David Woollard é o Chief Know-how Officer (CTO) da Normal AI. Ele é um veterano da indústria de tecnologia com mais de 20 anos de experiência, tendo trabalhado em empresas como Samsung e NASA, e como empreendedor em startups em estágio inicial e avançado. Ele é PhD em Ciência da Computação, especializado em arquiteturas de software program para computação de alto desempenho.
As ofertas de IA padrão fornecem insights de precisão sem precedentes sobre o comportamento do comprador, o desempenho do produto e as operações da loja.
Você pode compartilhar sua jornada desde o trabalho no Laboratório de Propulsão a Jato da NASA até se tornar CTO da Normal AI?
Quando eu estava no The Jet Propulsion Laboratory, meu trabalho focava principalmente em gerenciamento de dados em larga escala para missões da NASA. Eu trabalhei com cientistas e engenheiros incríveis, aprendendo sobre como conduzir pesquisas do espaço sideral. Não só aprendi muito sobre ciência de dados, mas também sobre gerenciamento de projetos de engenharia em larga escala, balanceamento de orçamentos de risco e erro e design de sistemas de software program em larga escala. Meu trabalho de doutorado na College of Southern California foi na área de arquiteturas de software program para computação de alto desempenho, e eu pude ver a aplicação dessa pesquisa em primeira mão.
Embora eu tenha aprendido muito com meu tempo lá, eu também queria muito trabalhar em coisas que fossem mais tangíveis para as pessoas comuns. Quando saí do JPL, juntei-me a um amigo que estava fundando uma startup no espaço de streaming de vídeo como uma das primeiras contratações. Fiquei fisgado desde o início em construir experiências de consumidor e startups em geral, ambas as quais pareciam uma ruptura com meu mundo anterior. Quando tive an opportunity de entrar para a Normal, fui atraído pela combinação de problemas científicos difíceis em IA e Visão Computacional que eu amava no início da minha carreira com experiências de consumidor tangíveis que eu achava mais gratificantes.
O que motivou a mudança no foco da Normal AI de soluções de checkout autônomas para aplicações mais amplas de IA no varejo?
A Normal AI foi fundada há sete anos com a missão de levar o checkout autônomo ao mercado. Embora tenhamos conseguido entregar a melhor solução de visão computacional da categoria para checkout autônomo e lançado lojas autônomas, no ultimate das contas descobrimos que a adoção do usuário foi mais lenta do que o previsto e, consequentemente, o retorno sobre o investimento não estava lá para os varejistas.
Ao mesmo tempo, percebemos que havia uma série de problemas que o varejista enfrentava e que poderíamos resolver por meio da mesma tecnologia subjacente. Esse foco renovado em insights e melhorias operacionais permitiu que a Normal entregasse um ROI mais direto aos varejistas que estão buscando oportunidades para melhorar suas eficiências a fim de compensar os efeitos da inflação e do aumento dos custos trabalhistas.
Como a tecnologia de visão computacional da Normal AI rastreia as interações dos clientes com tanta precisão sem usar reconhecimento facial?
A plataforma VISION da Normal foi projetada para rastrear compradores no espaço actual analisando vídeos de câmeras aéreas na loja, distinguindo entre humanos e outros elementos em cada vídeo e estimando a pose, ou estrutura esquelética, de cada humano. Ao olhar através de várias câmeras ao mesmo tempo, podemos reconstruir uma compreensão 3D do espaço, assim como fazemos com nossos dois olhos. Como temos medições muito precisas da posição de cada câmera, podemos reconstruir a posição, orientação e até mesmo o posicionamento das mãos de um comprador, com alta precisão. Combinado com algoritmos de mapeamento avançados, podemos determinar o movimento do comprador e a interação do produto com 99% de precisão.
Como a Normal AI garante a privacidade dos compradores ao coletar e analisar dados?
Ao contrário de outros sistemas de rastreamento que usam reconhecimento facial para identificar compradores entre dois fluxos de vídeo diferentes, quando o Normal está determinando a pose de um comprador, estamos apenas usando informações estruturais e geometria espacial. Em nenhum momento o sistema de rastreamento do Normal depende da biometria do comprador que pode ser usada para identificação, como o rosto do comprador. Em outras palavras, não sabemos quem é um comprador, apenas sabemos como os compradores estão se movendo pela loja.
Quais são alguns dos insights mais significativos que os varejistas podem obter ao usar a plataforma VISION da Normal AI?
Os varejistas podem obter uma série de insights usando a plataforma VISION da Stand. Mais significativamente, os varejistas conseguem entender melhor como os compradores estão se movimentando em seu espaço e interagindo com os produtos. Enquanto outras soluções dão uma compreensão básica do quantity de tráfego por uma parte específica de uma loja, a Normal registra o caminho particular person de cada comprador e pode distinguir entre compradores e funcionários da loja para dar uma melhor contabilidade não apenas do tráfego e permanência, mas dos comportamentos específicos dos compradores que estão comprando produtos.
