David Woollard, CTO hos Standard AI – Interviewserie

David Woollard er Chief Technology Officer (CTO) hos Standard AI. Han er en veteran i tech-industrien med over 20 års erfaring, havde arbejdet for virksomheder som Samsung og NASA, og som iværksætter i både tidlige og senere startups. Han har en ph.d. i datalogi, specialiseret i software-arkitekturer for højydelse-dataprocesning.

Standard AI tilbyder ubeskedelige præcisionsindsigter i shopperadfærd, produktpræstation og butiksdrift.

Kan du dele din rejse fra at arbejde på NASA’s Jet Propulsion Laboratory til at blive CTO hos Standard AI?

Da jeg var på Jet Propulsion Laboratory, fokuserede mit arbejde primært på storskala datastyring til NASA-missioner. Jeg fik mulighed for at arbejde med utrolige videnskabsmænd og ingeniører, og lærte om, hvordan man udfører forskning fra verdensrummet. Jeg lærte ikke kun meget om datavidenskab, men også om storskala-projektstyring, risiko- og fejlbudgettering samt storskala software-systemdesign. Min ph.d.-afhandling på University of Southern California var inden for software-arkitekturer for højydelse-dataprocesning, og jeg fik mulighed for at se anvendelsen af denne forskning i praksis.

Selvom jeg lærte utrolig meget under min tid der, ønskede jeg også at arbejde med ting, der var mere konkrete for almindelige mennesker. Da jeg forlod JPL, sluttede jeg mig til en ven, der var med til at grundlægge en startup i streaming-videoområdet som en af de første ansætte. Jeg var med fra starten af og byggede forbrugeroplevelser og startups generelt, hvilket føltes som en pause fra min tidligere verden. Da jeg fik chancen for at slutte mig til Standard, blev jeg tiltrukket af kombinationen af hårde videnskabelige problemer inden for AI og computerseende, som jeg elskede i min tidlige karriere, og konkrete forbrugeroplevelser, som jeg fandt mest tilfredsstillende.

Hvad motiverede skiftet i Standard AI’s fokus fra autonome kasse løsninger til bredere retail AI-applikationer?

Standard AI blev grundlagt for syv år siden med missionen om at bringe autonome kasser til markedet. Selvom vi lykkedes med at levere den bedste computerseende-løsning til autonome kasser og åbnede autonome butikker, fandt vi, at brugeradoptionen var langsommere, end forventet, og derfor ikke var en tilstrækkelig return on investment for detailhandlende.

På samme tid indså vi, at der var en række problemer, som detailhandlende oplevede, som vi kunne løse gennem den samme underliggende teknologi. Dette fornyede fokus på operationelle indsigt og forbedringer tillod Standard at levere en mere direkte ROI til detailhandlende, som søger efter muligheder for at forbedre deres effektivitet for at kompensere for inflation og øgede arbejdskomponenter.

Hvordan sporer Standard AI’s computerseende-teknologi kundeinteraktioner med så høj nøjagtighed uden at bruge ansigtsgenkendelse?

Standard’s VISION-platform er designet til at spore kunder i virkeligt rum ved at analysere video fra overhovedscameraer i butikken, skelne mellem mennesker og andre elementer i hver video, og estimere stillingen eller skeletstrukturen af hver enkelt person. Ved at se gennem multiple kameraer på samme tid kan vi rekonstruere en 3D-forståelse af rummet, ligesom vi gør med vores to øjne. Fordi vi har meget præcise målinger af hver kameraposition, kan vi rekonstruere en kundes position, orientering og endda håndplacering med høj nøjagtighed. Kombineret med avancerede kortalgoritmer kan vi bestemme kundebevægelse og produktinteraktion med 99% nøjagtighed.

Hvordan sikrer Standard AI kundernes privatliv, mens de indsamler og analyserer data?

I modsætning til andre sporingssystemer, der bruger ansigtsgenkendelse til at identificere kunder mellem to forskellige videostrømme, bruger Standard, når vi bestemmer en kundes stilling, kun strukturel information og rumlig geometri. Til ingen tid bruger Standard’s sporingssystem kunde-biometri, der kan bruges til identifikation, såsom kundens ansigt. Med andre ord ved vi ikke, hvem en kunde er, vi ved kun, hvordan kunderne bevæger sig gennem butikken.

Hvad er nogle af de mest betydningsfulde indsigt, detailhandlende kan opnå ved at bruge Standard AI’s VISION-platform?

Detailhandlende kan opnå en række indsigt ved at bruge Standard’s VISION-platform. Mest betydningsfuldt kan detailhandlende få en bedre forståelse af, hvordan kunder bevæger sig gennem deres butik og interagerer med produkter. Mens andre løsninger giver en grundlæggende forståelse af trafikmængde gennem en bestemt del af en butik, optager Standard hver enkelt kundes individuelle vej og kan skelne mellem kunder og butiksmedarbejdere for at give en bedre regnskab for ikke kun trafik og ophold, men også de specifikke adfærdsmønstre hos kunder, der køber produkter.

