Машинный интеллект против очередей в QSR

Машинный интеллект против очередей в QSR

Время приготовления в мобильном приложении

Чтобы предзаказ не превращался в еще один источник очередей, а клиенты не собирались в зоне выдачи, стоит прямо показывать, когда заказ будет готов. Если клиент заказывает еду на ближайшее время — он хочет знать, когда ее можно будет забрать.Можно, конечно, показывать максимальное допустимое по корпоративным стандартам время, но не отпугнет ли это людей, спешащих по своим делам и не готовых долго ждать? Заказ с максимальным временем ожидания в 15 минут вполне может быть готов уже через 5.

С точки зрения искусственного интеллекта, предсказание времени готовки — простейшая задача регрессии.

Какие алгоритмы можно использовать?

Задача регрессии можно решать разными алгоритмами: от простейшей линейной регрессии до алгоритмов градиентного бустинга и нейронных сетей. Наши аналитики подберут оптимальный вариант с учетом точности, быстродействия, времени переобучения на новых данных в режиме online learning.

Какие данные нужны для обучения и работы модели?

Входными данными могут быть все факторы, явно влияющие на скорость приготовления заказов. Вот основные:

  1. Количество и состав заказов в текущей очереди
  2. Количество работников кухни и зала.
  3. Состав заказа пользователя.

Переменная, которую ИИ учится предсказывать — время приготовления заказа, который заказал или собирается заказать пользователь. Модель обучается на исторических данных о прошлых заказах и времени их исполнения. В режиме предсказания модель может с определенным интервалом (к примеру, ежеминутно) получать информацию из систем ресторана о количестве и составе заказов в очереди ресторана. О количестве работников из расписания, а о составе заказа — по мере заполнения корзины в приложении. Модель предсказывает в реальном времени, клиент сразу увидит, когда будет готов его заказ.

Загруженность касс

Никому не нравятся очереди. Само их наличие исключает главное преимущество QSR — скорость и удобство. Случается, что рестораны в некоторые часы оказываются перегруженными, а руководство даже не знает об этой ситуации. Помочь может автономная система, которая будет следить за загруженностью касс и помогать анализировать ситуацию. Кроме того, загруженность можно предсказывать и предпринимать нужные действия заранее, чтобы вашим клиентам не приходилось ждать.

Как здесь поможет машинное обучение?

Оценить длину очереди можно только взглянув на область перед стойкой заказа и посчитав количество посетителей. Это мы и сделаем!

Как это работает:

  1. В каждом ресторане есть видеокамера, направленную на область перед стойкой заказа.
  2. Раз в минуту, чтобы сильно не нагружать систему, получаем изображение с каждой из камер.
  3. Используем уже готовую предобученную на открытых данных модель сверточной нейронной сети с архитектурой Yolo для детектирования людей на изображении.
  4. Подсчитываем найденное количество людей и используем эвристические правила трансформации в «коэффициент пробок (к примеру, делим на количество работающих касс).

Surf AI Team, чемпионы России по искусственному интеллекту по версии RAIF 2017

Персонализация в food e-commerce: свой ресторан для каждого

Довольный клиент — этот тот, кто получает то, что ему нравится. Машинное обучение позволяет знать предпочтения каждого пользователя, предлагать ему персональные наборы, уникальные скидки и советовать блюда.

Персонализация ленты развлекательного медиа

Нам нравится фантазировать: как можно использовать AI для самых разных видов бизнеса. Сегодня рассмотрим, что можно сделать в мобильном приложении со смешными картинками. Начнем с персонализации контента, потом добавим еще пару идей.