Заказчики: PepsiCo Russia (Пепсико Холдингс) Москва; Пищевая промышленность Подрядчики: Inspector Cloud (Инспектор Клауд) Продукт: Искусственный интеллект (ИИ, Artificial intelligence, AI)Дата проекта: 2017/09
|
Технология: Data Mining
Технология: Data Quality - Качество данных
Технология: Робототехника
|
Старший ИТ-директор PepsiCo в России, Украине и странах СНГ Михаил Платонов на конференции TAdviser IT Retail Day, прошедшей 14 марта 2018 года, поделился опытом работы своей компании со стартапами. Он рассказал об организации и итогах акселерационной программы PepsiCo LAB для стартапов, развивающих свои проекты в сфере инновационных ИТ-решений для бизнеса (трек Tech LAB), а также продуктов питания и напитков (трек Food LAB).
В общей сложности по технологическому направлению акселератора 10 пилотных проектов были признаны успешными. Одно из решений от пилота перешло к широкому использованию. Речь идет о платформе для контроля торговых точек, основанной на технологии распознавания изображений с использованием нейронных сетей, уточнил Михаил Платонов.
В основе решения лежит продукт, разработанный российским стартапом Inspector Cloud - участником акселерационной программы PepsiCo LAB. Компания является резидентом «Сколково».
В этом проекте был внедрен функционал распознавания SKU (Stock Keeping Unit - единиц складского учета), пояснил Михаил Платонов TAdviser. Торговый представитель делает фото полок с товарами со своего планшета или смартфона, отправляет их в систему, где они распознаются, и быстро получает от нейросети ответ, насколько ситуация с товарами соответствует тому, какой она должна быть.
За счет этого сотрудник может сразу же на месте предпринять действия по улучшению ситуации, если это необходимо: например, положить на полку дополнительное количество товара или заказать его, объяснил Платонов.
По данным Платонова, число пользователей системы в компании составляет порядка 1,5 тыс. сотрудников. Главным образом, это торговые представители PepsiCo.
Преимуществами этого стартапа в PepsiCo называют то, что решение удалось очень быстро перевести от этапа тестирования на десятках и нескольких сотнях пользователей до гораздо большего числа, а также скорость обратной связи от нейронной сети.