Одно из преимуществ нашей работы с геолокацией в TechEmeergence это возможность задавать вопросы огромному количеству людей в определенном городе или стране. Недавно мы делали большой проект по искусственному интеллекту в Индии. Нам пришлось провести интервью с сотрудниками правительства и крупных предприятий, а также с людьми, работающими в компаниях-единоргах в Банголоре.
Fractal Analytics – одна из таких компаний. Fractal Analytics работает сразу в нескольких областях. Одна из них, товары повседневного спроса, является сферой, о которой мы мало писали. Многие наши читатели связаны с розничной торговлей, но как оказалось, в сфере потребительских товаров имеются весьма своеобразные случаи использования искусственного интеллекта.
На этой неделе мы представляем вам интервью с Prashant Joshi, главой отделения искусственного интеллекта и машинного обучения в компании Fractal Analytics, в котором он говорит о различных сферах применениях машинного обучения в сфере потребительских товаров: проведение химических тестов, выявление новых покупательских сегментов в существующих группах потребителей с целью определить, кто покупает у компании, а кто у конкурентов.
Надеюсь, что тем, кто работает в сфере розничной торговли, это интервью позволит не только познакомиться с интересными случаями использования искусственного интеллекта в сфере производства потребительских товаров, но и даст некоторые идеи по поводу того, как увеличить свою долю рынка, учитывая, как некоторые из крупнейших производителей потребительских товаров используют Fractal Analytics.
Гость: Prashant Joshi, сотрудник и глава отделения искусственного интеллекта и машинного обучения – компания FractalAnalytics
Компетенция: машинное обучение, вычислительная нейробиология
Краткая информация: Степень PhD Грацского технического университета в области вычислительной нейробиологии и машинного обучения. До этого Джоши работал научным сотрудником и специалистом по вычислительной нейробиологии во Франкфуртском институте перспективных исследований. Он был руководителем отдела Исследований и развития и старшим ведущим научным сотрудником в [24/7].
Как может искусственный интеллект изменить что-то в сфере производства потребительских товаров?
PJ: Я полагаю, в сфере производства потребительских товаров имеется ряд факторов, которые делают эту сферу интересной для применения искусственного интеллекта. Первый фактор – это уровень развития индустрии потребительских товаров, при том что эта сфера не считается высокотехнологичной или готовой применять искусственный интеллект. В этой сфере имеется множество низко висящих фруктов, которые можно собрать, используя искусственный интеллект и машинное обучение и осуществить прорыв. В мире товаров повседневного спроса использование машинного обучения дает феноменальные возможности для роста.
Я думаю, что ключевые области имеющие потенциал применения машинного обучения в сфере потребительских товаров, это, например, так называемая аналитика выкладки товара на полках. Идея состоит в том, чтобы определять, какая часть полок розничного магазина занята товаром отдельной компании. Существуют определенные договоренности по этому поводу между компанией и розничным магазином. Идея состоит в том, чтобы можно было выяснить, соблюдаются ли эти договоренности. Проверка старомодным способом предполагает, что кто-то пойдет в магазин, сделает фото, вернется и померит выкладку линейкой. Сейчас, используя глубинное обучение и анализ изображений, мы смогли разработать идентификатор товарной позиции, который позволяет выявить не только, какой процент поверхности полки занят товаром компании, но и проверить вся ли раскладка соответствует договоренностям с розничным магазином.
Вспоминается еще один интересный пример – работа, которую мы проводили для другой компании производителя потребительских товаров. Идея состояла в том, что только 3 из 5 человек, страдающих от чувствительной зубной эмали, идут на консультацию к дантисту. Обычно, когда вы приходите на прием к врачу, вы получаете рекомендацию по выбору марки зубной пасты. Эта марка зубной пасты принадлежит конкуренту нашего клиента. Получается, что этот конкурент забирает себе всю долю рынка, состоящую из пациентов, которые добрались до дантиста со своей проблемой. А что если мы сможем найти способ понять, кем являются те 2 из 5 человек, которые страдают от чувствительности эмали, но не пошли с этой проблемой к врачу?
