블로그

Dec 18, 2023

Everseen은 잠재적인 소매 도난을 발견하기 위해 AI 기술을 위해 7천만 달러 이상을 모금했습니다.

2007년에 이전에 대규모 SAP 설치 작업을 담당했던 Alan O'Herlihy는

2007년에 대규모 SAP 설치 및 소매업체에서 일했던 Alan O'Herlihy는 소매업체가 "수축"을 최소화하거나 매장에 기록된 재고보다 재고가 적은 품목이 있는 경우를 최소화할 수 있는 방법을 찾기 시작했습니다. 그는 이 문제에 대한 해결책으로 컴퓨터 비전을 선택했고, 그 기술을 상용화하기 위해 Everseen이라는 회사를 설립했습니다.

셀프 계산대에서 도난을 방지하기 위해 컴퓨터 비전을 사용하는 Everseen은 오늘 이전 투자자인 Crosspoint Capital Partners가 주도한 시리즈 A 라운드에서 6,500만 유로(약 7,132만 달러)를 모금했다고 발표했습니다. 시작. 새로운 자금으로 아일랜드에 본사를 둔 Everseen의 총액은 거의 9천만 달러에 이르렀으며 O'Herlihy는 이 자금이 "목표가 지정된" 로드맵을 통해 스타트업의 비즈니스를 확장하는 데 투입되고 있다고 말했습니다.

O'Herlihy는 "우리는 고객 지출 감소와 축소를 포함한 운영 손실 증가의 이중 영향과 씨름하는 소매업체로부터 우리 기술에 대한 상당한 수요를 경험하고 있습니다"라고 말했습니다. "소매 업계도 노동력 부족, 인건비 인플레이션 등의 과제에 직면해 있어 이러한 문제를 해결하는 데 있어 우리 기술의 가치가 더욱 높아졌습니다."

특히 수축은 소매업체의 수익에 심각한 타격을 줄 수 있다고 O'Herlihy는 지적합니다. 전국소매연맹(National Retail Federation)에 따르면 2017년 매장 매출 감소로 인해 매장 매출이 약 1.33% 감소해 총 470억 달러에 달했습니다.

Everseen은 이론적으로 오프라인 매장에서 도난을 줄이기 위해 천장 장착형 카메라와 컴퓨터 비전 소프트웨어를 함께 사용합니다. O'Herlihy에 따르면 Everseen의 알고리즘은 관심 있는 개체(예: SKU)를 감지 및 추적하여 상호 작용 방식을 분석하고 쇼핑객과 판매 직원이 수행하는 "관심 있는 행동"을 인식할 수 있습니다.

도난 외에도 Everseen은 선반에 있는 품목의 재고가 거의 없는 시기를 "알고" "직원이 문제를 해결하고 추세를 개선하며 차이를 줄이는 데 즉각적인 주의가 필요한 프로세스를 정확히 찾아낼 수 있습니다"라고 주장합니다. 매일 수억 개의 제품과 수천만 건의 고객 상호 작용에 대한 비디오를 처리하는 이 플랫폼은 주문 관리 시스템과 같은 소매업체의 기존 도구와 연결하여 통찰력과 거의 실시간 분석을 제공할 수 있습니다.

O'Herlihy는 "이러한 모든 요소는 입력 역할을 하여 고객이 스스로 수정하도록 '넛지'하거나 매장 직원에게 문제의 고객을 참여시키고 지원하도록 지시할 수 있는 입력 역할을 합니다."라고 O'Herlihy는 설명했습니다. "우리의 목표는 손실을 방지 및 복구하고, 소매업체가 개입할 수 있도록 하며, 훌륭한 고객 상호 작용을 촉진하고 유연한 프로세스를 생성하는 동시에 전반적인 고객 경험을 개선하고 수익에 긍정적인 영향을 미치는 것입니다."

Everseen이 이 임무에서 항상 성공한 것은 아닙니다. 한때 Everseen의 주요 고객이었던 Walmart의 직원은 2020년에 Wired에 시스템이 종종 악의 없는 행동을 절도로 잘못 식별하고 실제 절도 사례를 막지 못했다고 말했습니다.

이러한 주장에 대해 월마트는 에버신(Everseen) 시스템을 "상당히 개선"해 전체적으로 경고 수가 줄어들었다고 밝혔습니다. 하지만 두 회사의 관계는 곧 악화됐다. Everseen은 Walmart가 아일랜드 회사의 기술을 유용하여 Everseen과 유사한 자체 제품을 만들었다고 주장하면서 Walmart를 고소했습니다. (Everseen과 Walmart는 2021년 12월에 합의했습니다.)

Everseen의 이상 현상에 대한 기술 모니터링.이미지 크레딧:지금까지 본

백엔드에 액세스하지 않고 시스템의 정확성을 측정하는 것은 어렵습니다. 그러나 역사를 통해 우리는 컴퓨터 비전 기술, 특히 도둑질 방지 목적으로 설계된 기술이 편견과 기타 결함에 취약하다는 사실을 알게 되었습니다.

쇼핑객의 "의심스러운" 활동을 찾아내도록 훈련된 알고리즘을 생각해 보세요. 훈련에 사용된 데이터 세트가 불균형한 경우(예: 흑인 쇼핑객이 물건을 훔치는 영상이 압도적으로 포함되어 있는 경우) 다른 쇼핑객보다 과도하게 대표되는 쇼핑객을 더 자주 표시할 가능성이 높습니다.