广域混流
当前位置:首页 - 母婴 >

胆识过人——挑战亚马逊的CAPER LABS

2019-05-21来源:中国动漫产业网

,是一家纽约的创业公司,这家成立不到两年的公司要单挑的不是别的,正是让全世界的实体零售店都无法忽视的亚马逊无人商店Amazon Go。

胆识过人——挑战亚马逊的CAPER LABS

如大家所知的,Amazon Go采用相机和云端机器学习系统,消费者只需要扫描手机上APP的条码就可以进入商店,拿取完要采购的商品后只要直接走出商店即可,之后会收到消费清单,费用也直接从与亚马逊帐号连结的信用卡或签帐卡扣除。对应国内,阿里也实现了类似的无人售货系统。

以现行系统来说,目前在全美只有八家分店的Amazon Go解决了消费者排队结帐的痛点,比起欧美超市已经行之多年的DIY结帐系统更进一步。就目前几家Amazon Go分店来说,可以看到都市上班族川流不息地刷码进入商店,选购完后怡然自得地走出商店。Amazon Go诞生至今只花短短两年就成功训练出一种全新的消费者行为,也难怪在加拿大皇家银行市场分析部(RBC Capital Markets)的一份报告中,他们预测计划到2021年为止开设三千家分店的Amazon Go,将可以实现一年高达45亿美元的营业额。

目前市面上可以看到的Amazon Go店面,多半为130平米的大小,也就是便利商店的尺寸。加拿大皇家银行市场分析部的分析报告采用了国家便利商店协会(National Association of Convenience Stores)的数据,以130平米(1200平方尺)的商店来说,他们认为一般便利商店每平方尺的年营收是落在低端的$850左右,换算成一年营收约为一百万美元,而结帐零时差的Amazon Go每平方尺则可以产生高端的、将近$1300营收,一年最高可以达到170万美元营收,以三千家店来说,要产生40亿到50亿美元的营收并不困难。

胆识过人——挑战亚马逊的CAPER LABS

而就像创立二十四年的亚马逊线上商店先后打趴实体连锁书店和电子商城,Amazon Go的快速窜起也攫取了大量的新闻头条,以至于印象中依赖传统(懒惰而昂贵的)劳力的实体超市和超商似乎风雨飘摇,随时都会被打挂的感觉。

但印象终究是印象,实际上Amazon Go是不是单骑对打传统超商,必须要回到基本面来看。

举例来说,Amazon Go采购从走出店门到收到帐单为止,时间大约在五分钟到四十分钟不等,这里面其实凸显了现有Amazon Go的自动结帐系统一个很大的挑战:以云端机器学习为根基的自动结帐系统远远还没到理想中的效率。

为什么这么说呢?很简单,如果亚马逊的云端机器学习系统已经到达最佳效率,那么出帐时间的长短不会有这么大的分布区间,单纯以店里的人流和消费量高低峰来看,一个已经优化完成的、可信赖的自动结账系统,似乎要能够稳定地在一个很短的时间区间内出帐成功,例如十分钟到十五分钟之类的。

那么为什么Amazon Go现在还会有那么大的出帐时间差异呢?

要分析个中原因,我们首先要了解:一个神经网络的复杂度,在第一阶上(to the first order)取决于彼此间关联性低的输入变数的数量。以Amazon Go来说,一家店采用了数百台的摄影机,所以最少有数百个彼此大致独立的视频输入,但不只如此,一家店随时可能有二十到五十个消费者不等,每个消费者会在不同时间点从不同货架上取下不同数量的产品,并且在不同时间点改变心意将部分商品放回货架上(而且还不一定是原本的货架),中间夹杂着不同时间长度的无行为区间,并在不同时间点决定完成购物走出商店。

这些取样点和时间点的不定性,代表的是Amazon Go的机器学习系统必须要处理相当高维度而且密度高低变化的输入变数。亚马逊自然是没有公开其神经网络的设计,但我们可以想象这个系统结合了大量的次级网络以及多层的宏观网络,最后才能顺利完成出帐。

