时段,顾客可能要排很长的队等待。
最重要的是,使用手动秤意味着要在一开始以及新产品入驻店铺时花时间对员工进行培训。由于农产品随季节变化或因市场而异,培训要求可能很高。此外,随着劳动力成本持续攀升,运营成本也在增加。
结帐过程的这个方面给工作人员造成了困难,但对顾客的影响甚至更大。如今,计算机视觉和人工智能正不断提升收银台的图像识别能力,带来更好的客户体验,并降低了零售商的成本。
云-边缘- AI 架构使自助结账更智能
中科英泰智能称重解决方案旨在帮助零售商店实现预包装食品的图像识别和自动称重,能够识别商品、给商品称重并打印商品价格标签。通过持续的计算机视觉模型训练,它还能够实现较高的检测准确度。
该解决方案利用强大的边缘计算进行推理和实时数据处理,配合使用 YOLOv3 算法、基于云的图像模型训练,使增强型图像识别成为可能。YOLOv3 算法通过将任务转化为回归问题,实现了对新鲜食物图像的目标识别。
在随后的筛选过程中,将选定适当的边界检测框。通过将对象检测和对象定位集成到单个一级网络中,YOLOv3 显著提高了检测速度。
“我们创建了解决方案来解决手动输入无包装商品信息的麻烦。但我们不仅仅关注这一方面,”卢总表示,“我们希望打造一种接收越多数据,就能变得越智能的东西。我们还希望能够取得这些数据,并将其提供给零售商,以便他们从中获得有助于提升整体运营的实用洞见。”
例如,这样的解决方案将称重功能集成到支付终端,让顾客无需前往称重站即可结账。此外,消除对条形码扫描仪的需求有助于降低维护和更换设备所产生的人工成本和费用。
面向智慧零售业解决方案的强大硬件
中科英泰智能称重解决方案采用英特尔® 处理器打造,能够以低功耗提供强大的计算性能、安全性和可靠性。这些能力对于运行边缘人工智能工作负载至关重要。该系统还使用英特尔® OpenVINO™ 工具套件来帮助优化图像识别应用程序。
从商品选择到称重和结账,这在帮助零售商实现整个业务的自动化方面尤为实用。除此之外,实时数据处理还带来了可行的见解,为结账之外的运营领域的业务决策提供信息和便利。
智慧零售的未来
随着变革性的技术和解决方案应用于零售业,几乎存在无限种可能性。
随着人工智能和计算机视觉的不断发展,它们还可以应用于超市和杂货店以外的零售市场领域。虽然要求可能因形式和应用场景而异,但定制化的人工智能解决方案具有巨大的潜力。
杂货店和其他零售业务正在经历数字化转型。智能结账只是零售商提高顾客满意度、增强竞争力和增加利润的一种方式。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。