Hvordan kan predictive indsigt fra VISION forvandle marketing- og merchandisingstrategier for detailhandlende?

Fordi Standard skaber en fuld digital kopi af en butik, herunder både det fysiske rum (såsom hyldesætning) og kundebevægelse, har vi en rig data-sæt, hvorfra vi kan bygge predictive modeller både til at simulere butiksbevægelse givet fysiske ændringer (såsom merchandising-opdateringer og -ændringer) samt forudsige kundeinteraktioner baseret på deres bevægelse gennem butikken. Disse predictive modeller tillader detailhandlende at eksperimentere med – og validere – merchandising-ændringer i butikken uden at skulle investere i dyre fysiske opdateringer og lange perioder med butiks-eksperimenter. Yderligere kan indtryk af produktpræstation og interaktion informere om placering på hylden eller endkapsler. Alt i alt kan dette hjælpe med at prioritere udgifter og drive større afkast.

Kan du give eksempler på, hvordan realtids-tilbud baseret på forudsagte kundeveje har påvirket salget i pilotforsøg?

Standard bygger ikke de faktiske promotions-systemer, der bruges af detailhandlende, men vi kan bruge vores forståelse af kundebevægelse og vores forudsigelser af produktinteraktion til at hjælpe detailhandlende med at forstå en kundes intention, hvilket tillader detailhandlende at give dybt meningsfulde og rettidige tilbud i stedet for generelle tilbud eller anbefalinger baseret på tidligere køb. Anbefalinger baseret på butiksadfærd tillader for sæsonbestemthed, tilgængelighed og intention, hvilket alle oversætter til en mere effektiv promotions-løft.

Hvad var resultaterne af pilotforsøget med tobakssporing, og hvordan påvirkede det de involverede mærker?

Inden for en dag efter at have opereret et pilotforsøg i en butik, kunne vi opdage tyveri af tobaksprodukter og flagde dette tilbage til butikken til korrektive handlinger. Over længere tid har vi kunnet arbejde med detailhandlende for at opdage ikke kun fysisk tyveri, men også promotions-misbrug og overholdelsesproblemer, begge hvilke er meget betydningsfulde for både detailhandlende og tobaksmærker, der både finansierer disse promotions og bruger betydelige ressourcer på at sikre overholdelse manuelt. For eksempel kunne vi også observere, hvad der sker, når en kundes førstevalg er udsolgt; halvdelen af kunderne valgte et andet produkt i samme familie, men næsten en fjerdedel købte intet. Det er potentielt meget tabt omsætning, der kunne være adresseret, hvis det var blevet opdaget tidligere. Fordi vores VISION-platform altid er aktiv, er det blevet en udvidelse af tobaksmærkernes salgsteam, i stand til at se (og alarmere om) den aktuelle tilstand af enhver butik i hele butikskæden på ethvert tidspunkt.

Hvad er de største udfordringer, du har stået over for ved at implementere AI-løsninger i fysisk detailhandel, og hvordan har du overvundet dem?

Arbejdet i detailhandelsmiljøer har medført en række udfordringer. Ikke kun har vi udviklet systemer, der er robuste over for problemer, der er almindelige i den fysiske verden (såsom kamera-drift, butiksændringer og hardware-fejl), men vi har også udviklet processer, der er kompatible med detailhandelsoperationer. For eksempel, da mange CPG’er ændrede deres emballage for at promovere Paris 2024 under de seneste Sommer-OL, betød det, at vi måtte udvikle systemer, der kunne flagge og håndtere disse ændringer i emballagen.

Fra starten har Standard valgt tekniske implementeringer, der ville fungere med detailhandlendes eksisterende processer i stedet for at ændre eksisterende processer for at møde vores krav. Butikker, der bruger vores VISION-platform, fungerer på samme måde, som de gjorde før, uden nogen ændringer i fysisk merchandising eller komplekse og dyre fysiske tilpasninger (såsom introduktion af hyldesensorer).

Hvordan ser du på AI’s rolle i detailhandelssektoren i de næste 10 år?

Jeg tror, at vi kun har kradsset overfladen af den digitale transformation, som AI vil drive inden for detailhandlende i de kommende år. Mens AI i dag primært er synonymt med store sprogmodeller, og detailhandlende tænker over deres AI-strategi, tror vi, at AI i nær fremtid vil være en grundlæggende enablementsteknologi i stedet for en strategi i sig selv. Systemer som Standard’s VISION-platform låser ubeskedelige indsigt op for detailhandlende og tillader dem at låse den rige information i videoen, de allerede indsamler. De typer af operationelle forbedringer, vi kan levere, vil danne ryggraden i detailhandlendes strategier for at forbedre deres operationelle effektivitet og forbedre deres margin uden at skulle overføre omkostninger til forbrugerne.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Standard AI.