Этот проект принадлежит команде BBLV, которая заняла первое место в конкурсе Alibaba Global AI Innovation Challenge 2020.
Введение в проект
Глобальная пандемия действительно оказала существенное и разрушительное воздействие на индустрию продуктов питания и напитков (F&B). Например, в США последние данные Национальной ассоциации ресторанов за декабрь 2020 года показывают, что почти 110 000 ресторанов пришлось закрыть навсегда, что составляет примерно 20% от общего количества ресторанов в стране.
Аналогичное состояние также произошло в Индонезии. Бизнес столкнулся с давлением не только со стороны регулирующих органов, но и из-за изменения поведения клиентов. Рестораны могли работать только с ограниченной вместимостью и в течение более короткого разрешенного периода работы. Кроме того, фактор неопределенности из-за постоянных изменений в законодательстве, иногда без предварительного уведомления, привел к дополнительным проблемам для индустрии F&B. Клиенты также предпочитают заказывать еду на вынос и доставку, а не обедать дома, что ограничивает возможности магазинов по допродаже продуктов. Кроме того, замедление мировой экономики также привело к тому, что покупатели стали более осознанно относиться к затратам при покупке товаров.
Следовательно, рестораны испытывают значительное падение доходов. Чтобы поддерживать свою деятельность, рестораны должны адаптироваться, внедряя меры по снижению затрат. Увольнение или сокращение персонала за смену кажется одним из наиболее разумных вариантов. Однако это связано с компромиссом в отношении качества обслуживания, например, с более длительным временем обслуживания и менее внимательным сервером. С другой стороны, ожидания клиентов не допускают никаких компромиссов, даже требуют более высокого качества обслуживания, уделяя особое внимание чистоте и безопасности.
Мы внедряем ServeU, чтобы помочь рестораторам поддерживать качество обслуживания, снимая нагрузку с персонала. ServeU предоставляет онлайн-меню, доступное по QR-коду, с виртуальным официантом для ресторанов, которые отвечают на вопросы клиентов и принимают заказы. Кроме того, ServeU также предлагает клиентам персонализацию и снижает стоимость человеческой ошибки при стандартной работе.
Целевые проблемы
- Падение качества обслуживания из-за сокращения персонала
- Фактор человеческой ошибки в обычном процессе заказа Технически подкованный
Решение
Наше решение, ServeU, направлено на повышение производительности ММСП (микро-, малых и средних предприятий) в секторе продуктов питания и напитков за счет использования технологических разработок, особенно искусственного интеллекта. ServeU предоставляет доступное по QR-коду онлайн-меню с виртуальным официантом для ресторанов, которые отвечают на вопросы клиентов и принимают заказы. После того, как клиент входит в ресторан, находит место и сканирует QR-код на столе, он встречает нашего виртуального официанта с искусственным интеллектом, который обслуживает его, принимает заказ и уведомляет продавца.
Рис. 1. Путь клиента
Используемые облачные продукты Alibaba
В этом проекте мы используем различные облачные платформы Alibaba.
- Elastic Compute Service (ECS) был использован в качестве нашего экземпляра для размещения приложения. В этом случае мы установили все зависимости пакета и сделали статус приложения активным.
- ApsaraDB RDS для MySQL использовалась в качестве нашей базы данных для удовлетворения потребностей реляционной базы данных, например, для хранения учетных данных для входа в приложение.
- Служба хранения объектов (OSS) — это зашифрованная, безопасная, экономичная и простая в использовании служба хранения объектов, которая позволяет хранить, создавать резервные копии и архивировать большие объемы данных в облаке с гарантированной надежностью. Мы использовали это для хранения наших данных.
- Реестр контейнеров использовался для хранения нашего пользовательского образа, чтобы ускорить инициализацию приложения.
- Server Load Balancer использовался для маршрутизации приложения по его порту и повышения безопасности нашего приложения, потому что нам не нужно делать все сервисы общедоступными.
- Kubernetes Services — это следующий уровень контейнеризации, мы можем сделать приложение надежным, используя реплики, и улучшить производительность.
- Платформа машинного обучения для ИИ (PAI) использовалась для обучения наших моделей RASA NLU и сегментации клиентов. Мы также использовали PAI Studio для ежедневного прогнозирования по нашей модели. PAI предоставляет комплексные услуги машинного обучения, включая обработку данных, разработку функций, обучение моделей, прогнозирование моделей и оценку моделей. Платформа машинного обучения для ИИ объединяет все эти сервисы, чтобы сделать ИИ более доступным, чем когда-либо.
- DataWorks использовался для организации нашей модели машинного обучения от обучения модели до развертывания. Это продукт платформы больших данных, запущенный Alibaba Cloud, который обеспечивает комплексную разработку больших данных, управление разрешениями на доступ к данным, планирование заданий в автономном режиме и другие функции. Он также предлагает комплексные услуги, включая интеграцию данных, DataStudio, Data Map, Data Quality и DataService Studio.
Технологические особенности
В этом проекте мы разработали и использовали две модели машинного обучения. Во-первых, это модель понимания естественного языка (NLU), в которой используется структура RASA. Во-вторых, это модель сегментации клиентов с использованием алгоритма кластеризации K-Means.
Модель понимания естественного языка (NLU)
Мы используем RASA для нашей основной модели NLU. RASA — это платформа с открытым исходным кодом для автоматизации текстового и голосового ИИ-помощника. Эта структура использует машинное обучение, чтобы понять намерения пользователя и обсуждаемый объект. Он также использует машинное обучение, чтобы управлять тем, как помощник должен реагировать. RASA также очень гибок в использовании, поскольку мы можем создавать свои собственные истории с поддержкой различных интеграций, каналов и языков.
Мы используем продукт Alibaba Cloud PAI DSW для обучения модели NLU. Затем результаты модели сохраняются в OSS в качестве посредника перед развертыванием в ECS. После этого модель была развернута с помощью докера через ECS и обслуживалась через ServeU для наших клиентов.
Сегментация клиентов
В модели сегментации клиентов использовались сервисы Alibaba Cloud Big Data. Данные из приложений, которые хранятся в базе данных RDS, были загружены в MaxCompute с помощью Data Works. На основе этих данных мы используем PAI Studio для обучения модели и создания модели.
Затем мы создаем еще один конвейер, используя DataWorks, чтобы обслуживать модель также с помощью PAI Studio. После этого результаты снова были сохранены в базе данных, и мы используем сторонние инструменты BI, такие как Tableau, для визуализации результатов модели.
О команде
Наша команда состоит из 4 человек, все с техническим образованием. Как и в типичном формате хакатона, мы разделили наши роли на 3 типа: Hustler, Hacker и Hipster. Луи работает хакером, который в основном занимается структурой и реализацией ИИ. У Боя также есть роль хакера, но он в основном сосредоточен на части DevOps. Винсент работает не только как хастлер, который объединяет концепцию, но и как хипстер или дизайнер. В то время как Бима играет роль как хакера, так и хипстера, где как хакер, Бима в основном сосредотачивается на части MLOps.
