自零售領域近些年圍繞轉型升級建設性地提出了以“人、貨、場”三核心爲基礎的新零售藍圖之後，各方新技術蜂擁在零售的各型場景中角力。在之前的分享中，我們主要介紹了奇點雲是如何通過人工智能技術，從“人”的維度切入零售場景的。而本文將着重介紹奇點雲的人工智能技術是如何從“貨”的維度賦能零售商業的。
視覺智能引擎作爲奇點雲AI落地的第一步，在商品數字化方面發揮着主要作用。而從視覺角度來說，“貨”的形態差異相較於“人”來說有了顯著增加。不同的垂直行業爲順應市場需求所開發的產品，無論在產品功能還是形態上都千差萬別，甚至同類型產品也會產生出不同的形態以順應差異化的細分需求。這對視覺智能引擎提出了新的挑戰，也激發出了StartDT AI Lab更大的技術突破。下面從奇點雲已經商業落地的場景中選了幾個比較有代表性的行業場景來展示StartDT AI Lab已取得的技術突破。
AI識貨賦能服飾行業
我們在17年率先推出服裝識別技術，結合產品——奇點魔鏡實現落地。在這個場景中，用戶站在奇點魔鏡前站定幾秒後，奇點魔鏡首先將對用戶的穿着進行分割理解，從中分離出T恤、風衣、夾克、牛仔褲等各種類型的服飾，然後通過對單品服飾的分析，例如T恤，我們可以對其抽取特徵，分析出T恤的風格、袖長、版型等屬性，最後在我們自建的百萬級服飾商品庫中，使用推薦算法爲用戶推薦相似的、配套的商品，從而達到引流客戶、智能導購的效果。
在這個鏈路中，我們當時碰到的主要問題和解決方案:
✨1.獲取用戶準確的衣着信息並獲取特徵時，像T恤、短褲這樣上下裝明顯的衣着較容易獲取，但像連衣裙、風衣類較長的衣着卻較難處理。
我們通過收集大量數據、清洗打標、完善數據集，並使用級連方法，先對服飾一級標籤進行檢測分析，再進行二次處理，從而提高了分割效果。
✨2.服飾屬性多樣且沒有統一的標準，如何快速同時判斷成爲難題。
我們將屬性的分類器各自獨立互不影響，使用特徵作爲輸入，減少了重複運算，另外我們將分類器同時接在Graph中，使整體過程End-to-End，快速有效。
✨3.大規模檢索：當數據庫較大時，檢索速度慢，無法快速響應。
我們將比對數據庫部署在分佈式集羣上，實現了特徵比對層面的map-reduce，使我們在應對各種級別的比對時遊刃有餘。
AI識貨賦能快消飲品行業
我們在快消飲品行業已有近兩年的探索歷史。各式各樣的飲品——包括礦泉水、碳酸飲料、果汁、啤酒、白酒等都可以在奇點魔櫃中售賣。我們通過自研的深度學習算法、數據採樣方法，配合我們定製化的硬件配置，實現了在商用場景中99%以上的識別準確率。我們將貨損率控制在1%以內，低於快消飲品行業平均貨損水平。此外，我們在不到1平米的佔地空間上實現了極高的坪佔比，單櫃單月零售額可達千元級別，卻僅需少量的維護工作。
在正式商用的背後，StartDT AI Lab主要的contribution有以下幾點：
No.1 快速有效的小物體檢測算法
和大多數場景不同，我們的檢測目標往往是最小邊接近16像素的小目標，且在一張圖上有相當多的目標。我們通過自適應anchor的方法，使先驗anchor更加準確；此外我們通過一種特徵增強算法，使細節特徵得以在深度網絡中儘可能減少損失，從而避免了因特徵過少帶來的低分值檢測結果不穩定的問題。此外我們還自研了一種自蒸餾方法，在不增加參數的情況下提升了模型準確率，從而達到了商用水準。
No.2 與度量學習結合的識別技術
度量學習在過去的幾年中被廣泛使用在人臉識別模型上，並取得了非常不錯的效果。我們將其引入商品識別，結合經典的神經網絡方法，使識別結果更加準確可靠；此外模型還可輸出可比對特徵，支持特徵比對方式出結果，支持不同類間相似比較，從而在選品層面就避免了相似商品同時售賣無法識別的問題。
No.3 小數據集增強
我們的數據集相對使用場景，其實是一個小數據集。如何使用小數據集在大數據場景下獲得商用級準確度？我們自研了一種mix方法，使檢測模型獲得了非常高的召回率；此外我們還使用了GAN，在訓練分類器的過程中同時訓練生成器，再拿生成結果同時訓練分類器，使分類器訓練更充分，更平滑。
在生鮮/藥品等垂直領域，我們也敢於摸索和嘗試，發揮自有深度學習算法和採樣方法的優勢，結合自研的硬件優點，首創能將繁複多類的生鮮不受類別影響的智能貨櫃。衆所周知，在垂直領域中，同一sku的外觀變化多樣，適配成本高。我們通過特定產品設計，完美支持各類蔬菜水果等生鮮，準確率更是可以做到近乎100%。讓顧客不受限於菜市場/藥房等特殊場地的限制同時，更可以發揮無人貨櫃的完美優勢——不受時間限制。
（從上至下爲藥品類識別、生鮮類識別）
StartDT AI Lab在黑暗中探索的收穫與創新：
No.1 新穎的深度學習式場景思考
爲了擺脫生鮮場景下，各種形狀和尺寸帶來的異同和難以兼容，以及客戶快速上新的切實需求，我們在場景落地的實際道路上，結合商品的特性、產品的優勢和深度學習算法的原理，給奇形怪狀的生鮮產品進行特殊的包裝，該方案解決了生鮮產品之間的差異性，並能支持客戶快速上新。
No.2 獨具創新特色的數據增廣
光有新穎的方案設計還不足以讓深度學習在一個實際場景中完美落地，準確率是客戶第一要素，數據是深度學習的資本。StartDT AI Lab在深入分析了生鮮和藥品等垂直領域的數據特性和算法性能之後，創新性地在採樣數據集上進行數據增廣，讓準確率近乎完美，詮釋了什麼是將深度學習進行落地的概念。
從以上案例中，呈現了奇點雲在“貨”的數字化探索，雖然還是比較初步的商品數字化階段，但也通過AI技術首次實現了商品售賣週期內的全鏈路數字化跟蹤。並在此基礎上實現了零售前端成本削減，提高了用戶調研自動化的效率。爲了讓商業更智能，StartDT AI Lab將繼續前行，請持續關注～