Kuguswa na unachonunua, kisha utabiri unachotaka kununua. Shutterstock / nmedia

Iwe unafanya ununuzi wako mkondoni au dukani, uzoefu wako wa rejareja ni uwanja wa vita wa hivi karibuni wa ujasusi wa bandia (AI) na mapinduzi ya ujifunzaji wa mashine.

Wauzaji wakuu wa Australia wameanza kugundua kuwa wana faida nyingi kutoka kupata mkakati wao wa AI, na mmoja anaajiriwa kwa sasa Mkuu wa AI na Kujifunza Mashine mkono na timu ya wanasayansi wa data.

Idara mpya ya Woolworths PambaX inakusudia kuleta pamoja kikundi anuwai cha timu, pamoja na teknolojia, uzoefu wa dijiti kwa wateja, e-commerce, huduma za kifedha na uzoefu wa wateja wa dijiti.

Yote juu ya kuponda data

Ili kuelewa fursa na vitisho kwa wauzaji wote wakuu, ni muhimu kuelewa ni kwanini akili ya bandia imerudi kwenye ajenda. Vitu viwili muhimu vimebadilika tangu kulipwa mapema kwa AI miongo kadhaa iliyopita: data na nguvu ya kompyuta.

Nguvu ya kompyuta ni rahisi kuona. Smartphone mkononi mwako ina mamilioni ya nguvu zaidi ya hesabu kuliko kompyuta kubwa za miongo kadhaa iliyopita. Makampuni yana ufikiaji wa nguvu isiyo na kikomo ya kompyuta ambayo inaweza kufundisha algorithms zao za AI.

Kiunga kingine muhimu ni kiwango na utajiri wa data inayopatikana, haswa katika rejareja.

Mifumo ya akili ya bandia - haswa mbinu za kujifunza kama ujifunzaji wa mashine - hustawi kwa seti kubwa za data. Lini kulishwa ipasavyo na data hii, mifumo hii hugundua mwenendo, mifumo, na uhusiano ambao hakuna mchambuzi wa kibinadamu anayeweza kutarajia kugundua mwenyewe.

Njia hizi za ujifunzaji wa mashine hutengeneza uchambuzi wa data, na kuwezesha watumiaji kuunda mfano ambao unaweza kutoa utabiri muhimu juu ya data zingine zinazofanana.

Kwa nini rejareja inafaa kwa AI

Kasi ya kupelekwa kwa AI katika nyanja tofauti inategemea mambo kadhaa muhimu: rejareja inafaa haswa kwa sababu kadhaa.

Ya kwanza ni uwezo wa kupima na kupima. Kwa kinga inayofaa, makubwa ya rejareja yanaweza kupeleka AI na kujaribu na kupima majibu ya watumiaji. Wanaweza pia kupima moja kwa moja athari kwenye msingi wao haraka haraka.

Ya pili ni matokeo madogo ya makosa. Wakala wa AI anayetua ndege ya abiria hana uwezo wa kufanya makosa kwa sababu inaweza kuua watu. Wakala wa AI anayepelekwa katika rejareja ambayo hufanya mamilioni ya maamuzi kila siku anaweza kumudu kufanya baadhi makosa, maadamu athari ya jumla ni nzuri.

Teknolojia zingine nzuri za roboti tayari zinajitokeza katika rejareja na Nuro.AI akishirikiana na mboga behemoth Kroger kupeleka vyakula kwa malango ya wateja nchini Merika.

{vembed Y = 0xZsvs8iG0Q}

Lakini mabadiliko mengi muhimu yatatokana na kupelekwa kwa AI badala ya roboti za mwili au magari ya uhuru. Wacha tupitie hali kadhaa za msingi wa AI ambazo zitabadilisha uzoefu wako wa rejareja.

Tabia zako za ununuzi

AI inaweza gundua mifumo ya msingi katika tabia yako ya ununuzi kutoka kwa bidhaa unazonunua na njia unayonunua.

Hii inaweza kuwa ununuzi wako wa kawaida wa mchele kutoka duka kubwa, ununuzi wa divai mara kwa mara kutoka duka la pombe, na usiku wa Ijumaa unamwaga barafu kwenye duka la duka la karibu.

Wakati hesabu na mifumo ya hifadhidata ya mauzo inafuatilia tu ununuzi wa bidhaa za kibinafsi, na data ya kutosha, mifumo ya ujifunzaji wa mashine inaweza kutabiri tabia zako za kawaida. Inajua unapenda kupika risotto kila Jumatatu usiku, lakini pia tabia yako ngumu zaidi kama binge ya barafu ya mara kwa mara.

Kwa kiwango kikubwa, uchambuzi wa tabia ya mamilioni ya watumiaji utawezesha maduka makubwa kutabiri ni familia ngapi za Australia hupika risotto kila wiki. Hii ingejulisha mifumo ya usimamizi wa hesabu, moja kwa moja optimizing hifadhi ya Arborio mchele, kwa mfano, kwa maduka yenye watumiaji wengi wa risotto.

Habari hii itakuwa basi iliyoshirikiwa na wauzaji wa kirafiki, kuwezesha usimamizi bora zaidi wa hesabu na vifaa vyembamba.

Uuzaji mzuri

Hifadhidata ya mpango wa uaminifu wa jadi kama FlyBuys iliwezesha maduka makubwa kutambua yako mzunguko wa ununuzi ya bidhaa fulani - kama vile ununue mchele wa Arborio mara moja kwa wiki - halafu tuma ofa kwa kikundi cha watumiaji ambao walitambuliwa kama "wanataka kununua mchele wa Arborio".