Além disso, o Normal pode entender quando os produtos estão fora de estoque na prateleira e, mais amplamente, condições de prateleira, como revestimentos faltantes, que impactam não apenas a capacidade do comprador de comprar produtos, mas de formar impressões sobre diferentes ofertas de marca. Esse tipo de dado de conversão e impressão é valioso tanto para o varejista quanto para os fabricantes de bens de consumo embalados. Esses dados simplesmente não estavam disponíveis antes e trazem grandes implicações para melhorar as operações em tudo, desde merchandising e advertising até cadeia de suprimentos e redução.
Como os insights preditivos do VISION podem transformar estratégias de advertising e merchandising para varejistas?
Como o Normal cria uma réplica digital completa de uma loja, incluindo tanto o espaço físico (como posicionamentos nas prateleiras) quanto os movimentos dos compradores, temos um rico conjunto de dados a partir do qual podemos construir modelos preditivos tanto para simular o movimento da loja, dadas as mudanças físicas (como atualizações e redefinições de merchandising), quanto para prever as interações dos compradores com base em seus movimentos pela loja. Esses modelos preditivos permitem que os varejistas experimentem — e validem — as mudanças de merchandising na loja sem ter que investir em atualizações físicas caras e longos períodos de experimentação na loja. Além disso, as impressões do desempenho e da interação do produto podem informar o posicionamento na prateleira ou nas tampas. Juntos, eles podem ajudar a priorizar os gastos e gerar maiores retornos.
Você poderia fornecer exemplos de como ofertas em tempo actual baseadas em caminhos previstos de clientes impactaram as vendas em testes piloto?
Embora a Normal não crie os sistemas promocionais reais usados pelos varejistas, podemos usar nossa compreensão do movimento do comprador e nossas previsões de interações de produtos para ajudar os varejistas a entender a intenção do comprador, permitindo que o varejista forneça promoções profundamente significativas e oportunas em vez de ofertas gerais ou apenas recomendações baseadas em compras anteriores. Recomendações baseadas em comportamentos na loja permitem sazonalidade, disponibilidade e intenção, tudo isso se traduz em um aumento promocional mais eficaz.
Quais foram os resultados do piloto de rastreamento do tabaco e como ele influenciou as marcas envolvidas?
Em um dia de operação de um piloto de um varejista, conseguimos detectar furtos de produtos de tabaco e sinalizar isso de volta ao varejo para ações corretivas. A longo prazo, conseguimos trabalhar com varejistas para detectar não apenas furtos físicos, mas também abuso de promoção e problemas de conformidade, ambos muito impactantes não apenas para o varejista, mas para as marcas de tabaco que financiam essas promoções e gastam recursos significativos para garantir a conformidade manualmente. Por exemplo, também conseguimos observar o que acontece quando a primeira escolha de um cliente está fora de estoque; metade dos compradores escolheu outro produto acquainted, mas quase um quarto não comprou nada. Isso é potencialmente muita receita perdida que poderia ser resolvida se fosse detectada antes. Como nossa plataforma VISION está sempre ativa, ela se tornou uma extensão das equipes de vendas das marcas de tabaco, capaz de ver (e alertar sobre) o estado atual de qualquer loja em toda a frota ou de um varejista a qualquer momento.
Quais foram os maiores desafios que você enfrentou na implementação de soluções de IA no varejo físico e como você os superou?
Trabalhar em ambientes de varejo trouxe uma série de desafios. Não só tivemos que desenvolver sistemas que fossem robustos para problemas comuns no mundo físico (como desvio de câmera, mudanças de loja e falhas de {hardware}), como também desenvolvemos processos que fossem compatíveis com as operações de varejo. Por exemplo, com as recentes Olimpíadas de Verão, muitos CPGs mudaram suas embalagens para promover Paris 2024. Como identificamos visualmente os SKUs com base em suas embalagens, isso significava que tínhamos que desenvolver sistemas capazes de sinalizar e lidar com essas mudanças de embalagem.
Desde o início, a Normal escolheu implementações técnicas que funcionariam com os processos existentes do varejista em vez de mudar os processos existentes para atender aos nossos requisitos. As lojas que usam nossa plataforma VISION operam exatamente como antes, sem nenhuma alteração no merchandising físico ou retrofits físicos complexos e caros (como a introdução de sensores de prateleira).
Como você vê a evolução do papel da IA no setor de varejo na próxima década?
Acredito que estamos apenas arranhando a superfície da transformação digital que a IA impulsionará nos varejistas nos próximos anos. Embora a IA hoje seja amplamente sinônimo de grandes modelos de linguagem e os varejistas estejam pensando sobre sua estratégia de IA, acreditamos que a IA será, em um futuro próximo, uma tecnologia habilitadora elementary, em vez de uma estratégia por si só. Sistemas como a Plataforma VISION da Normal desbloqueiam insights sem precedentes para os varejistas e permitem que eles desbloqueiem as informações ricas no vídeo que já estão capturando. Os tipos de melhorias operacionais que podemos fornecer formarão a espinha dorsal das estratégias dos varejistas para melhorar sua eficiência operacional e melhorar sua margem sem ter que repassar custos para os consumidores.
Obrigado pela ótima entrevista. Os leitores que desejarem saber mais devem visitar o Normal AI.
