Google Cloud近日表示,将在2023年美国零售联合会(NRF 2023)之前推出四项针对零售商的新人工智能技术。
Google方面表示,这些新技术旨在帮助零售商转变店内货架检查流程,增强电子商务运营,提供更流畅、更自然的在线购物体验。
这些技术包括一套新的“自检式人工智能解决方案”,该解决方案建立在Vertex AI之上,利用Google广泛的数据库帮助零售商识别“数十亿种产品”并确保店内货架库存充足。此外,还有多项新的个性化AI功能和一项新的Browse AI功能,可以帮助零售商更新数字店面,此外还有一款Recommendations AI工具,可以动态优化电子商务网站上的产品订购和推荐面板。
Google Cloud解释说,新货架检查工具旨在确保零售商的货架上始终充足地备有精选产品,以便消费者始终有选择。Google Cloud援引NielsenIQ的一项研究,该研究表明,由于未能保持货架库存,美国零售商在2021年损失销售额高达820亿美元。Google解释说,显然,消费者希望能够找到他们所需的商品,如果找不到他们会感到很沮丧,因此零售商需要一种更可靠的解决方案。
Google Cloud相信已经打造出了这种解决方案,其中的人工智能货架检查工具旨在实时提供更多关于货架实际外观的可见性,从而可以更好地了解何时需要补货。这一新工具现在已经推出了预览版,由两种机器学习算法(产品识别系统和标签识别器)提供支持,使其能够识别几乎任何类型的产品。
基本前提是零售商不必指派员工四处检查货架,看看哪些货品必须补货。相反,Google Cloud可以实时地为他们积累这些数据,然后对其进行检查,了解必须更换哪些产品。此外,Google Cloud表示,该工具在支持的图像种类方面非常灵活。零售商可以使用店内摄像头监视货架,或者将系统连接到员工的智能手机甚至是店内的漫游机器人。
除了帮助实体零售商外,Google Cloud还希望通过推出Browse AI来提升零售商的数字化业务,Browse AI也是Discovery AI解决方案套件中的一项新功能,它使用机器学习算法来确定零售商电子商务网站上列出的每个类别产品的最佳顺序,无论是厨具、女式衬衫还是其他商品。
Google表示,Browse AI目前支持72种语言,旨在帮助零售商创造更快捷、更直观和更令人满意的在线购物体验。该算法随着时间的推移可以根据消费者的历史偏好、消费者正在寻找的内容的相关性以及进行销售的可能性,学习列出每一类产品的理想顺序。
Google解释说:“从历史上看,电子商务网站根据类别畅销书列表或者人工编写的规则对商品结果进行排序,例如根据季节性手动确定要突出显示的服装,而Browse AI采用了全新的方法,进行自我管理,从经验中学习,不需要人工干预。”
其他方面,Google表示,把Google的搜索功能嵌入到电子商务网站的Retail Search解决方案,将新增一种新的AI驱动的个性化功能,可以自定义每个用户的搜索结果。Google表示,这是基于一种新的商品模式识别器功能,该功能利用顾客的历史行为(例如顾客点击或购买的商品)来确定他们的个人偏好。
然后,AI使用此类信息在搜索结果中优先考虑符合这些偏好的商品。Google表示,这样每个顾客都可以获得独特的搜索结果,这些搜索结果经过优化可以增加他们找到想要商品并进行购买的可能性。
最后是Google新的Recommendations AI工具,它和搜索个性化AI有些类似,只是提供建议和建议。根据Google的说法,商品推荐系统是必不可少的,因为到2026年,在线零售额将达到每年8万亿美元。Recommendations AI可以为每个购物者提供个性化推荐。
例如,有一个新的页面级优化功能,让电子商务网站可以动态决定为每个用户显示哪些产品推荐面板。Google表示,这最大限度地减少了密集测试用户体验的需要,并且可以提高用户参与度和转化率。
Recommendations AI还具有收入优化功能,通过结合商品类别、商品价格、顾客点击和转化来增加“每个用户会话的收入”,在顾客的长期满意度和零售商的收入提升之间找到适当的平衡点。最后,还有一种新的再次购买模式,可以查看顾客的购物历史,提供推荐的重复购买列表。
Google表示,在零售商的测试中,Recommendations AI在转化率和点击率方面表现出了两位数的增长,目前这一新工具已经可以在全球范围内使用。
Google Cloud零售和消费者副总裁Carrie Tharp表示:“过去几年的动荡重塑了零售格局,零售商需要的工具要更高效,对顾客更具吸引力,减少未来冲击的风险。尽管存在不确定性,但零售业仍有巨大的机遇。未来的领导者将是那些使用人工智能和机器学习等最新技术工具应对当今最紧迫的店内挑战和在线挑战的领导者。”
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。