为了解决这些问题，Tous Les Jours China 和 CUE 实施了一个综合性智能店铺解决方案。通过整合店内摄像头系统与边缘计算机视觉和云分析，该系统能够：
实时监控上架率，如果产品低于设定的存货阈值，则向管理层发送警报。
捕获不同店铺的客户人流量并进行建模，以预测高峰时段并确保相应的人员配置。
识别卫生和其他问题，如桌面不干净或员工未遵循适当的卫生规程，以便店长采取纠正措施。
观察并分析店内客户行为和购买习惯，以优化产品摆放并为定向销售和营销活动提供支持。
部署该系统后，Tous Les Jours China 的运营有了明显改善。总体销售额、转化率和消费者体验评分都有所上升。由于不再需要大量人工检查，劳力成本随之下滑。店内运营也得到改善：店铺人员配置不佳和工作场所不整洁的情况已成为过去，主要产品的上架率超过 90%。
成熟计算机视觉解决方案的价值
Tous Les Jours China 和 CUE 取得的成果令人印象深刻，但可能同样令人印象深刻的是，实施该系统使用的是店内现有的摄像头技术。结合 CUE 提供的易于部署的计算机视觉平台，这意味着该公司无需进行大笔基础设施资本投资，也不必完成大量 IT 开发工作，即可实现计算机视觉技术的优势。
对面包店和其他类型的传统企业而言，成熟计算机视觉解决方案的兴起改变了游戏规则。这些公司既没有庞大的 IT 部门，也没有大量软件开发人员可供支配。但是，借助现代化视觉平台和 CUE 等技术合作伙伴，它们并不需要 IT 部门或软件开发人员。
Ying 将这一切归功于 CUE 自身与英特尔建立的技术合作关系，这帮助使这类可即时部署的解决方案成为现实：“英特尔为推动采用 AI 做出了许多努力。我们在解决方案中采用了英特尔® Video AI Box、英特尔® Media SDK 和英特尔® OpenVINO™ 工具套件。借助这些强大、经过全面测试的技术，没有丰富技术资源的企业也可以利用 AI 功能 — 同时帮助为那些企业服务的解决方案提供商和系统集成商 (SI) 缩短上市时间。”
计算机视觉和品牌的未来
随着零售系统集成商向市场推出更多端到端、AI 驱动式解决方案，其他传统零售企业将会仿效 Tous Les Jours 等公司的成功经验：提高效率，降低成本，改进定向营销并增强客户体验。
不过，尽管 AI 驱动式解决方案会带来引人注目的运营效益，但它们的长期潜力反而更大。例如，Tous Les Jours 已计划利用智能解决方案来完成战略性项目，如选择新店址、店铺布局规划和新产品研发。
如 Ying 所说：“开启智能零售之旅时，大多数公司关注的是，技术可以为其日常运营带来哪些好处。但一旦这些公司看到 AI 的全部潜力，智能零售实际上将成为推动品牌走向未来的动力。”
Matt Tyler：多年来，技术领域有许多“垂直孤岛” 投入使用，而我们的客户希望将它们整合起来，希望实现数据共享，也希望解决方案更具价值、更具可操作性。Wachter 在运营技术方面面临的挑战在于，我们现在需要访问一些以前根本无法访问的数据中心和数据集，这样才能够提供连接和传感器流量，并将不同的系统连接在一起。
Tobias Enders：我认为，关于这些趋势和技术部署，非常关键的一点是强调，我们需要把最终用户放在第一位来考虑。当然，我们会使用 AI 或云来简化部署、提高部署速度并扩大部署规模，但归根到底，我们应该始终重点关注最终用户以及他们希望通过这些技术实现的目标。但是，我们确实认为 AI 仅仅是大型组织中一个巨大趋势的开端。
请给我们举几个真实世界的例子，来说明系统集成商和聚合商可以发挥什么样的重要作用。
Ben Kotvis：说到 AI，Insight 有个客户是一家舷外马达制造商。该公司遇到了部分压铸件存在缺陷的问题，并且在使用多个 AI 模型来检测这些缺陷。我们能够实施这个边缘 AI，因此我们可以拍摄压铸件的热图像并这些缺陷。然后，如果出现问题，我们可以通过视觉警报通知制造厂的操作人员。而且，它还与客户已经在使用的操作系统密切相关。我们能够在制造过程的早期确定问题所在，从而避免了大量额外的工作。
Matt Tyler：Wachter 正在与一家机器人公司合作开发一种包装解决方案。该解决方案用于配销中心，能够对所有库存商品进行拆垛、分拣、打包、发货以及重新码垛。规模巨大，并且大量使用了 AI 技术。该公司没有关注的，是其自有系统内自有机器人的运行状况与维护。因此，我们与该公司合作，在其机器人单元内实施视觉系统，以便密切关注当前情况，并在可能出现故障时让机器人停止服务。
