Empfehlungs-Engines und visuelle Suche

Das Verständnis des Verbraucherverhaltens war für den Einzelhandel noch nie so wichtig. Um das Wachstum voranzutreiben, werden intelligente Empfehlungen und Umgebungen mit Augmented Reality (AR) verwendet, um maßgeschneiderte Erfahrungen zu erstellen. Um die Umsätze zu verbessern, nutzen Online-Händler Maschinelles Lernen mit Grafikprozessoren (ml) und Deep Learning (DL)-Algorithmen für schnellere und genauere Empfehlungs-Engines. Und KI ist nun der Schlüssel für die zunehmende Tendenz, Online zu kaufen und im Geschäft aufzunehmen (BOPIS).

Empfehlungsdienste

Auf einigen der größten kommerziellen Plattformen machen Empfehlungen bis zu 30% des Umsatzes aus, die in Milliarden von Dollar im Vertrieb umsetzen können. Aus diesem Grund verwenden Händler Empfehlungssysteme, um jede Aktion einzusetzen, die Käufer eingehen, vom Besuch einer Webseite bis hin zur Verwendung von sozialen Medien zum Einkaufen. Außerdem verbessern Sie die Konversion durch das Angebot relevanter Consumer-Produkte aus der exponentiellen Anzahl verfügbarer Optionen.

NVIDIA Merlin, ein durchgängiges Empfehlungs-on-GPU-Framework, ermöglicht schnelles Feature-Engineering und einen hohen Trainings Durchsatz, um schnelle Experimente und Produktions Umschulungen von DL-Empfehlungs Modellen zu ermöglichen. Merlin ermöglicht außerdem eine geringe Latenz, hohen Durchsatz und Produktions Inferenz. 

Personalisierte Empfehlungen

Um die Verbraucher zu begeistern, müssen Einzelhändler die Erwartung einer individuellen Personalisierung erfüllen. Olay Skin Advisor, ein Grafikprozessor beschleunigtes Ki-Tool, das auf jedem Mobilgerät funktioniert, beurteilt einen vom Nutzer bereitgestellten selfie und empfiehlt ein olay-Regime zur Verbesserung von Problembereichen. Nach vier Wochen haben 94% der Nutzer von Skin Advisor die empfohlenen Produkte weiter angewendet.

Stitch Fix, ein Unternehmen für Mode-e-Commerce, setzt ein nahtloses Gleichgewichtzwischen Ki-gestützter Entscheidungsfindung und menschlichem Urteilsvermögen zusammen. Durch die Verwendung von Algorithmen zum Verständnis der Kundenpräferenzen hat Stitch Fix einen Modedienst geschaffen, der die Kunst des persönlichen Stils mit Datenanalysen kombiniert - allesamt mit GPU-beschleunigtem DL.

Produktfilterung

Einzelhändler nutzen die nächste Generation von Computer Vision für eine ausgefeilte Bild Attribut Erkennung, um automatisch umfassende Meta-Tagging und Katalogisierung zu generieren. Der Zugriff auf umfassende Informationen zu Produkten und Dienstleistungen hilft dabei, Bilder zu identifizieren, was zu einem erfolgreichen personalisierten Empfehlungssystem führt.

Da sich die Mode schnell ändert, ist NVIDIA-Partner Omni bietet eine Ki-Tagging-API, die B2B-Kunden dabei hilft, der modischen Kurve immer einen Schritt voraus zu sein. Ominöse Tagger, die automatisierte Tagging-Lösung mit über 95% Präzision, ist 100-mal schneller als die manuelle Kennzeichnung, steigert die Sucheffizienz um das Vierfache und senkt 77% der Arbeitskosten. Omniic bietet auch einen Trendbericht, der soziale Medien-Mode-influencer-Bilder analysiert. 

Virtuelle Anpassung

Die 2019 Kosten der zurückgesendeten waren in den USA betrugen 309B. Die Online-Retouren entfielen auf 41B von insgesamt $.  Um die Anzahl der Retouren zu reduzieren und ein besseres Einkaufserlebnis zu bieten, können Händler jetzt Artikel für Kunden vorschlagen, die praktisch garantiert passen.

Cappasity ermöglicht es Kunden, eine virtuelle Anpassung zu erleben, um zu sehen, wie Kleidungsstücke vor dem Kauf anhand der 3D-Virtual-Try-On-Lösung aussehen. Mit der Leistung von NVIDIA-Grafikprozessoren und CUDA zur Beschleunigung der Berechnungen verarbeiten Cappasity-Algorithmen Daten in der Cloud, um Körper Messungen zu erkennen, während neuronale Netze menschliche Konturen Segmentierung durchführen. 

Ich möchte Neuigkeiten zum Einzelhandel von NVIDIA erhalten.