本文从工业、技术和产品设计三个方面介绍了视觉识别智能容器。

01

新零售和智能集装箱简介

1.1新零售背景

在2016年10月的阿里云启大会上，阿里巴巴马云在演讲中首次提出新零售。“未来十几二十年，不会有电商，只会有新零售”。

1.2新零售和智能集装箱

如何理解新零售，我们把新零售分为“新”和“零售”。“新”在于更高的效率和更好的服务，“零售”的本质环节是“人”和“货”的“场”。

在智能集装箱的产品中:智能集装箱是最小的“场”，有了“场”，才有交易的可能；智能集装箱上的“货”是由数据驱动的，在消费端实现了成千上万个集装箱、成千上万个面。可以反向驱动供应链和产品设计，零售商可以实现高性价比和精细化运营，以更短更直接的路线和体验打动消费者；在“场”与“货”的不断迭代中，“人”被吸引。用户的关键指标是流量*转化率*客户单价*回购率。对不同的用户画像进行精细化操作，提高效率。

最后，利用AI数据、用户画像、商品推荐等技术，实现智能集装箱“人”“货”“场”的生态闭环消费，这是智能集装箱在新零售时代的运营思路。

02

智能集装箱的发展路线及市场分析

2.1智能集装箱的发展路线经历了三个阶段。

自动售货机阶段:

1993年，自动售货机从欧洲、美国和日本引入中国。传统的自动售货机主要是硬件驱动的，用户用纸币和硬币支付，容器通过弹簧弹出商品。

无人货架阶段:

2017年，在新零售趋势的加持下，无人货架迎来上市。但由于没有消费闭环场景，导致商品损耗率较高，大部分无人货架项目在运营一年后已经暂停。

智能容器阶段:

市场一直在推动企业的创新。无人货架之后，以RFID和视觉识别为核心技术的智能集装箱时代正式走上历史舞台。与无人货架相比，智能集装箱形成闭环消费，用户扫码开门取货，关门时再扣费。选址达到一定规模后，智能技术赋能运营和补货过程，销售和品牌的规模效益就可以逐步产生。

2.2智能集装箱技术解决方案

视觉识别解决方案:以图像识别为技术核心，摄像头和主板为硬件核心，对消费者图片/视频进行目标检测和分类，大大提升了购买和补货体验；

重力感应与视觉识别混合解决方案:以重力感应为主，视觉识别为辅，或者以视觉识别为主，重力感应为辅，进一步提高精度。

2.3智能集装箱市场分析

目前智能集装箱市场主要有三类公司:无人货架改造公司、AI技术公司、传统自动售货机公司:

智能集装箱核心指标的比较

2.4瓶颈和机遇

智能集装箱发展的瓶颈主要是技术瓶颈:经过2018-2019年的快速发展，智能集装箱的发展已经到了一定的阶段，市场上智能集装箱技术服务商的识别准确率都在99%以上，所以100个订单最多只会识别一个错误的订单，但距离真正成熟的阶段还有一定的距离，未来识别技术瓶颈将一直存在。

03

智能集装箱技术的核心

3.1 AI算法

识别云服务器

人工智能模型的训练很大程度上依赖于服务器的计算能力。GPU服务器比一般的云服务器更适合深度学习项目。通常企业选择租用GPU云服务器或购买GPU服务主机进行项目培训。

深度学习开源框架

利用它可以快速开发神经网络，大大降低开发成本。

识别算法

在智能集装箱作业场景中，我们需要做的是对图像中的物体进行定位和分类:识别定位每层集装箱照片中包含的货物和货物类别，并在不同的货物箱上放置不同的箱子，用于购物订单的生成和其他场景的判断。为了执行这项任务，我们需要使用一些基于卷积神经网络的算法。

图像识别算法的发展历史

3.2商品数据源和标签

数据源质量:众所周知，数据质量低会极大影响模型的效果，容易造成模型的欠拟合或过拟合。在这种情况下，我们通常会注意以下两点:贴标流程是否规范；标记人员是否专业。

3.3关键硬件

智能容器就像制造商定制硬件的能力。同时，他们需要专门的LOT后台来监控硬件的健康状态，以及硬件管理小程序或APP来提供硬件管理支持。

04

系统结构

用户端:用户用来购物的APPlet或app。

集装箱硬件端:实际控制集装箱上所有的传感器和门锁、摄像头、灯光、温度等硬件设备，与服务器通讯，平时打包上传心跳数据和图片到服务器，分析服务器发送的指令控制集装箱硬件。