胆识过人——挑战亚马逊的CAPER LABS

因此Amazon Go这个自动结帐系统出帐时间分布之广,其实并没有什么意外的地方,因为变数的数量不定而且各自夹带一个时间轴的变异性。从另一个角度来说,Amazon Go也认定消费者并不在乎帐单何时抵达,只在乎自己有没有被多收钱。尽管一开始迟迟收不到帐单时人都会焦虑,但多几次经验后也就习惯了,所以等待不是问题。

但是这个优异的用户经验反映出来的却是Amazon Go现行系统一个很大的问题——尽管是由过去三十年来最成功、成长速度最快的科技公司之一所开发,这个系统却有根本的扩张可行性(scalability)问题。

我们可以用简单的模型来解释Amazon Go的扩张可行性挑战。首先我们假设神经网络各个输入变数为互相完全独立,如果一家店里有五百种商品,并且随时固定有二十个客人,单一客人结帐平均为三个商品,那么这里面可能的组合数量就是:20 * C(500,3) = 414,170,000

总共超过四亿种可能组合。

如果一家1300平方尺的店总共有两百只高清摄影机,每只高清摄影机无压缩视频数据量约为3Gbps,假设客人平均停留十五分钟,平均每五分钟拿取一样商品(数量为一),花十五分钟取完三种商品,那么上面这四亿种组合的判断就必须在:200 * 3Gbps * (15 * 60) = 540,000 Gb = 67.5TB

也就是将近70TB的视频数据上完成分析。

要了解这样的系统在扩张可行性的困难,我们假设把1300平方尺商店增加10%面积,并假设商品数、平均客户数和摄影机数量都各增加10%,单客采购数量不变,但停留时间因为商店变大拉长为20分钟,那么上面计算出来的两个数字分别会变成:22 * C(550,3) = 606,718,200 (增加50%) 以及 220 * 3Gbps * (20 * 60) = 792,000 Gb = 99TB (增加约50%!)

可以看到尽管只是把商店增加10%大小,但不管是必须要做出决定的组合数量,或者是需要判断出这些组合数量的数据量,都出现暴增50%的现象,这其实并不是什么魔术,单纯就是增加独立变数必然会对系统造成的指数成长压力。

胆识过人——挑战亚马逊的CAPER LABS

当然真正的Amazon Go神经网络系统不会这么小白,一定会采用大量的数据压缩和网络设计技巧。但尽管如此,底层数据量根本的指数特质是不会改变的,这大概也是为什么现有的Amazon Go将商店尺寸订为在零售据点中最小的一种。

而我们甚至还没谈到经营这样商店需要的成本。事实上一家Amazon Go光是硬件系统成本就超过一百万美元,因此亚马逊光是要建置目标的三千家分店就得花上$3B!而如果考虑到目前云端出帐仍然有惊人的时间差,我们可以想像后端动用到的机器学习资源也是相当惊人,营运成本不可小觑——我们当然也可以想象Nvidia公司负责亚马逊的商务现在正笑得合不拢嘴。

而上述的这一切技术障碍、建置成本和运营成本,对日进斗金的亚马逊来说可能都不是问题,但却对于其他已经被亚马逊逼到退无可退的实体零售商却是“不可承受之轻”,这也是为什么许多自动结帐系统的创业公司都不值得投资的原因,因为它们大多采用类似亚马逊的解决方案,虽然实体零售商客户们大家火烧屁股都恨不得立刻全面自动化,但这类系统建置成本和运营成本都过高,让一切只能停在纸上谈兵。

Amazon Go或者类似系统的最大挑战,是在于开放的环境中,客户、商品和时间轴的所有变数互相影响,因此呈现指数成长的复杂度。开发这样的高度复杂系统就跟开发谷歌Alpha Go一样,是所有机器学习工程师的梦想,但根据不同场景实际上到底有没有这样的必要,其实有探讨的空间。

