Crisp запускає Halo, щоб перенести роздрібний ШІ у хмарні середовища підприємств

Компанія Crisp запустила Halo — платформу зі штучним інтелектом для роздрібної торгівлі, яка може працювати у власному хмарному середовищі підприємства, наближаючи аналіз продажів і ланцюгів постачання до даних та систем управління, якими компанії вже користуються. Платформу представили 29 жовтня. Вона призначена для виробників споживчих товарів у фасованому пакуванні (CPG), роздрібних продавців, дистриб’юторів і брокерів.

Запуск відповідає на знайому проблему роздрібної торгівлі: команди можуть помітити зміну обсягів продажів або запасів, але все одно витрачати години на збирання контексту, потрібного для її пояснення. В оголошенні про Halo Crisp описує систему, що поєднує дані роздрібної торгівлі, галузеву логіку та інструменти на основі ШІ-агентів, допомагаючи користувачам досліджувати результати й вирішувати, що робити далі.

Основа даних роздрібної торгівлі для ШІ

Архітектура Halo починається з інформації, що надходить від роздрібних продавців і дистриб’юторів. В огляді платформи Crisp поділяє цю основу на інтеграцію даних, управління ними та моделювання, а над нею розміщує інструменти на основі ШІ-агентів і застосунки для окремих ролей.

Така структура важлива, адже торговельні партнери можуть по-різному представляти товар, магазин або звітний період. Запит про дефіцит запасів стає кориснішим, коли в базових системах узгоджено, якого саме товару, місця та періоду він стосується.

Crisp описує свій підхід як вертикальний ШІ: перед аналізом дані очищують і збагачують семантикою роздрібної торгівлі. У довідкових матеріалах компанії серед прикладів бізнес-контексту названо календарі роздрібних продавців, ієрархії товарів, рівні виконання замовлень і аналіз відсутності товарів у продажу. За словами Crisp, її послугами користуються понад 7 000 клієнтів, зокрема 90 зі 100 провідних компаній сектору CPG; це показники впровадження, наведені самою компанією.

Робота у хмарному середовищі клієнта

Halo доступна як розміщена на хостингу платформа або в середовищах клієнтів на Databricks, Snowflake і Google Cloud. Другий варіант дає підприємствам змогу не переносити аналітику роздрібної торгівлі до іншого застосунку, розміщеного зовнішнім постачальником.

Документація Crisp про архітектуру Databricks містить конкретний приклад. Дані роздрібної торгівлі зберігаються в таблицях Delta під управлінням Unity Catalog, застосунки й агенти розміщуються в Databricks Apps, а база даних Lakebase використовується для зберігання стану застосунків, розмов і пам’яті агентів. Виклики моделей обробляються через Model Serving і AI Gateway, а для семантичних запитів використовується вибране сховище SQL.

За даними Crisp, власні дані залишаються в середовищі клієнта, тоді як непатентовані операційні журнали й телеметрія передаються до центральних систем компанії. Це точніше описує ситуацію, ніж твердження, ніби розгортання взагалі не передбачає зовнішнього обміну даними. Crisp також зазначає, що інтеграція з MLflow і публікація семантичних моделей як Unity Catalog Metric Views належать до планів розвитку платформи.

Для ІТ-команд важливий операційний аспект: контроль доступу, вибір способу інференсу та відстеження використання можуть узгоджуватися з уже наявною інфраструктурою. Однак саме лише місце розгортання не підтверджує точності відповіді чи доречності автоматизованої дії.

Від запитань про весь асортимент до рішень для окремих роздрібних продавців

У межах запуску представлено Central Desk і Customer Desk. Central Desk дає командам центрального офісу змогу бачити весь портфель роздрібних клієнтів і працювати над стратегією продажів, управлінням категоріями та плануванням ланцюга постачання. Customer Desk призначений для команд із роботи з клієнтами, яким потрібні показники, термінологія та операційна логіка конкретного роздрібного продавця.

Уявімо, що бренд з’ясовує причини падіння продажів певного товару. Важливо визначити, чи пов’язана ця зміна зі змінами попиту, наявності товару, дистрибуції або з іншим операційним чинником. Зв’язок аналізу із записами на рівні магазинів і товарів допомагає командам звузити коло пошуку, а не розглядати спад усього портфеля як одну проблему.

Саме в цьому полягає практична відмінність між розмовним інтерфейсом і застосунком для роздрібної торгівлі: останній має розуміти бізнес-сутності та зв’язки між ними, що стоять за запитом. Ширша платформа Halo також об’єднує функції за напрямами, зокрема поповнення запасів, планування категорій і співпрацю з постачальниками.

Відповіді, які можна перевірити, і відтворювані робочі процеси

У матеріалах Crisp про ШІ-агентів описано інструменти, які використовують щоденну аналітичну інформацію про магазини й товари для підтримки аналізу та ухвалення рішень. Серед основних способів застосування цих інструментів у Halo компанія називає запити в розмовному форматі, регулярні звіти, автоматизацію робочих процесів і спеціалізовані застосунки.

У матеріалах про запуск наголошується на можливості простежити рекомендації до вихідних даних і логіки, за якою їх сформовано. Така простежуваність полегшує перевірку відповіді: аналітик може переглянути записи й аргументацію, що стоять за рекомендацією, замість того щоб беззастережно покладатися на переконливе пояснення.

Підприємствам, які оцінюють платформу, варто з’ясувати не лише підстави для рекомендацій, а й те, як відбувається їх виконання: які дії дозволені, які потребують перевірки та як вимірюють результати після впровадження. В опублікованих матеріалах описано можливості й архітектуру розгортання, а не результати незалежного тестування точності прогнозів чи фінансової віддачі.

Найвагоміша перевага Halo — у взаємозв’язку між цими рівнями. Контекст роздрібної торгівлі надає системі ШІ кориснішу інформацію для роботи, розгортання у хмарному середовищі клієнта може відповідати наявним вимогам до управління, а робочі процеси, адаптовані до конкретних ролей, надають результати аналізу тим, хто відповідає за запаси й комерційні рішення.