David Woollard, CTO bij Standard AI – Interviewreeks

David Woollard is de Chief Technology Officer (CTO) bij Standard AI. Hij is een veteran in de technologie-industrie met meer dan 20 jaar ervaring, waarbij hij heeft gewerkt bij bedrijven als Samsung en NASA, en als ondernemer bij zowel vroeg als laat stadium startups. Hij heeft een PhD in Computer Science, gespecialiseerd in software-architecturen voor high-performance computing.

Standard AI biedt ongekende precisie-inzichten in shoppergedrag, productprestaties en winkeloperaties.

Kunt u uw reis delen van het werken bij NASA’s Jet Propulsion Laboratory tot het worden van de CTO van Standard AI?

Toen ik bij The Jet Propulsion Laboratory was, lag mijn werk voornamelijk op het gebied van grote schaal databeheer voor NASA-missies. Ik werkte met ongelooflijke wetenschappers en ingenieurs, en leerde over hoe onderzoek te doen vanuit de ruimte. Ik leerde niet alleen veel over data science, maar ook over grote schaal engineering project management, risico- en foutbudgetten in evenwicht brengen, en grote schaal software systemen ontwerp. Mijn PhD-onderzoek aan de University of Southern California was gericht op software-architecturen voor high performance computing, en ik kon de toepassing van dat onderzoek zien in de praktijk.

Terwijl ik veel leerde van mijn tijd daar, wilde ik ook werken aan dingen die meer tastbaar waren voor gewone mensen. Toen ik JPL verliet, sloot ik me aan bij een vriend die een startup oprichtte in de streaming video-ruimte als een van de eerste medewerkers. Ik was vanaf het begin gefascineerd door het bouwen van consumentenervaringen en startups in het algemeen, wat voelde als een breuk met mijn vorige wereld. Toen ik de kans kreeg om me bij Standard aan te sluiten, werd ik aangetrokken door de combinatie van moeilijke wetenschappelijke problemen in AI en Computer Vision die ik in mijn vroege carrière leuk vond, met tastbare consumentenervaringen die ik het meest vervullend vond.

Wat was de motivatie achter de verschuiving in Standard AI’s focus van autonome checkout-oplossingen naar bredere retail AI-toepassingen?

Standard AI werd zeven jaar geleden opgericht met de missie om autonome checkout naar de markt te brengen. Terwijl we erin slaagden om de beste computer vision-only oplossing voor autonome checkout te leveren en autonome winkels lanceerden, bleek uiteindelijk dat de gebruikersadoptie langzamer was dan verwacht en dat de return on investment niet aanwezig was voor retailers.

Tegelijkertijd realiseerden we ons dat er een aantal problemen waren die retailers ervoeren en die we konden oplossen met dezelfde onderliggende technologie. Deze hernieuwde focus op operationele inzichten en verbeteringen stelde Standard in staat om een directe ROI te leveren aan retailers die op zoek zijn naar kansen om hun efficiëntie te verbeteren om de effecten van inflatie en stijgende arbeidskosten te compenseren.

Hoe volgt Standard AI’s computer vision-technologie klantinteracties met zo’n hoge nauwkeurigheid zonder gezichtsherkenning te gebruiken?

Standard’s VISION-platform is ontworpen om winkelbezoekers in de fysieke ruimte te volgen door video’s van bovenuit te analyseren, mensen en andere elementen in elke video te onderscheiden en de pose, of skeletstructuur, van elke mens te schatten. Door meerdere camera’s tegelijk te bekijken, kunnen we een 3D-begrip van de ruimte reconstrueren, net zoals we doen met onze twee ogen. Omdat we zeer nauwkeurige metingen hebben van elke camera’s positie, kunnen we een winkelbezoeker’s positie, oriëntatie en zelfs handplaatsing reconstrueren met hoge nauwkeurigheid. In combinatie met geavanceerde mapping-algoritmes kunnen we bepalen welke producten een winkelbezoeker tegenkomt en interacteert met 99% nauwkeurigheid.

Hoe zorgt Standard AI voor de privacy van winkelbezoekers terwijl het data verzamelt en analyseert?

In tegenstelling tot andere volgsystemen die gezichtsherkenning gebruiken om winkelbezoekers tussen twee verschillende video’s te identificeren, gebruikt Standard’s volgsysteem geen gezichtsherkenning om winkelbezoekers te identificeren. We gebruiken alleen structurele informatie en ruimtelijke geometrie. Op geen enkel moment gebruikt Standard’s volgsysteem shopperbiometrie die kan worden gebruikt voor identificatie, zoals een winkelbezoeker’s gezicht. Met andere woorden, we weten niet wie een winkelbezoeker is, we weten alleen hoe winkelbezoekers door de winkel bewegen.

Wat zijn enkele van de meest significante inzichten die retailers kunnen verkrijgen door het gebruik van Standard AI’s VISION-platform?

Retailers kunnen een aantal inzichten verkrijgen met behulp van Standard’s VISION-platform. Het meest significant is dat retailers een beter begrip kunnen krijgen van hoe winkelbezoekers door hun winkelruimte bewegen en met producten interacteren. Terwijl andere oplossingen een basisbegrip geven van het verkeer door een specifiek deel van de winkel, registreert Standard elke individuele winkelbezoeker’s pad en kan onderscheid maken tussen winkelbezoekers en winkelmedewerkers om een betere verantwoording te geven van niet alleen verkeer en verblijfsduur, maar ook van de specifieke gedragingen van winkelbezoekers die producten kopen.

