當電子商務吸引了所有人的目光時，由 IHL 集團進行的研究表示大型連鎖商規劃要在 2018 年後再加開 5,500 間商店。

但即使傳統商店的生意興隆，零售商的競爭卻越來越激烈。為了應對市場不斷轉變，許多商家都試著模擬電子商務的方法，以運用資料增加銷售並改善客戶服務。要將這些智慧技術從雲端延伸到商店內，需要採用收集、管理和分析資料的新方法。

尤其是，零售商需要能在邊緣提供價值的深度學習解決方案，以處理零售商店內的大量影像與資料。這種解決方案通常需要混合採用異質的 CPU、GPU、FPGA 與其他處理器，同時遵守嚴格的電源、空間、頻寬和隱私要求。

在考量這些要求的情況下，開發者正在尋找能運用現有 API 與架構的方法，以最大化零售解決方案的可攜性、彈性及擴充性。開發者亦仰賴專為邊緣應用所設計的新世代現成人工智慧硬體與軟體。這樣的技術能簡化並加速建立新解決方案的流程，讓開發者得以將人工智慧與機器學習的力量運用在新環境中。

小巧尺寸中的 XXXL 級效能

零售人工智慧解決方案必須能生產、儲存並管理大量的資料，尤其是與影片分析相關的解決方案。雲端型解決方案經常會受到延遲、網路頻寬、可靠度和安全性問題的影響而無法實行。

零售商需要的是能提供強大運算威力，同時耗電量相對較低的邊緣解決方案。除此之外，也必須要符合小巧的外型規格。Intel^® 支援解決方案的近期開發成果可滿足這些必要需求。

AAEON Europe 旗下品牌 UP Bridge the Gap 開發了一系列執行於先進硬體上的神經加速器。搭載 Intel^® Movidius^™ Myriad^™ X VPU，這些卡片經過專門設計，可在低功率的小巧封裝中處理電腦視覺與人工智慧應用程式（圖 1）。

舉例來說，這些卡片用於 UP Squared AI Edge: Retail Suite，這是一個可快速部署，專為現代商務所設計的神經網路引擎。Retail Suite 預先載入來自 AIM2 和 Cortexica 的軟體，並支援如 Caffe、TensorFlow 和 OpenVINO 工具組等架構。其中具備：

• 一個以 Intel Atom^® x7-E3950 4GB RAM 為基礎，30x51 公釐的 UP Squared 主機板
• 一個 Intel Movidius Myriad X 2485 VPU
• 64GB eMMC、WiFi (2T2R)，以及藍牙
• 一個 USB3.0 攝影機，具有 3.6 公釐鏡頭
• 一份由 AIM2 預先安裝的 1 年期 Retail Suite 訂閱

Retail Suite 可作為開發者套件，透過其搭載的 Intel Movidius Myriad X VPU，提供較前一代產品高出約 10 倍的效能，使其成為邊緣人工智慧的強大選項。（請見圖 2。）

人工智慧與機器學習為零售產業提供助力

目標是獲得一種智慧解決方案，能從影片分析擷取深入見解，以進行對目標族群、行為及信心指數的分析。零售商想要能輕易地調用關於客戶年齡或性別的分佈資料，能依需求按月份或星期排列，同時顯示他們的情緒狀態。客戶是開心還是困惑？他們是否著重在特定品牌或忽略了特定品牌？所有的這些資訊都能協助零售商帶動商店進步。

我們與機器學習工程師 Luca Ruzzola 討論此解決方案，他是 AIM2 資料科學與訓練的主管。他解釋 Retail Suite 可用於情境模式 (Contextual Mode) 或是品牌模式 (Brand Mode)。

在情境模式中，零售商能取得情境資訊以進行客戶分析。「此解決方案會將關鍵效能指標 (KPI) 與特定情境建立關聯，」Ruzzola 表示。「舉例來說，情境可以指貨架上的品牌、購物中心內的地點名稱，或是入口或出口等地點的特定區域。」

在品牌模式中，零售商則可以在貨架層級自動化庫存追蹤。Ruzzola 表示：「此解決方案可讓零售商提升效率。這包括了庫存偵測與貨架監控，以確保品牌放在適當位置且數量無誤。」

亦可測量品牌曝光度。「它會追蹤站在貨架前觀察品牌產品的客戶，以及他們與產品互動的方法，」Ruzzola 說。「它也能讓零售商追蹤及分析與產品互動的客戶類型，包括性別與年齡範圍等，同時確保符合《一般資料保護規範》(GDPR)。」

隨著提到 GDPR，話題便轉到了關於解決方案隱私設定的討論。Ruzzola 明確表示不會有任何向外傳輸的視訊串流，也不會將影格儲存在裝置上。

「影片處理是即時進行的，」Ruzzola 說明，「透過運用神經同質識別 (Neural Homogeneous Identities, NHI) 建立臉部特徵。」NHI 使解決方案可自動偵測並組織識別碼，無需人力支援。

每一個臉部特徵都經過加密並儲存在資料庫中。「不過，建立臉部特徵的程序無法用於重建特定臉孔的影像，」Ruzzola 表示。

這個臉部特徵讓零售商能在特定客戶回到商店時進行識別，而無需擷取他們的個人身分。透過此方法，零售商便可追蹤客戶個人的購物習慣、年齡範圍及性別，同時確保隱私性與安全性。

Ruzzola 描述其他臉部特徵的使用案例，例如可確保僅有經過授權的員工能進入限制的庫房或辦公室等。其中一個相關的使用案例是可以確認如保全人員等特定員工，是否在特定時間身處於特定區域並履行特定職責。

人工智慧不盡相同

我們的對話轉向關於其他公司在這個領域內的開發成果。Ruzzola 解釋，Retail Suite 與其他競爭產品不同，可提供三種關鍵優勢。

首先，此解決方案的雙模式系統可讓零售商擷取和分析情境資料與品牌互動資料。「其他解決方案沒辦法在單一套件中處理這兩個面向，」他說。

第二個優勢是成本低廉。「AAEON 硬體與 Intel 堆疊可降低成本，」Ruzzola 表示。

這個解決方案的第三個優勢就是它可以提供標準的 KPI 或原始資料。「標準 KPI 讓零售商快速取得深入見解，而不需經過分析，」Ruzzola 說，「或者他們可以進行分析，詳細檢查原始資料，以獲得額外的深入見解。」

填補與電子商務之間的差距

隨著人工智慧與機器學習技術逐漸成熟，成本也跟著降低，實體零售商便能運用電子零售商習以為常的客戶、品牌，以及產品分析能力。零售商對這樣的機會感到非常興奮，這讓他們能取得關於客戶行為與喜好的深入見解，並瞭解各種品牌的優勢。成果如何？零售商的競爭力更高，也能提供更加客戶導向的服務。