Lisa McGarvey：TD SYNNEX 目前实际上正在与 Wachter 和 Matt 合作探讨一个对发电机进行监控的机会。我们需要系统集成商，需要有人帮助我们连接和监控多个品牌、多种型号的发电机，以及提供安装和实施服务。作为一家聚合商，我们负责确定并整合这些多供应商解决方案。
Lisa McGarvey：我绝对要点名英特尔。英特尔对其解决方案聚合商计划——英特尔® 物联网行业整体解决方案，其带给我们的生态系统合作伙伴，以及我们所利用的行业专长进行了重大投资。TD SYNNEX 与英特尔建立了良好的合作伙伴关系，这对我们大有帮助，因为我们必须快速响应和适应疫情带来的各种加速实现业务转型的需求。我们之所以能够完成这方面的工作，正是得益于英特尔与解决方案聚合商的关系。
Ben，Insight 在选择合作伙伴时考虑的标准都有哪些？
Ben Kotvis：我们的薄弱领域，或者说，我们不具备客户所需特定专长的领域，是显而易见的。运营计算技术是一个非常复杂的领域，而我们与 Wachter 的合作伙伴关系具有宝贵价值，因为它接通了我们并不真正具备相应专长的领域。建立合作伙伴关系还非常有利于另一个领域，那就是由于物理原因，或是由于位于特定场所，而不在我们覆盖范围内的服务。
Matt，与可能被视为竞争对手的人合作有何价值？
Matt Tyler：令人惊奇的是，我们大约 40% 的业务是与合作伙伴一起完成的，其中既有直销也有渠道销售。通过我们与英特尔的合作伙伴关系，通过我们与 TD SYNNEX 的合作伙伴关系，我与 Insight 的相关人员建立了联系。由于我们彼此高度信任，因此我们可以与身为最终用户的客户充分接触，而不必担心任何人自私自利，也不必担心任何人试图抢走对方的业务。
未来我们可以期待哪些机会？
Ben Kotvis：Insight 投入大量时间和精力去做的一些事情将会变成现实。我刚才提到过零售业——我们对该领域的计算机视觉和智能边缘投入巨大。现在，我们看到这件事情在一定程度上变成了现实，这让我们非常兴奋。在这件事上，我们打算再接再厉并拓宽格局，还要引入其他行业。
Tobias Enders：GPA 已将 IT 领域认定为未来业务中一个非常重要的环节。我们想要降低复杂性，而物联网的复杂程度和碎片化程度仍然很高，因此我们从中看到了机会。我们觉得，在物联网领域，我们不仅可以从咨询的角度，还可以从系统集成的角度提供很多附加价值。
Matt Tyler：如果您经常关注新闻资讯，那么您一定注意到包括 ChatGPT 在内的 AI 的采用率出现了爆炸式增长，真是太不可思议了。我们将看到这种转变进入商业市场领域——真正无人管理的零售店，还有真正无人管理的工厂和物流中心。Wachter 认为这是下一步重大发展，最终能够为客户和消费者提供更好的购物体验，也为零售商提供更好的线上接单体验。
Lisa McGarvey：TD SYNNEX 采用包含四大支柱的投资策略来为聚合和协调提供支持。第一：投资于高增长技术领域。第二：加强我们的端到端产品组合、客户解决方案、供应商，以及我们的生态系统。第三：通过高级分析技术和数字平台进行数字化转型。最后：扩大我们在全球的覆盖范围。
她说：“这提供了难得的机会，便于我们了解 AI 在基于数据学习并创造知识这一领域的作用。归根结底，这在于增强孩子的能力，以便他们了解如何通过 AI 进行协作，并利用它来培养技能，释放创造力，解决重大问题。”她解释说，由于与利用黑板的传统授课方式相比，游戏化教学受到广泛欢迎，因此，学生们也从这种不同的学习方法中获得享受。
Borg 表示，这种调校式教学方法“允许各个年龄段的学生以自己的节奏进行学习，并便于提供一对一指导。它不会让任何人觉得格格不入；它不会让任何人感到落后于人，但即便有人的进度非常快，这也会变得更加困难。”
AI 提升了体验
AI Playground 由英特尔与南澳大学共同构建，并利用 meldCX 的视觉分析平台 Viana 来提供课程洞察。在火星漫游车示例中，该游戏使用基于 AI 的对象检测程序来识别乐高积木以及漫游车创建过程中的各个阶段。
在一开始，学校可以使用一个基本 Web 摄像头、一个显示屏、一个 Xbox 控制器、乐高积木和英特尔® NUC 迷你电脑 12 至尊套件，后者预集成到了 AI Playground 软件中。Borg 解释说，由于 NUC 迷你电脑占用的空间小于传统电脑，因此，该套件能够以较小的外形在课堂上支持 AI 推理。