逻辑服务器:主要任务是接受集装箱硬件的数据，将照片数据放入队列供识别服务器读取，修改集装箱订单状态，推送消息，更新库存等。

识别服务器:主要是实时检测队列，读取照片，运行识别服务，生成订单明细。

05

集装箱运营核心和用户体验

综合历史经验，在智能集装箱发展初期，最符合用户体验和业务标准的两个维度是为集装箱运营客户收钱和收对钱；对于购物用户:可以买，可以买对。

零售的本质不会变，智能容器只是新交易行为的媒介。商家的需求永远是多卖多赚，用户的需求永远是买性价比高的商品。

5.1建立集装箱作业的稳定性指标

在智能集装箱购物场景中，用户一般都有明确的购物目标，因此从实际操作的维度来评价运营的稳定性。其中，购物时长与用户体验呈负相关，订单准确率与用户体验呈正相关。

提高订单准确率的方向包括预处理和后处理:预处理定义为在识别发生之前可以实现的优化，如提高数据源的质量和数量，升级和分组模型，替换更好的算法；后处理定义为识别发生后的优化。比如通过像素比较、距离比较、IOU滤波等后期校正算法优化，或者将订单放入异常订单池，采用更好但更慢的模型处理甚至人工处理等。

5.2常见识别异常场景介绍

一个稳定的图像识别模型可以支持90%以上的案件，但由于智能集装箱的单点操作性质，集装箱摆放场景非常随意，销售的货物范围也非常广。这就决定了图像识别需要适应各种识别环境，比如阳光明媚的户外和光线昏暗的走廊。

同时识别出模型本身稳定的原因，在某个时间点趋于不稳定。这时，就会出现异常识别。根据笔者的经验，目前在实际操作中识别异常是不可避免的，AI技术还没有达到提供100%完美准确率的能力。

识别异常场景通常涉及漏货、识别多余货、识别错货。

06

审查摘要

6.1智能集装箱产品的发展方向

基于视频动态识别技术的智能集装箱。本文介绍了基于静态图像识别技术的智能容器。基于动态识别，智能集装箱产品的生态化运营和影响范围将扩大；利用AI技术提供更多的集装箱码头体验解决方案；

6.2 AIPM工作内容和流程

智能容器项目分为三个阶段:技术定型、试运行和稳定迭代。在不同的阶段，项目经理的工作流程和所需的关键能力是不同的。基于AI算法流程“输入-训练-输出”，每个阶段的工作流程也分为三个步骤。

技术定稿阶段:

现阶段的理解标准是公司尚未形成产品，但具体业务需求已与客户协商对接调研确定。

在技术定型阶段，PM的关键能力是业务对接能力和技术理解能力，50%的时间分配在对接业务上，50%在对接技术上。

试运行阶段:

产品样机上线后，可在可控范围内进行产品试运行。

稳定迭代阶段:

至于如何将一个项目视为进入稳定的迭代阶段，我们可以从两个方面来看:

在产品能力方面，相关技术和关键业务指标已达到商业标准；

团队上，有专门的产品开发和售前售后团队，销售反馈处理的主要流程已经基本完成。

这个阶段负责的内容和普通产品PM一样，关键能力是管理整个项目和产品，需要关注的技术内容会少一些。但关注数据源、关键技术指标、业务指标的健康，从技术等维度思考如何优化模型，仍是工作重点之一。

6.3 AI产品设计思维

预防性维护的所有输出都基于底层能力结构。结构由两部分组成:第一部分是专业知识，如经验、战略、业务、技术等专业知识和技能，主要体现在工作中；第二部分是个人人文素养、灵魂素养、情感、驱动力、潜意识等。

在AI产品时代，一个岗位所要求的底层能力不会变，但岗位的难度会变。所以，保持产品初衷不变，认清产品本质不变，将AI技术作为更高效的技能工具应用到产品中，是我目前对PM读者的认知和建议。