論文の概要: People counting system for retail analytics using edge AI
- arxiv url: http://arxiv.org/abs/2205.13020v1
- Date: Wed, 25 May 2022 19:13:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-27 13:13:36.611400
- Title: People counting system for retail analytics using edge AI
- Title（参考訳）: エッジAIを用いた小売分析のための人物カウントシステム
- Authors: Karthik Reddy Kanjula, Vishnu Vardhan Reddy, Jnanesh K P, Jeffy S
Abraham and Tanuja K
- Abstract要約: 当社のプロジェクトは、EdgeでAIを使った費用対効果の高い人物カウントシステムを構築することを目的としています。
システムによってカウントされた人々の総数と1日当たりのトランザクション数を用いて、コンバージョン率を算出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Developments in IoT applications are playing an important role in our
day-to-day life, starting from business predictions to self driving cars. One
of the area, most influenced by the field of AI and IoT is retail analytics. In
Retail Analytics, Conversion Rates - a metric which is most often used by
retail stores to measure how many people have visited the store and how many
purchases has happened. This retail conversion rate assess the marketing
operations, increasing stock, store outlet and running promotions ..etc. Our
project intends to build a cost-effective people counting system with AI at
Edge, where it calculates Conversion rates using total number of people counted
by the system and number of transactions for the day, which helps in providing
analytical insights for retail store optimization with a very minimum hardware
requirements.
- Abstract（参考訳）: IoTアプリケーションの開発は、ビジネス予測から自動運転車に至るまで、日々の生活において重要な役割を担っています。
AIとIoTの分野で最も影響を受けている分野のひとつは小売分析だ。
リテール分析(Retail Analytics)では、コンバージョンレート(Conversion Rates) - 小売店が店舗を訪れた人数と購入数を測定するために最もよく使う指標。
この小売コンバージョンレートは、マーケティング活動、在庫増、店舗出店、販売促進を評価する。
通称etc。
我々のプロジェクトは、EdgeでAIを使った費用対効果の高い人計数システムを構築することを目的としており、システムによってカウントされた人の総数と1日当たりの取引数を用いて変換率を計算することで、最小限のハードウェア要件で小売店最適化の分析的な洞察を提供するのに役立つ。
関連論文リスト
- IntentionQA: A Benchmark for Evaluating Purchase Intention Comprehension Abilities of Language Models in E-commerce [71.37481473399559]
本稿では,eコマースにおけるLMの購入意図の理解を評価するためのベンチマークであるIntentionQAを提案する。
インテンションQAは、自動化パイプラインを使用して構築された3つの困難レベルにわたる4,360の慎重に計算された問題で構成されている。
人間の評価は、我々のベンチマークの高品質で低い偽陰性率を示す。
論文 参考訳（メタデータ） (2024-06-14T16:51:21Z) - Unlocking the `Why' of Buying: Introducing a New Dataset and Benchmark for Purchase Reason and Post-Purchase Experience [24.949929747493204]
本稿では,現代のAIモデルのための新しいタスクとして,購入理由予測を提案する。
まず,ユーザが商品の購入決定を行う理由を実世界から説明するためのデータセットを作成する。
当社のアプローチは,ユーザレビューにおいて,製品購入の背景にある理由と購入後の体験を明確に区別するためにLCMを誘導する。
論文 参考訳（メタデータ） (2024-02-20T23:04:06Z) - Salespeople vs SalesBot: Exploring the Role of Educational Value in
Conversational Recommender Systems [78.84530426424838]
既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。
このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。
私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
論文 参考訳（メタデータ） (2023-10-26T19:44:06Z) - Buy when? Survival machine learning model comparison for purchase timing [0.0]
本稿では,サポートベクトルマシン,遺伝的アルゴリズム,ディープラーニング,K平均といったマーケティング機械学習技術について検討する。
ジェンダー、インカム、ロケーション、購入履歴、オンラインディスカウント、興味、プロモーション、顧客体験はすべて、購入時間に影響を与える。
調査によると、DeepSurvモデルは購入完了が最良であると予測している。
論文 参考訳（メタデータ） (2023-08-28T06:40:02Z) - Movement Analytics: Current Status, Application to Manufacturing, and
Future Prospects from an AI Perspective [1.2908803492980705]
IoTベースのその他のオブジェクトトラッキングは、空間と時間のオブジェクト/エンティティの移動データを収集する新たなツールである。
ムーブメントデータは、プロセスのボトルネック、リソース利用、効果的な作業時間など、貴重な洞察を提供することができます。
論文 参考訳（メタデータ） (2022-10-04T03:27:17Z) - ItemSage: Learning Product Embeddings for Shopping Recommendations at
Pinterest [60.841761065439414]
Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。
このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
論文 参考訳（メタデータ） (2022-05-24T02:28:58Z) - Characterization of Frequent Online Shoppers using Statistical Learning
with Sparsity [54.26540039514418]
本研究は,小売分析と統計学習のアイデアを疎結合に組み合わせ,買い物客のオンラインギフトストアへの買い物嗜好を学習する方法を報告する。
論文 参考訳（メタデータ） (2021-11-11T05:36:39Z) - OSOUM Framework for Trading Data Research [79.0383470835073]
私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。
我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。
データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
論文 参考訳（メタデータ） (2021-02-18T09:20:26Z) - Categorizing Online Shopping Behavior from Cosmetics to Electronics: An
Analytical Framework [3.6726589459214445]
提案フレームワークは、自動購入予測と記述的な消費者インサイトを得るために、他の大規模なEコマースデータセットに拡張可能である。
提案システムは97～99%の分類精度を達成し,ユーザ・ジャーニーレベルの購買予測を行う。
論文 参考訳（メタデータ） (2020-10-06T06:16:44Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。