La batalla neuronal o de inteligencia artificial en ventas


Hace más de 20 años que Garry Kasparov perdió ante la supercomputadora Deep Blue. Podemos considerar ese momento como el comienzo de la era moderna de la inteligencia artificial, pero cuando se trata de quién va a escribir esta historia, las opiniones están divididas. Utilizamos métodos de IA en nuestros productos y brindamos a nuestros clientes calidad basada en estas soluciones. Por lo tanto, echemos un vistazo más de cerca a algunos términos básicos relacionados con la inteligencia artificial.

En la mente de los consumidores, la imagen de la inteligencia artificial se crea bajo la influencia de la cultura pop en lugar de la ciencia. Películas y series como Westworld, Ex Machina, la ya clásica Odisea del espacio 2001 o el querido Terminator hacen que la frase «inteligencia artificial» evoque la curiosidad mezclada con el horror.

¿Dónde buscar inteligencia artificial?

La inteligencia artificial como campo de la ciencia tiene sus orígenes a mediados del siglo XX y está relacionada con los nombres de Alan Turing (recomendamos las películas The Imitation Games y Ex Machina!) y John McCarthy. En los términos bien sencillo, la idea de la inteligencia artificial es hacer que las creaciones humanas se comporten, aprendan y resuelvan problemas como los humanos. O incluso mejor que un ser humano. Porque, aunque no puedan auto iniciarse por cuenta propia (ni físicamente ni intelectualmente), hay formas de aumentar la eficiencia de los dispositivos hasta un punto más allá de los límites de la imaginación humana. De acuerdo con el concepto más ambicioso de «inteligencia artificial fuerte», las máquinas podrían incluso sentir emociones humanas y mostrar impulsividad. Sin embargo, volvamos al aquí y ahora.

Para entender qué es realmente la inteligencia artificial, podemos utilizar el siguiente esquema:

AI graph en

Un conjunto de todos los algoritmos para resolver problemas comúnmente asociados con la inteligencia humana y ejecutados por máquinas es la Inteligencia Artificial (IA). El procesamiento de datos de manera rápida y repetible facilita que las personas puedan sacar conclusiones y agilice la resolución de problemas. Los primeros programas informáticos de ajedrez, al igual que otros juegos informáticos, usaban la inteligencia artificial en este sentido (todavía no puedes provocar que la computadora derrumbe el tablero de ajedrez :). Son algoritmos que siguen el principio: si algo sucede, haz esto; de lo contrario, haz eso o no hagas nada.

Un nivel más profundo, está el Aprendizaje Automático (AA o Machine Learning). Este método es capaz de resolver problemas y responder preguntas utilizando herramientas estadísticas complejas. Entonces, en el horizonte aparecen razonamientos probabilísticos y otros «aceleradores» mentales inspiradores que ayudan a alcanzar soluciones ocultas por una gran cantidad de datos. El aprendizaje automático supone que los datos procesados ​​anteriormente influyen en el análisis de los datos procesados ​​posteriormente.


Un ejemplo interesante de aprendizaje automático es Zillow , un portal de bienes raíces, donde los precios se calculan utilizando algoritmos de inteligencia artificial. Tiene en cuenta una gran cantidad de datos relacionados con los parámetros de bienes raíces, el historial de precios, el vecindario, etc. La efectividad de las ventas (o la falta de ellas), calibra constantemente las ofertas publicadas. Es como si el sistema no solo entendiera y analizara los datos en constante cambio, sino que también tomara decisiones y propusiera soluciones a los problemas sobre la base de sus propias conclusiones.

Otro nivel de desarrollo de la IA es el recientemente exitoso Aprendizaje Profundo (AP o Deep Learning). Es una categoría de métodos que utilizan redes neuronales, que es otro invento matemático genial (más antiguo que el concepto de inteligencia artificial en sí mismo), gracias al cual podemos hablar de auto-mejoramiento, verificación y procesos que conducen a inferencias autónomas (no supervisadas ​​por la persona), incluso de datos previamente no sistematizados.

neural network diagram
Redes neuronales: su estructura se inspiró en la estructura del cerebro humano, y sus neuronas particulares en la estructura de las células nerviosas humanas, aunque buscar analogías de más alcance con la mente humana no tiene mucho sentido, ya que todavía no hemos logrado entender por completo el funcionamiento del cerebro humano. En las redes neuronales, las neuronas subsiguientes transmiten la señal de input más y más profundamente, modificándola de acuerdo con los «pesos» que tienen asignados. Una red neuronal es capaz de aprender las ponderaciones en un proceso denominado entrenamiento, según las muestras de datos que recibe, como las imágenes. Curiosamente, las redes neuronales profundas no solo «recuerdan» los datos de entrenamiento, sino que también son muy efectivas en «generalizar», por lo que pueden analizar datos que nunca antes han visto.

