零售業每天收集大量資料，這使其關鍵流程變得成熟，可以透過機器學習實現自動化。與製造業一起，零售業可能會在未來幾年中受益於一種特定的AI技術：機器視覺，也稱為計算機視覺。
機器視覺使計算機能夠“識別”影象和影片中的物件。藉助安全，購物，駕駛等應用程式，普通人可能會熟悉機器視覺用例，例如店內攝像頭，自動駕駛汽車和智慧手機應用程式，這些應用程式使人們可以拍照並找到產品線上。
我們在零售領域的AI場景研究表明，實體零售商可獲得的AI供應商解決方案中有43％與機器視覺有關。在本文中，我們特別討論了兩個機器視覺示例：
自動結賬：允許客戶在商店中取貨並離開而無需在收銀機或售貨亭結賬
庫存管理：在需要補貨時提醒商店員工
我們將以如何將其用於自動結賬的流程來探索零售中的機器視覺。
自動結賬
一些零售商正在嘗試使用機器視覺來自動結賬，並減少對收銀員和結賬亭的需求。
自動結賬的示例
刷卡輸入：自動儲存的一個示例是需要刷卡輸入的自動化商店。然後，機器視覺演算法將跟蹤刷卡者的移動，從而將其身體和移動與該卡相關聯。在這種情況下，客戶能夠拿起他們想購買的物品，並允許商店自動從他們的卡中扣款。
面部識別：在極少數情況下，商店要求顧客首先在線上向商店註冊自己的臉孔。他們的臉也附在存檔的信用卡上。然後，他們可以在進入商店之前透過面部識別軟體掃描面部。結果，客戶可以在商店中取貨，與他們一起走走，並自動為他們的卡充值。
檢測結賬準備情況：在不需要刷卡或存檔檔案才能進入的商店中，機器視覺可用於檢測客戶何時站在結賬終端並自動開始付款過程。
庫存管理
零售商還可以使用機器視覺來管理庫存。像自動結賬一樣，零售商可以在商店的整個貨架上安裝相機。他們還可以部署沿著小島行駛並掃描貨架的機器人，就像沃爾瑪在2017年所做的那樣：
由The Verge提供的機器人在沃爾瑪（Walmart）掃描貨架以檢查庫存水平。
零售商可以訓練這些機器視覺演算法，以檢測何時從貨架上取走某些型別和品牌的產品。這些系統不會向客戶的卡收費，而是會提醒後房間的人員向貨架上重新存放適當的產品。這樣的應用程式有可能透過減少貨架上沒有庫存的時間來增加收入。
將AI應用於物理世界的挑戰
在零售商店中安裝基於機器視覺的攝像頭系統可能是一項艱鉅的任務。
零售商需要在商店中每個貨架的多個位置安裝相機。攝像機背後的機器視覺演算法需要進行培訓，以識別商店出售的不同品牌的每種商品。例如，演算法僅訓練檢測客戶何時撿起一包紙巾是不夠的；該演算法需要檢測何時顧客拿起一包布朗尼紙巾與何時撿起一包普通的商店品牌紙巾。
這就是將人工智慧應用於物理世界的困難：物理空間會以意想不到的微妙方式發生變化，例如位置和照明。例如，某大型食品雜貨連鎖店希望訓練其機器視覺演算法，以識別客戶何時採摘嘎拉蘋果與何時採摘Honeycrisp蘋果。這些蘋果看起來很相似，但價格可能會有所不同。旨在識別這兩個蘋果之間細微物理差異的演算法需要提供數千個影象和影片片段，這些影象和影片片段是在不同的光照下（包括一天中的不同時間，如果蘋果顯示器靠近窗戶的話）拾起這些蘋果的人的；商店中不同的人流水平（人們可能會擋住相機的顯示屏視線）。
即使完成了所有這些工作，該演算法仍可能很難在顧客拿起蘋果並將其放入購物袋時，在其放入購物車之前的幾秒鐘內識別出這些蘋果之間的差異。
使得客戶將商店物品放在他們不打算去的貨架和陳列架上的趨勢進一步使這種情況變得更加複雜。雜貨連鎖店可能希望訓練其機器視覺演算法，以識別從一個陳列櫃中揀選的蘋果為聯歡晚會，而從另一個陳列櫃中揀出的蘋果為蜜糖。儘管從技術上講這可能更可行，但這意味著客戶可能可以欺騙演算法。他們可以在節日晚會展示中放一個蜜糖蘋果，離開然後繼續購物，然後再回來取走節日晚會展示中剩下的蜜糖蘋果，從而欺騙演算法，使客戶認為顧客購買了節日蘋果。然後，客戶將為他們實際購買的蜜糖蘋果花更少的錢。
採用這些解決方案可以為零售商帶來降低成本的好處，但是，如果這些系統在一定百分比的時間內無法正常工作，則可能無法實現投資回報率。