Mbinu mpya za uuzaji zitasonga zaidi ya kukuza mauzo kwa wateja ambao tayari wanaweza kununua bidhaa hiyo. Badala yake, washauri wa kujifunza mashine itakuza mkate wa vitunguu, tiramisu au mapendekezo mengine ya bidhaa ya kibinafsi ambayo data kutoka kwa maelfu ya watumiaji wengine imependekeza mara nyingi kwenda pamoja.

Uuzaji mzuri unamaanisha kupunguza punguzo, na faida zaidi.

Mienendo ya bei

Changamoto ya bei kwa maduka makubwa inahusisha kutumia bei inayofaa na kukuza sahihi kwa bidhaa inayofaa.

Uboreshaji wa bei za rejareja ni shughuli ngumu, inayohitaji uchambuzi wa data kwa kiwango cha chembechembe kwa kila mteja, bidhaa na manunuzi.

Ili kuwa na ufanisi, sababu zisizo na mwisho zinahitaji kuchunguzwa, kama vile mauzo yanaathiriwa na kubadilisha bei kwa muda, msimu, hali ya hewa na matangazo ya washindani.

Programu iliyoundwa vizuri ya ujifunzaji wa mashine inaweza kusababisha tofauti hizi zote, ukizichanganya na maelezo ya ziada kama vile historia ya ununuzi, upendeleo wa bidhaa na zaidi kukuza utambuzi wa kina na bei iliyokusudiwa kuongeza mapato na faida.

Maoni ya Wateja

Kihistoria, maoni ya wateja yalipatikana kupitia kadi za maoni, kujazwa na kuwekwa kwenye sanduku la maoni. Maoni haya yalibidi yasomwe na kufanyiwa kazi.

As mitandao ya kijamii iliongezeka, ikawa jukwaa la kutoa maoni hadharani. Ipasavyo, wauzaji waligeukia programu ya kufuturu media ya kijamii ili kujibu, kutatua na kushirikisha wateja kwenye mazungumzo.

Kuendelea mbele, ujifunzaji wa mashine utachukua jukumu katika muktadha huu. Kujifunza kwa mashine na mifumo ya AI itawezesha kwa mara ya kwanza uchambuzi wa wingi wa vyanzo vingi vya data ya fujo, isiyo na muundo, kama mteja alirekodi maoni ya matusi au data ya video.

Kupunguza wizi

Wauzaji wa Australia kupoteza wastani wa dola bilioni 4.5 kila mwaka katika upotezaji wa hisa. Ukuaji wa madaftari ya huduma ya kibinafsi yanachangia kwa hasara hizo.

Mifumo ya kujifunza mashine ina uwezo wa suluhisha kwa urahisi mamilioni ya picha, kuwezesha mifumo mahiri ya vifaa vya kuuza kamera (POS) kugundua aina tofauti za matunda na mboga wanunuzi kwenye mizani ya sajili.

Kwa muda, mifumo pia itakuwa bora katika kugundua bidhaa zote zinazouzwa dukani, pamoja na kazi inayoitwa uainishaji wa chembechembe nzuri, kuiwezesha kuelezea tofauti kati ya machungwa ya Valencia na Navel. Kwa hivyo hakutakuwa na "makosa" tena katika kuingiza viazi wakati unanunua kweli persikor.

Kwa muda mrefu, mifumo ya POS inaweza kutoweka kabisa, kama ilivyo katika kesi ya Amazon Go duka.

Kompyuta ambazo zinakuagizia

Mifumo ya kujifunza mashine ni kupata nafuu haraka wakati wa kutafsiri sauti yako ya asili katika orodha za vyakula.

{vembed Y = rgksCRiRlsI}

Wasaidizi wa dijiti kama vile Duplex ya Google hivi karibuni inaweza kuunda orodha za ununuzi na kuagiza maagizo kwako, na Muuzaji wa Ufaransa Carrefour na Walmart kubwa ya Merika tayari kushirikiana na Google.

Uzoefu wa rejareja wa AI unaobadilika

Unapoendelea kupitia hatua za maisha unazeeka, mara kwa mara unapata afya, unaweza kuoa, labda kuwa na watoto, au kubadilisha kazi. Kama hali ya maisha na tabia ya matumizi ya mteja inabadilika, mifano itabadilika kiatomati, kama inavyofanya tayari katika maeneo kama kugundua udanganyifu.

sasa tendaji mfumo unajumuisha kusubiri mteja aanze kununua nepi, kwa mfano, kisha kumtambua mteja huyo kama ameanzisha familia, kabla ya kufuata mapendekezo ya bidhaa inayofaa.

Badala yake, algorithms ya kujifunza mashine inaweza tabia ya mfano, kama ununuzi wa vitamini vya folate na mafuta ya bio, basi kutabiri wakati matoleo yanapaswa kutumwa.

Mabadiliko haya kutoka kwa uuzaji tendaji na ya utabiri yanaweza kubadilisha njia unayonunua, ikikuletea maoni ambayo labda haujawahi kufikiria, yote yanawezekana kwa sababu ya fursa zinazohusiana na AI kwa wauzaji na wateja wao.

kuhusu Waandishi

Michael Milford, Profesa, Chuo Kikuu cha Teknolojia ya Queensland na Gary Mortimer, Profesa Mshirika katika Masoko na Biashara ya Kimataifa, Chuo Kikuu cha Teknolojia ya Queensland

Makala hii imechapishwa tena kutoka Mazungumzo chini ya leseni ya Creative Commons. Soma awali ya makala.