Daarnaast kan Standard begrijpen wanneer producten niet op voorraad zijn op de plank en meer in het algemeen, plankcondities zoals ontbrekende facings die niet alleen de mogelijkheid van de winkelbezoeker om producten te kopen beïnvloeden, maar ook de indrukken die winkelbezoekers krijgen van verschillende merkopties. Deze conversie- en indrukgegevens zijn waardevol voor zowel retailers als consumentenproductenfabrikanten. Deze gegevens zijn nog nooit eerder beschikbaar geweest en hebben grote implicaties voor het verbeteren van operaties op alles, van merchandising en marketing tot supply chain en shrink.

Hoe kunnen voorspellende inzichten van VISION marketing- en merchandisingstrategieën voor retailers transformeren?

Omdat Standard een volledige digitale replica van een winkel creëert, inclusief zowel de fysieke ruimte (zoals plankplaatsing) als winkelbezoeker’s bewegingen, hebben we een rijke dataset om voorspellende modellen te bouwen, zowel om winkelbewegingen te simuleren op basis van fysieke veranderingen (zoals merchandising-updates en -reset) als om winkelbezoeker’s interacties te voorspellen op basis van hun bewegingen door de winkel. Deze voorspellende modellen stellen retailers in staat om merchandisingveranderingen te experimenteren en te valideren zonder dat ze grote fysieke updates en lange periodes van winkelexperimenten hoeven te investeren. Bovendien kunnen indrukken van productprestaties en interactie de plaatsing op de plank of eindcaps informeren. Al met al kunnen deze helpen om uitgaven te prioriteren en grotere rendementen te stimuleren.

Kunt u voorbeelden geven van hoe real-time aanbiedingen op basis van voorspelde klantpaden de verkoop hebben beïnvloed in pilot tests?

Terwijl Standard geen promotionele systemen bouwt die door retailers worden gebruikt, kunnen we onze kennis van winkelbezoeker’s bewegingen en onze voorspellingen van productinteracties gebruiken om retailers te helpen begrijpen wat een winkelbezoeker’s intentie is, waardoor de retailer tijdige en betekenisvolle aanbiedingen kan doen in plaats van algemene aanbiedingen of alleen aanbevelingen op basis van eerdere aankopen. Aanbevelingen op basis van winkelgedrag stellen retailers in staat om seizoensgebondenheid, beschikbaarheid en intentie te begrijpen, wat allemaal leidt tot een effectievere promotionele lift.

Wat waren de resultaten van de tabakvolgingpilot, en hoe beïnvloedde dit de betrokken merken?

Binnen een dag na het uitvoeren van een pilot bij een retailer, konden we diefstal van tabaksproducten detecteren en terugmelden naar de retailer voor corrigerende acties. Op langere termijn hebben we met retailers samengewerkt om niet alleen fysieke diefstal te detecteren, maar ook promotionele misbruik en compliance-problemen, die beiden een grote impact hebben op zowel de retailer als de tabaksmerken die deze promoties financieren en significante middelen besteden aan het handhaven van de naleving. Bijvoorbeeld, we konden observeren wat er gebeurt wanneer een klant’s eerste keuze niet op voorraad is; de helft van de winkelbezoekers koos een ander product uit dezelfde familie, maar bijna een kwart kocht niets. Dat is potentieel een groot verlies aan omzet dat kan worden aangepakt als het eerder wordt opgemerkt. Omdat ons VISION-platform altijd aan staat, is het een verlengstuk van de verkoopteams van tabaksmerken, die de huidige staat van elke winkel in het hele of een retailersvloot op elk moment kunnen zien en waarschuwen.

Wat zijn de grootste uitdagingen die u hebt ondervonden bij het implementeren van AI-oplossingen in fysieke retail, en hoe hebt u deze overwonnen?

Werken in retailomgevingen heeft een aantal uitdagingen met zich meegebracht. Niet alleen moesten we systemen ontwikkelen die robuust waren tegen problemen die gewoonlijk in de fysieke wereld voorkomen (zoals cameradrift, winkelwijzigingen en hardwarefouten), maar we ontwikkelden ook processen die compatibel waren met retailoperaties. Bijvoorbeeld, met de recente Olympische Zomerspelen, veranderden veel CPG’s hun verpakking om de Olympische Spelen van Parijs 2024 te promoten. Omdat we SKUs visueel identificeren op basis van hun verpakking, moesten we systemen ontwikkelen die in staat waren om deze veranderingen in verpakking te signaleren en te verwerken.

Vanaf het begin heeft Standard technische implementaties gekozen die zouden werken met de bestaande processen van retailers, in plaats van bestaande processen te veranderen om aan onze vereisten te voldoen. Winkels die ons VISION-platform gebruiken, functioneren net als voorheen zonder enige wijzigingen in fysieke merchandising of dure en complexe fysieke retrofits (zoals het introduceren van planksensoren).

Hoe ziet u de rol van AI evolueren in de retailsector in de komende tien jaar?

Ik denk dat we pas het oppervlak krabben van de digitale transformatie die AI zal aandrijven binnen retailers in de komende jaren. Terwijl AI vandaag de dag grotendeels synoniem is met grote taalmodellen en retailers nadenken over hun AI-strategie, geloven we dat AI in de nabije toekomst een fundamentele technologie zal zijn die retailers in staat zal stellen om hun operationele efficiëntie te verbeteren en hun marge te verbeteren zonder dat ze kosten door moeten berekenen aan consumenten. Systemen zoals Standard’s VISION-platform ontgrendelen ongekende inzichten voor retailers en stellen hen in staat om de rijke informatie in de video die ze al vastleggen te benutten. De soorten operationele verbeteringen die we kunnen leveren, zullen de ruggengraat vormen van retailers’ strategieën voor het verbeteren van hun operationele efficiëntie en het verbeteren van hun marge zonder dat ze kosten door moeten berekenen aan consumenten. Thank you for the great interview, readers who wish to learn more should visit Standard AI.