但是为何一定要这么复杂呢?Caper Labs的解决方案就直接反向思考:如果开放空间的各种变数互相影响导致系统过于复杂,与其花一大多脑筋和运算能力去把数据压缩和降维(dimension reduction),不如一开始就限制可能的数据变易度和维度。根据这个简单直觉的想法,以及现有美国超市和超商的使用情境,Caper Labs开发出了以购物车为根基的自动结帐系统。

胆识过人——挑战亚马逊的CAPER LABS

在Caper Labs的思考中,在超市中购物车是美国消费者几乎都会使用的工具,一个消费者推一台购物车,因此只要在该购物车上搭载机器视觉系统,追踪放入和移出该台购物车的商品,就能够轻松判断该消费者采购的商品。

如果以上面数学运算的例子来看,相较于Amazon Go用一个庞大系统试图判断组合超过四亿组的“哪个客户总共拿取了哪三种商品”,Caper Labs的购物车结帐系统移除了客户的变异数部分,只需解决从五百种商品中撷取三种的、总数为两千万种的组合。

尤有甚者,Amazon Go的单一客户三种商品,可能会在不同地点取下货架,但又在不同地点放上货架,而且未必是原本的货架,追踪单一客户的位置和货架,分析其行为(取和放),都是运算非常沈重的任务。反观Caper Labs的系统,因为将分析空间限制在单一购物车内,机器视觉系统只要分析被丢入和移出购物车的商品外观来判断出商品种类和数量就可以,不需要考虑到其他的客户行为的变异性,这也让这样的神经网络远比Amazon Go的宏观网络小很多,可以直接在购物车的硬件上执行。而在这样的系统下,客户推着购物车走出门就可以立刻收到帐单,不会有五分钟到四十分钟不等的差异,这部分用户经验当然会较Amazon Go好。

当然和Amazon Go的全方位“监视”系统比起来,这样的系统让用户有可能作弊,比方说部分商品不丢入购物车,而是夹在腋下或者放入自己携带的购物袋,又或者故意阻挡摄影机镜头等。但这些“偷窃”行为在传统超市本来就存在,零售产业的术语称为缩“水”(shrinkage)。取决于不同的零售业差异,零售缩水可能介于1%到 3%,对于净利率长年盘旋在低个位数百分比的零售业来说,的确是一个恨不得除之而后快的痛点。

但是就算不能完全消除缩水现象,和毫无追踪设备、只能靠结帐柜台时薪人员的传统商场比起来,Caper Labs的购物车系统因为全时追踪纪录各个客户的消费行为,显然已经有降低缩水率的功效,如果结合一些低成本的货架库存追踪设备,未来可能进一步降低缩水的百分比。

而对于所有被亚马逊逼到墙角的零售商来说更重要的是:这个系统建置成本和Amazon Go比起来少了好几位数,不用改装,不用增加布线,也不用伤脑筋整合库存电脑系统和云端机器视觉系统,只要购入足够数量的Caper Labs购物车,使用其垂直整合的云服务,就可以开店运营!

更重要的是,不同于Amazon Go的系统因为扩张可行性的问题,似乎会被限制在小型店面,Caper Labs的系统可以顺利扩张到大型商场以及大卖场。

胆识过人——挑战亚马逊的CAPER LABS

这一切的种种,都让Caper Labs的解决方案在零售业者享有很高的接受度。对于贝佐斯而言,也许未来最应该担心的不是自己长年的伴侣,而是从各个角落中冒出来的年轻创业公司吧。

转载文章地址:http://www.ecrpl.com/muying/1576.html
(本文来自广域混流整合文章:http://www.ecrpl.com)未经允许,不得转载!
标签:
云计算 亚马逊公司 人工智能 机器学习 创业
网站简介 联系我们 网站申明 网站地图

版权所有:www.ecrpl.com ©2017 广域混流

广域混流提供的所有内容均是网络转载或网友提供,本站仅提供内容展示服务,不承认任何法律责任。