沃尔玛在应用新技术、拥抱转型方面一直是全球企业中的主力军。可以想见,如果一直固守“祖宗之法不可违”的心态,沃尔玛也绝不可能发展成为如今全球最大的零售巨头。特别是在生成式AI方面,沃尔玛正积极将这项新兴技术整合进自身业务体系,运用这种变革性工具提高绩效、为客户提供更好的服务体验。
下面一起来看沃尔玛部署生成式AI的几种具体方式。
改善购物体验
不少顾客会在门店或网站上每周或者定期采购相同的商品。沃尔玛深知这一规律,因此专门推出了语音购物功能,让顾客可以轻松重购自己固定需要的货品。沃尔玛语音订购服务允许顾客将移动设备及家庭智能音箱接入自己的沃尔玛账户,之后大声说出想要订购的货品即可。例如,客户可以呼叫“嘿Google,请在购物车里添加一打鸡蛋”,系统即可理解请求内容、识别客户之前长期选购的品牌,之后自动完成商品添加。就是这么顺畅丝滑。
此外还有“短信购物”功能,顾客可以通过向沃尔玛发送短信来申购自己需要的产品。通过对话式AI技术支持的简单文本聊天,客户能够轻松搜索商品、在购物车内添加/删除产品、重新订购产品以及安排配送/到店自取。
沃尔玛还推出一款新的在线AI购物助手,旨在帮助顾客迅速找到最适合自身需求的产品,甚至协助策划完美的庆祝活动。无论大家是想给六岁的孩子举办超级英雄主题派对,还是想给青少年们张罗一套有趣的万圣节服饰,这款工具都能准确推荐相关产品,帮助顾客摆脱枯燥繁琐的重复搜索。
为门店员工提供语音协助
生成式AI语音助手的服务对象不只是顾客,沃尔玛还为门店员工设计了名为“Ask Sam”问问山姆的对话式AI方案。该AI助手能够帮助员工们解决各类查询需求,例如在门店内查找特定产品、查询价格或者检索员工们的工作安排等。同样的,整个查询过程非常顺畅,员工可以通过“肉桂摆在哪条通道”这类简单的提问获取答案。
增强客户服务
大多数朋友对于客户服务聊天机器人应该不会陌生——但必须承认,以往的不少机器人相当“智障”、往往答非所问。但生成式AI让聊天机器人的功能水平得到飞跃式提升,让它们能够以更智能、更人性化的方式解释并响应请求。也正因为如此,包括沃尔玛在内的诸多企业才决定转向生成式AI,希望借此自动为客户提供服务支持。沃尔玛表示自2020年以来,该项技术已经通过即时提供退货、订单状态等问题的答案,帮助客服人员分担了数百万次请求。这项实时对话功能已经在多个国家/地区开放,包括美国、加拿大、墨西哥、智利和印度等。
供应商谈判自动化
另一个有趣的用例则是供应商谈判。沃尔玛已经尝试使用生成式AI聊天机器人与89家购物车及其他门店设备供应商达成交易。在众多供应商谈判当中,聊天机器人完成的交易占比已经高达64%,平均节约成本为1.5%,同时额外将付款期限放宽了35天。更令人印象深刻的是,83%的供应商表示更喜欢与聊天机器人谈判,这证明自动谈判不仅能够带来更宽松的交易条款,也能给供应商们提供良好的协商体验。
允许员工提出更多自发解决方案
不少企业领导面临的一大难题,就是如何为生成式AI等新兴技术找到最合适的应用场景。在这方面,为什么不问问最了解一线情况的普通员工呢?沃尔玛采取的也正是这种方式,他们开始在业务设施的各个层面对员工开放生成式AI工具“My Assistant”我的助手,希望生成式AI能够减少“单调、重复任务”给员工们带来的负担,让大家将更多时间和精力投入到改善客户体验当中。更重要的是,沃尔玛允许员工在日常工作中自发摸索该工具的最佳使用方法。换句话说,沃尔玛希望发动庞大的员工群体探寻生成式AI的应用方向,并将此作为培养员工创造力、引导员工接触新技术的首选路径。
如今的沃尔玛仍在大步前行,继续寻求将这种变革性技术整合进自身业务体系的方法。各行各业的其他组织也不妨以此为鉴,设计出适合自己的生成式AI新用例。
好文章,需要你的鼓励
清华大学团队突破性开发"零样本量化"技术,让AI模型在不接触真实数据的情况下完成高效压缩,性能反超传统方法1.7%,为隐私保护时代的AI部署开辟新路径。
普林斯顿大学研究团队开发出"LLM经济学家"框架,首次让AI学会为虚拟社会制定税收政策。系统包含基于真实人口数据的工人AI和规划者AI两层,通过自然语言交互找到最优经济政策,甚至能模拟民主投票。实验显示AI制定的税收方案接近理论最优解,为AI参与社会治理提供了新路径。
K Prize是由Databricks和Perplexity联合创始人推出的AI编程挑战赛,首轮比赛结果显示,获胜者巴西工程师Eduardo Rocha de Andrade仅答对7.5%的题目就获得5万美元奖金。该测试基于GitHub真实问题,采用定时提交系统防止针对性训练,与SWE-Bench 75%的最高得分形成鲜明对比。创始人承诺向首个在该测试中得分超过90%的开源模型提供100万美元奖励。
南开大学研究团队提出了一种新的3D高斯泼溅重光照方法,通过在高斯原语上直接编码离散化SDF值,避免了传统方法需要额外SDF网络的问题。该方法设计了投影一致性损失来约束离散SDF样本,并采用球形初始化避免局部最优。实验表明,新方法在保持高质量重光照效果的同时,仅需现有方法20%的显存,显著提升了训练和渲染效率。