Los automóviles y drones autónomos, las tiendas Amazon GO, los resultados de búsqueda de Google: todas estas soluciones se basan en modelos de Redes Neuronales Profundas para brindarnos más comodidad, acelerar la toma de decisiones e incluso componer canciones para nosotros.

Image recognition

Durante más de treinta años, las personas intentaron enseñar a las máquinas a reconocer objetos en fotografías mediante la construcción de modelos matemáticos de caras, carros, árboles, paisajes, soles, aves, etc. Sin embargo, esos intentos no dieron resultados satisfactorios. Por un tiempo. Cuando tantas empresas comenzaron a recopilar grandes volúmenes de datos, surgió la necesidad de utilizarlos. Gracias a soluciones como CUDA (procesamiento paralelo) en tarjetas gráficas NVIDIA, los ingenieros de datos han tenido una oportunidad sin precedentes para procesar rápidamente terabytes de datos en hardwares asequibles.

Debido a su saturación con silicio y un enorme aumento en el poder de cómputo, la inteligencia artificial comenzó a aprender cómo reconocer objetos en imágenes usando patrones que sirven como datos de entrada para redes neuronales. Cuantas más fotos de referencia, más efectivamente las redes neuronales aprenden a identificarlas correctamente. Esto significa que se necesita menos tiempo y trabajo humano tedioso y aburrido, que es necesario para la corrección de los resultados y capacitar a la red a fin de que reconozca los Citroen C4, los portátiles Lenovo, las sonrisas, los tejones o las peonías

image recognition process en

El reconocimiento se optimiza sobre la base de un conjunto de pruebas de imágenes. Como resultado, recibimos una red neuronal bien entrenada para usar en una variedad de aplicaciones, como probadores de ropa virtuales, el modo retrato en teléfonos inteligentes o contextos más líricos, como Deep Dream Generator. Sin embargo, las aplicaciones de la tecnología de reconocimiento de imagen no terminan ahí, sino que también pueden usarse con éxito en los negocios y el comercio.

¿Qué puede salir mal?

La inteligencia artificial no piensa. Por lo tanto, vale la pena asegurarse de que los datos de entrada sean de buena calidad y que los usuarios hayan realizado una prueba previa, de lo contrario, es posible que nos llevemos una sorpresa desagradable. Tal vez no sea el calibre del bot de twitter Tay, que se ha degenerado, o las pruebas de Amazon con la selección automática de imágenes impresas en los cobertores de teléfonos inteligentes, pero como dice el dicho, a lo que la juventud está acostumbrada, la edad recuerda … No es aconsejable confundir a una red neuronal marcando los jugos de naranja como néctares de color naranja; o a los detergentes en polvo fragancia “brisa primaveral” de 6 kg, con los de color blanco fragancia “fresco de verano” de 6 kg, ya que sacarlos de sus “cabezas” involucrará recursos humanos que son necesarios en otro lugar.

El potencial de la inteligencia artificial bien implementada puede ser infinito. Una empresa de tecnología que no investiga ni desarrolla soluciones basadas en inteligencia artificial no encontrará espacio en el mercado del futuro.

Reconocimiento del producto – la clave del conocimiento

eLeader se ha especializado en soluciones que ayudan a los fabricantes y distribuidores a hacer el mejor uso de los equipos de ventas móviles. Los datos desde el terreno se convierten en reportes desde el frente donde se libra la batalla por el espacio en el estante de una tienda. La adquisición de estos datos lleva tiempo, requiere un consumo de combustible y una transferencia de conocimientos. Por lo tanto, es deseable que haya tantos datos como sea posible y que sean útiles. Cuantas más visitas, más oportunidades de contratos y aumento de ventas, y mejores relaciones con las tiendas. Cuanto más extensos y confiables sean los datos, mejor será la estrategia de ventas. Sin embargo, el tedioso recuento de productos, el análisis de las existencias en estantería y la comprobación de faltantes, son propensos a tener errores debido a mala percepción, fatiga y, a menudo,  a la rutina misma. Entonces, ¿cómo obtener datos más confiables mientras se reduce el tiempo de la visita? ¿Cómo obtener información de forma rápida y saber qué hacer con ella de inmediato?

