Crisp uruchamia Halo, aby przenieść sztuczną inteligencję dla handlu detalicznego do środowisk chmurowych przedsiębiorstw

Crisp uruchomił Halo, platformę sztucznej inteligencji dla handlu detalicznego, która może działać w środowisku chmurowym należącym do przedsiębiorstwa, dzięki czemu analizy sprzedaży i łańcucha dostaw są bliżej danych oraz systemów zarządzania, z których firmy już korzystają. Platformę zapowiedziano 29 października. Jest przeznaczona dla producentów dóbr konsumpcyjnych pakowanych (CPG), sprzedawców detalicznych, dystrybutorów i brokerów.

Premiera odpowiada na powszechny problem w handlu detalicznym: zespoły mogą dostrzec zmianę w sprzedaży lub zapasach, a mimo to poświęcać wiele godzin na zebranie kontekstu potrzebnego do jej wyjaśnienia. W zapowiedzi Halo Crisp opisuje system łączący dane z handlu detalicznego, logikę dostosowaną do branży i narzędzia agentowe, które pomagają użytkownikom analizować wyniki i decydować o dalszych działaniach.

Podstawa danych z handlu detalicznego dla sztucznej inteligencji

Architektura Halo zaczyna się od informacji napływających od sprzedawców detalicznych i dystrybutorów. W przeglądzie platformy Crisp przedstawia tę podstawę jako trzy warstwy: integrację danych, zarządzanie nimi i ich modelowanie. Nad nimi znajdują się narzędzia agentowe oraz aplikacje dostosowane do poszczególnych ról.

Taka struktura ma znaczenie, ponieważ partnerzy handlowi mogą odmiennie opisywać produkt, sklep lub okres sprawozdawczy. Pytanie o niedobór zapasów staje się bardziej użyteczne, gdy systemy źródłowe są zgodne co do tego, jakiego produktu, lokalizacji i okresu dotyczy.

Crisp opisuje swoje podejście jako pionową sztuczną inteligencję: przed wykorzystaniem do analiz dane są oczyszczane i wzbogacane o semantykę właściwą dla handlu detalicznego. W materiałach informacyjnych firmy jako przykłady kontekstu biznesowego wymieniono kalendarze sprzedawców detalicznych, hierarchie produktów, wskaźniki realizacji zamówień oraz analizy braków towaru. Crisp podaje, że z jej usług korzysta ponad 7000 klientów, w tym 90 ze 100 największych firm CPG; są to dane o wdrożeniach raportowane przez firmę.

Działanie w chmurze klienta

Halo jest dostępne jako platforma hostowana lub może działać w środowiskach klientów opartych na Databricks, Snowflake i Google Cloud. To drugie rozwiązanie daje przedsiębiorstwom alternatywę dla przenoszenia analiz dotyczących handlu detalicznego do innej aplikacji hostowanej zewnętrznie.

Dokumentacja architektury Databricks przygotowana przez Crisp zawiera konkretny przykład. Dane dotyczące handlu detalicznego są w nim przechowywane w tabelach Delta zarządzanych za pośrednictwem Unity Catalog, aplikacje i agenci działają w Databricks Apps, a baza danych Lakebase przechowuje stan aplikacji, rozmowy i pamięć agentów. Wywołania modeli są obsługiwane przez Model Serving i AI Gateway, natomiast zapytania semantyczne korzystają z wybranej hurtowni SQL.

Według Crisp dane zastrzeżone pozostają w środowisku klienta, natomiast niezastrzeżone dzienniki operacyjne i dane telemetryczne są udostępniane centralnym systemom firmy. To rozróżnienie jest precyzyjniejsze niż stwierdzenie, że wdrożenie nie komunikuje się z żadnymi systemami zewnętrznymi. Crisp wymienia również integrację z MLflow oraz publikowanie swoich modeli semantycznych jako widoków Unity Catalog Metric Views wśród elementów planowanych na przyszłość.

Dla zespołów IT znaczenie tego rozwiązania jest przede wszystkim operacyjne: kontrola dostępu, wybór sposobu wnioskowania i monitorowanie wykorzystania mogą być dostosowane do już istniejącej infrastruktury. Sama lokalizacja wdrożenia nie przesądza jednak o poprawności odpowiedzi ani o tym, czy zautomatyzowane działanie jest odpowiednie.

Od pytań o całe portfolio do decyzji dotyczących poszczególnych sprzedawców

Wraz z premierą wprowadzono Central Desk i Customer Desk. Central Desk zapewnia zespołom centrali wgląd w całe portfolio detaliczne, wspierając działania obejmujące strategię sprzedaży, zarządzanie kategoriami i planowanie łańcucha dostaw. Customer Desk jest przeznaczony dla zespołów obsługujących klientów, które potrzebują wskaźników, terminologii i logiki operacyjnej właściwych dla konkretnego sprzedawcy detalicznego.

Wyobraźmy sobie markę analizującą spadek sprzedaży konkretnego produktu. Kluczowe pytanie brzmi, czy zmiana wynika z popytu, dostępności, dystrybucji czy innego czynnika operacyjnego. Powiązanie analiz z danymi dotyczącymi poszczególnych sklepów i produktów może pomóc zespołom zawęzić zakres badania zamiast traktować spadek w całym portfolio jako jeden problem.

Na tym polega praktyczna różnica między interfejsem konwersacyjnym a aplikacją dla handlu detalicznego: ta druga musi rozumieć obiekty biznesowe i relacje między nimi, których dotyczy pytanie. Szersza platforma Halo porządkuje również funkcje według obszarów, takich jak uzupełnianie zapasów, planowanie kategorii i współpraca z dostawcami.

Odpowiedzi możliwe do prześledzenia i powtarzalne procesy

W materiałach dotyczących agentów sztucznej inteligencji Crisp opisuje narzędzia wykorzystujące codzienne dane o sklepach i produktach do wspierania analiz i działań. W ramach Halo firma wymienia pytania zadawane w rozmowie, cykliczne raporty, automatyzację procesów oraz niestandardowe aplikacje jako główne sposoby korzystania z tych narzędzi.

Materiały dotyczące premiery podkreślają możliwość prześledzenia, na jakich danych źródłowych i logice opierają się rekomendacje. Taka identyfikowalność źródeł może ułatwić weryfikację odpowiedzi: analityk może sprawdzić dane i uzasadnienie stojące za rekomendacją, zamiast bezkrytycznie przyjmować płynnie sformułowane wyjaśnienie.

Przedsiębiorstwa oceniające platformę powinny wyjść poza samo wyjaśnienie i zadać pytania dotyczące realizacji działań: które z nich są dozwolone, które wymagają weryfikacji i jak mierzy się skutki po ich wdrożeniu. Opublikowane materiały opisują funkcje i architekturę wdrożenia, a nie wyniki niezależnego testu dokładności prognoz ani zwrotów finansowych.

Największą wartością Halo jest połączenie tych warstw. Kontekst handlowy dostarcza systemowi AI bardziej przydatnych informacji, wdrożenie w chmurze klienta może być zgodne z istniejącymi zasadami nadzoru, a przepływy pracy dostosowane do poszczególnych ról udostępniają wyniki analiz osobom odpowiedzialnym za zapasy i decyzje handlowe.