Crisp запускает Halo, чтобы внедрить ИИ для розничной торговли в облачную инфраструктуру предприятий

Компания Crisp запустила Halo — платформу искусственного интеллекта для розничной торговли, которую можно развернуть в собственной облачной среде предприятия. Это позволяет приблизить анализ продаж и цепочек поставок к данным и системам управления, которыми компании уже пользуются. Платформа, представленная 29 октября, предназначена для производителей товаров повседневного спроса (CPG), розничных продавцов, дистрибьюторов и брокеров.

Запуск призван решить знакомую для розничной торговли проблему: команды замечают изменение продаж или запасов, но всё равно тратят часы на сбор данных, необходимых, чтобы понять его причины. В объявлении о Halo Crisp описывает систему, которая объединяет данные о розничной торговле, отраслевую логику и инструменты на основе ИИ-агентов, помогая пользователям анализировать результаты и решать, что делать дальше.

Основа для ИИ — данные о розничной торговле

Архитектура Halo начинается с информации, поступающей от розничных продавцов и дистрибьюторов. В обзоре платформы Crisp разделяет эту основу на интеграцию, управление и моделирование данных, поверх которых работают инструменты на основе ИИ-агентов и приложения для разных ролей.

Такая структура важна, поскольку торговые партнеры могут по-разному представлять товар, магазин или отчетный период. Вопрос о нехватке запасов становится полезнее, если в базовых системах согласовано, о каком товаре, месте и периоде идет речь.

Crisp описывает свой подход как вертикальный ИИ: перед анализом данные очищают и обогащают семантикой, специфичной для розничной торговли. В справочных материалах компании среди примеров такого бизнес-контекста названы календари розничных продавцов, иерархии товаров, уровень выполнения заказов и анализ отсутствия товаров в наличии. Crisp сообщает, что ее услугами пользуются более 7 000 клиентов, включая 90 из 100 крупнейших компаний CPG; эти показатели внедрения приведены самой компанией.

Работа в облачной среде клиента

Halo доступна как размещаемая платформа или в средах клиентов на Databricks, Snowflake и Google Cloud. Второй вариант позволяет предприятиям не переносить аналитику розничной торговли в другое приложение, размещенное у внешнего провайдера.

Документация Crisp по архитектуре Databricks приводит конкретный пример. Данные о розничной торговле размещаются в таблицах Delta под управлением Unity Catalog; приложения и агенты работают в Databricks Apps, а база данных Lakebase хранит состояние приложений, диалоги и память агента. Запросы к моделям проходят через Model Serving и AI Gateway, а для семантических запросов используется выбранное хранилище SQL.

По словам Crisp, собственные данные остаются в среде клиента, тогда как непатентованные операционные журналы и телеметрия передаются в центральные системы компании. Это более точное описание, чем утверждение об отсутствии внешнего обмена данными при таком развертывании. Crisp также относит интеграцию с MLflow и публикацию своих семантических моделей в виде Unity Catalog Metric Views к пунктам дорожной карты.

Для ИТ-команд важна практическая сторона: управление доступом, выбор способов выполнения инференса и учет использования могут быть согласованы с уже действующей инфраструктурой. Однако само по себе место развертывания не гарантирует точность ответа или уместность автоматизированного действия.

От вопросов о портфеле — к решениям для конкретных розничных сетей

В рамках запуска представлены Central Desk и Customer Desk. Central Desk дает командам штаб-квартиры обзор всего портфеля розничных сетей и поддерживает работу над стратегией продаж, управлением категориями и планированием цепочек поставок. Customer Desk предназначен для команд по работе с клиентами, которым нужны показатели, терминология и принципы работы конкретного розничного продавца.

Представим, что бренд выясняет причины снижения продаж определенного товара. Важно понять, связано ли изменение со спросом, наличием товара, дистрибуцией или другим операционным фактором. Анализ данных на уровне магазинов и отдельных товаров помогает командам сузить круг возможных причин, а не рассматривать снижение показателей по всему портфелю как одну общую проблему.

В этом и заключается практическое различие между разговорным интерфейсом и приложением для розничной торговли: последнее должно понимать бизнес-сущности и связи между ними, лежащие в основе вопроса. Платформа Halo в целом также объединяет возможности по таким направлениям, как пополнение запасов, планирование категорий и взаимодействие с поставщиками.

Проверяемые ответы и воспроизводимые рабочие процессы

В материалах Crisp об ИИ-агентах описаны инструменты, использующие ежедневные данные о магазинах и товарах для поддержки анализа и принятия мер. Среди основных способов их применения в Halo компания называет вопросы на естественном языке, регулярные отчеты, автоматизацию рабочих процессов и пользовательские приложения.

В материалах о запуске особое внимание уделяется возможности отследить, на каких исходных данных и логике основаны рекомендации. Такая прозрачность происхождения данных облегчает проверку ответа: аналитик может изучить записи и ход рассуждений, лежащие в основе рекомендации, вместо того чтобы принимать гладко сформулированное объяснение на веру.

Предприятиям, оценивающим платформу, важно перейти от объяснений к исполнению: какие действия разрешены, какие требуют проверки и как после внедрения оцениваются изменения. В опубликованных материалах описаны возможности и архитектура развертывания, а не результаты независимой оценки точности прогнозов или финансовой отдачи.

Главное преимущество Halo — связь между этими уровнями. Контекст розничной торговли дает ИИ-системе больше полезной информации, развертывание в облачной среде заказчика может соответствовать существующим требованиям управления, а рабочие процессы, адаптированные под конкретные роли, предоставляют результаты анализа тем, кто отвечает за запасы и коммерческие решения.