Desde 2014, nuestros clientes han estado utilizando eLeader Shelf Recognition AI, la primera solución en el mercado que permite el análisis de un estante en una tienda en base a sus fotografías y a la alimentación de en el sistema SFA. Puede conocer más sobre la solución de eLeader aquí.

Conoce a Ala

Para que podamos reconocer las imágenes de manera efectiva, en este caso los productos de la tienda, necesitamos plantillas. Cuanto más haya de ellas, mejor. Estas plantillas se pasan a Ala (el nombre de la red neuronal de eLeader). De esta manera se implementa la etapa de entrenamiento a eLeader Shelf Recognition AI. La inteligencia artificial entrenada de esta manera ahora está totalmente adecuada para trabajar con los representantes de ventas, y las fotos tomadas en unos segundos durante las visitas a las tiendas pueden usarse para calibraciones adicionales

Diagrama de funcionamiento de eLeader Shelf Recognition AI. Los datos de la plataforma le llegan al vendedor durante la misma visita. Esto no solo ayuda a comprender cuál es la situación en la tienda, sino que también puede actualizar automáticamente el escenario de visitas para tomar medidas inmediatas.

El proceso de implementación y lanzamiento de Shelf Recognition AI con Ala listo para funcionar lleva muy poco tiempo. Una vez que el proyecto está en funcionamiento, los empleados móviles reciben los resultados del análisis automatizado del producto durante la misma visita, lo que significa que pueden comparar los hechos con el estándar, por ejemplo La Tienda Perfecta, e implementar de inmediato medidas correctivas para mejorar sus KPI y los de la organización. La información obtenida y analizada por esta tecnología se puede transformar fácilmente en conocimiento que forme la base del pensamiento estratégico sobre el mercado. Por ejemplo, los datos analizados de los productos ayudan a crear un «ranking de tienda» de la empresa, según el cual se planifican futuras visitas. Como resultado, es más probable que los trabajadores móviles aparezcan donde las ventas son más altas (según el modelo RAO, es decir, optimización de actividades minoristas o retail activities optimization).

Lea más sobre eLeader Shelf Recognition AI

Pronto en su nevera?

El reconocimiento inteligente de productos no es solo el futuro de los procesos de negocios. Los fabricantes más grandes de electrodomésticos (incluidos los clientes de eLeader Samsung, Whirlpool o LG) están mejorando los dispositivos para que ahora sean capaces no solo de informarnos sobre la fecha de vencimiento (algo fácil) sino que también puedan comunicarse entre ellos, enviando por ejemplo un mensaje del horno al refrigerador sobre lo que comimos en el almuerzo, para ajustar mejor los parámetros del lavavajillas o informarnos de que el jugo de zanahoria Kubuś de Maspex está a punto de terminar (es decir, identificar su tipo y cantidad, y luego pedirlo directamente a través del panel del refrigerador para ser entregado en la puerta – eso también es fácil). El Internet de las cosas que se describe aquí pronto transformará un dicho conocido del mundo de la política o la publicidad en: abres el refrigerador y … ¡IA ya está ahí!

Independientemente de cuánto utilicemos la inteligencia artificial y el lugar importante que ocupará en nuestras vidas o negocios, debemos recordar que la inteligencia del sistema depende principalmente de la inteligencia, el conocimiento y la experiencia de los ingenieros de IA, creadores y entrenadores de (lo siento, Ala), gracias a quienes podemos desarrollar y expandir eLeader Shelf Recognition AI y hacer del mundo un lugar más agradable.


¿Quiere mejorar sus operaciones en el terreno? Necesita más información?

Contáctenos

Lee también:

NUTRICIA contrata a eLeader para implementar proyecto global

eLeader listado por Gartner como un proveedor representativo por su solución Mobile Visit

Reporte POI: analítica por encima de ventas, inteligencia artificial, y doble “Mejor-en-su-Clase” para eLeader