Hungryroot обеспечивает продуктовый опыт на базе искусственного интеллекта

Источник · Перевод автора

Есть Netflix для фильмов. Stitch Fix для одежды. Hungryroot, служба доставки на базе искусственного интеллекта, надеется занять аналогичную нишу для онлайн-магазинов в Соединенных Штатах.

Система рекомендаций использует совместную фильтрацию и модель обучения с учителем, чтобы соответствовать предпочтениям потребителей в отношении пищевых продуктов. Клиенты отвечают на вопросы об их диетических привычках, типах продуктов, которые они (и члены семьи) любят, размере семьи, бюджете и многом другом. Алгоритм Hungryroot еженедельно прогнозирует продукты, которые могут понравиться покупателю. Как только заказчик утвердит список, коробка отправляется из одного из трех мест Hungryroot. Клиенты также получают набор рецептов, также предсказанных алгоритмом, с использованием ингредиентов недели.

Нил Сондерс (Neil Saunders), управляющий директор розничного подразделения GlobalData, видел, как продуктовые ритейлеры всех мастей используют ИИ как способ более точного прогнозирования спроса. «В связи с пандемией и увеличением числа людей, покупающих продукты в Интернете, прогнозирование спроса становится все более трудным для розничных торговцев, и ИИ может помочь им разобраться в данных и принять более точные решения о том, что хранить на складе», – говорит Сондерс.

Бакалея на базе искусственного интеллекта

Hungryroot работает по модели совместной фильтрации, очень похожей на Netflix, со временем извлекая уроки из предпочтений клиентов и объединяя их предпочтения с предпочтениями других. Но рекомендации по продуктам на основе искусственного интеллекта – непростая задача, говорит технический директор Дэйв Конг (Dave Kong). Во-первых, Netflix может рекомендовать фильмы из почти бесконечной очереди. Нет никаких дополнительных ограничений. С другой стороны, еда – это не предмет потребления, как фильмы. Пища скоропортящаяся. Ваш выбор зависит от инвентаря и от того, сколько вы можете поместиться в коробке.

Хотя потребители, которым нравятся фильмы ужасов, могут какое-то время питаться фильмами этого жанра, то же самое не относится к еде. Кормите потребителей макаронами три недели подряд, и они могут пожаловаться. «Первый шаг – лучше проанализировать проблему для каждого клиента. Например, что означает разнообразие для каждого покупателя? Это разные продукты (например, типы макарон, такие как спагетти или пенне), или разные типы блюд (например, макароны, салат, жаркое и т. д.)», – говорит Конг.

Hungryroot также пытается понять, что повторение означает для клиента. «Ищут ли они рецепты и продукты, похожие на их последний заказ, даже если это было две недели назад, или для них важна пропущенная неделя? Затем мы можем сосредоточиться на правильных подходах к ИИ в зависимости от того, что мы узнаем», – говорит он. «Понимание повторения и разнообразия – ключ к успеху в модели питания, который больше нигде не играет».

Другая проблема заключается в том, что количество клиентов, которым могут понравиться одни и те же рецепты с использованием тех же ингредиентов, не так велико, как любители кино, которым нравится какой-либо жанр. Потребительские пищевые предпочтения необходимо переваривать на гораздо более гранулированном уровне: соленость, различные типы белка, текстура и т. д.

Машина факторизации Hungryroot обрабатывает 60 различных параметров (это число продолжает расти) в свою модель. Источники данных не ограничиваются только тем, что говорят или делают клиенты – Hungryroot также полагается на дополнительные источники, такие как данные о питании.

Приятный гарнир: меньше отходов

Алгоритм Hungryroot оптимизирует рекомендации не только для отдельного пользователя, но и для всех своих клиентов. По словам Конга, небольшая настройка того, что находится в упаковке – если покупателю нравится один вид белой рыбы, ему может понравиться такая же, имеющаяся в большом количестве в Hungryroot, – может помочь оптимизировать распределение еды по всем коробкам и сократить количество отходов.

Кроме того, сам алгоритм предложений продуктового магазина на базе ИИ умный и помогает Hungryroot предсказать, сколько каждого вида еды нужно купить. Поскольку предпочтения клиентов известны, становится проще прогнозировать спрос и управлять запасами.

«Основное преимущество брендов заключается в том, что они становятся лучше в предоставлении клиентам того, что они хотят, и имеют достаточно запасов для удовлетворения спроса. При регулярной доставке продуктов одна из самых неприятных вещей – это плохие замены или нежелательные продукты. Если ИИ поможет брендам понять, чего хотят клиенты, у них будет больше шансов завоевать лояльность и повторить бизнес», – говорит Сондерс.

Hungryroot также заботится о покупках в кладовой: хотя для каждого рецепта может потребоваться соль, покупателям не нужно покупать соль каждую неделю.

Растущий аппетит к ИИ-доставке продуктов

Клиенты хорошо отреагировали на Hungryroot: количество активных клиентов стартапа выросло на 133% в годовом исчислении. В июне 2021 года Hungryroot собрал 40 миллионов долларов в рамках раунда финансирования серии C.

Алгоритм имеет высокую вероятность успеха. Потребители покупают 72% продуктов, доставляемых на основе искусственного интеллекта. Конг ожидает включения большего количества неконтролируемого обучения в дополнение к контролируемой модели обучения. «Мы считаем, что модель нейронной сети, которая отлично учитывает временную информацию и выделяется при распознавании образов, является ключом к созданию успешной и эффективной продуктовой службы на базе ИИ», – говорит Конг. «Если мы сможем достичь нужного уровня предсказуемости и разнообразия для каждого покупателя, то мы решим сложнейшую проблему, связанную с покупками продуктов с помощью ИИ».

hungryroot.com