Идея состоит в том, чтобы ответить на вопрос: «Можно ли использовать машинное обучение, чтобы выявить непрямой способ, которым люди говорят о чувствительности зубов? Если это возможно, то я мог бы использовать эти данные в маркетинговой кампании.» И мы постарались найти [через опросы на Амазон], какими другими способами люди сообщают о чувствительности зубов. Мы обнаружили, что люди проходившие курс химиотерапии, имеют значительную вероятность проявления чувствительности зубов. Мы обработали сотни гигабайт опросов на Амазон. На основании этих данных мы смогли определить, какие темы косвенно связаны с темой чувствительности зубов. В итоге наш клиент получил возможность запустить новый продукт и захватить этот рынок.
Что вы сделали, когда выяснили это?
PJ: Все это позволяет создавать очень узко-таргетированные маркетинговые компании, и в результате уровень конверсии повышается. Если я в состоянии найти какой-то микросегмент покупателей, которые с большой вероятностью купят новый продукт, я буду создавать и рекламировать такой продукт, который должен понравиться этому микросегменту. Целый ряд подобных интересных вещей происходят в сфере производства потребительских товаров. Многие крупные игроки на этом рынке постепенно приходят к выводу, что социальные сети и отзывы о продуктах могут стать хорошими источниками данных для масштабных маркетинговых исследований.
Собственно, если посмотреть, как за последние 4-5 лет трансформировалось машинное обучение в различных сферах, происходило постепенное понимание того, что мы не используем очень большой объем данных, которые по своей природе не структурированы: текстовые данные, голосовые данные, изображения, видео – и, к счастью, сейчас то самое время, когда у нас есть алгоритмы, которые могут справиться с этим неструктурированным объемом. Понимание, что мы должны работать с такими данными, и получение новых алгоритмов, которые помогут использовать эти данные с выгодой для нас, привело к серьезным изменениям за последние 4-5 лет.
Как применить приложение, касающееся расположения товаров на полке?
PJ: Это не та ситуация, которая выгодна и производителю потребительских товаров и магазину. Собственно, это будет происходить таким образом, что производитель будет договариваться с ритейлером о том, что ему необходима определенная площадь, занятая его товарами. Целью ритейлера является не продать определенный продукт компании-производителя, а максимизировать продажи такой компании. Тогда возникает следующая проблема: «В какой степени требования к расположению продуктов на полке будут выполняться ритейлерами»? Это ситуация, от которой нам нужно отстраниться и посмотреть на нее со стороны. Изменения очень существенны. Прямо сейчас это уже очень просто сделать: вы можете загрузить картинку, и через несколько секунд у вас перед глазами будут данные о том, какой процент полок занят вашим продуктом и соответствует ли ваша полка [требованиям].
Например, допустим, ваш продукт должен быть выставлен вертикально, а ритейлер расположил его горизонтально – это можно быстро выяснить. Это феноменально сложно объяснить в терминах тех алгоритмов, которые позволяют это сделать. Здесь требуется очень много вычислений. Чтобы разработать такую SKU (единицу учета запасов) требуется огромный объем инвестиций и исследований, но и коэффициент окупаемости инвестиций тоже феноменален в этом случае.
Когда бы компания производитель потребительских товаров не запускала новый продукт, например, зубную пасту. Сначала, когда вы закончили создавать продукт, вы должны прогнать его через большое количество экспериментов, с помощью которых вам нужно выяснить различные аспекты продукта: какой его срок службы, как долго химические вещества будут оставаться активными, как упаковка поведет себя при различных температурах. В целом, нужно провести около 440 экспериментов до того, как запускать продукт. Каждый эксперимент длится от 8 до 13 недель. Проблема состоит в том, что часто получается, что к тому времени, как вы закончили эксперименты, ваш конкурент уже запустил этот продукт.
Гипотеза, которую мы выдвинули, состоит в следующем: «Нам правда нужно проводить все эти 440 экспериментов?» Идея в том, что если я могу использовать машинное обучение, чтобы с 99,99%-ной вероятностью предсказать результаты каждого эксперимента, тогда мне не нужно их проводить. Я в разы снизил необходимость проводить эксперименты. Мы посмотрели на результаты экспериментов за всю историю их проведения; затем мы использовали многочисленные алгоритмы, чтобы предсказать результаты экспериментов. Большим прорывом здесь стало то, что мы смогли снизить количество экспериментов на 12%; мы просто знали, что компании не нужно больше проводить эти эксперименты.
Статья взята и переведена по ссылке