André Aichert 博士：人工智能对整个医疗保健领域的影响不可低估。作为一家公司，Siemens Healthineers 自从第一张 X 光片诞生以来便扎根于行业；在那以后，我们一直在影像的细节和数量等方面不断改进。目前，人工智能的应用让临床医生有机会处理呈现在他们面前的海量影像和数据，并加以充分利用。今天开始使用 AI 解决方案的临床医生拥有最先进的技术，并将拥有它的所有优势。
对于应用了 UMG 的 Cancer Scout 项目，我们正在分析试图定义和检测癌症亚型的的许多不同的数据源 （不仅仅是影像）。Uhlig 博士的放射学子项目的问题是：我们能否根据放射学影像识别某些癌症亚型？如果我们能够识别，那么可能就不需要活检术了。总的来说，我们正在努力优化工作流程，防止进行不必要的侵入式手术，并对各种数据进行分析。
Johannes Uhlig 博士： 目前，在临床癌症成像方面有几个挑战。首先，由于人口老龄化，因此我们可以看到医疗保健方面的需求在增长。此外，放射成像在过去几十年中使用更加广泛，并且使用更频繁。特别是在癌症成像方面，我们面临着病例数量大幅增加的情况，我相信放射科医生不能以传统方式评估这些图像。
例如，对于德国的乳腺癌筛查，我们使用基于 X 射线的乳房 X 线照相术。2018 年的最新数据显示，有 280 万妇女接受了乳房 X 光摄影检查，其中 97% 的扫描结果为阴性。当前的设置是，每次乳房 X 光摄影检查都必须由两位经验丰富的放射科医生独立进行评估。但我们有文献表明，基于 AI 的乳房 X 光摄影检查评估方法至少在诊断准确性方面与放射科医生的方法相当。那么我们可以使用 AI 算法，而不需要放射科医生吗？从道德和经济的角度来看，是否必须这样做？
乳腺癌筛查其实只是冰山一角。对于癌症研究，我相信 AI 是过去十年的流行词汇。例如，我们的研究小组一直专注于从 CT 和 MRI 图像中提取更多信息，以指导疑似肾癌或前列腺癌患者的临床决策。在 Siemens Healthineers 的 Cancer Scout 项目中，我们使用 AI 算法和 syngo.via 软件将肺癌患者的放射 CT 成像与大量队列中的病理学分析关联起来。我们希望有一天，这些 AI 算法将推动放射成像在指导肺癌治疗中的作用。
软件如何推动您的研究，特别是与传统方法相比？
André Aichert 博士： 首先，我应该解释一下在临床环境中做研究时遇到的一些实际问题。首先，由于欧洲的 GDPR 或美国的 HIPAA 的原因，我们处理个人信息时必须非常小心。仅仅访问数据并达到拥有 AI 算法基础的程度，此流程就比您想象的要复杂得多。
然后，大多数成功的算法都受到监督，这意味着您需要与临床医生合作，以为您提供注释，并让您了解您实际在查看的内容，以便算法重现这些研究结果。因此，获取这些数据至关重要。但是，随着时间的推移，不同的供应商、部门或站点拥有不同的临床 IT 环境，有时系统之间无法通信。从这些系统中收集和协调数据实际上要付出大量的心血，并且有时可能会非常痛苦。
例如，您在 GitHub 上有自己喜欢的免费程序，而您只想针对部分数据运行此程序。您必须确保您能够或被允许使用该软件。然后，您必须确保您正在使用的这些数据是匿名的。您可以对其进行匿名化、将其导出，然后将其复制到运行该软件的其他电脑上。然后，您必须确保它 是真正匿名的。接着您就能够获得结果。但是，您必须回到原始系统，重新集成这些结果，也许来自其他 IT 系统的信息也需要这样做。这与我作为一名研究人员或实际 IT 用户所习惯的方式完全不同。
Johannes Uhlig 博士：syngo.via 软件深入嵌入到我们部门的临床工作流程中了。例如，我们将其用于所有心脏 CT 扫描、冠状血管识别，或作为创伤患者的即时影像检视器和重建软件。它在所有情况下表现都非常出色。我们还有四名研究人员在 Cancer Scout 项目上全职工作了几个月——我们有几千名患者，项目必须顺利进行——我们用该项目来进行数据累积、注释和监督。
Johannes Uhlig 博士： 我们构建的这些 AI 算法必须在临床环境中进行评估和训练，这一点至关重要。他们必须处理次优扫描；针对不同的患者，他们必须使用不同的扫描仪类型。但是，正如 André 所说，放射科医生和临床医生都接受了。显示 AI 结果的最佳方式是什么？如何可视化结果？Outlier 如何报告？但是鉴于相互信任，我相信 UMG 和 Siemens Healthineers 作为合作伙伴将找到应对这些挑战的方法。
André Aichert 博士： 模型的下一步之一肯定是查看其他站点，而可扩展性是这方面的关键。我们已经使用了一种名为 teamplay 的解决方案来收集 UMG 的数据，它也可以用于从以类似方式生成的其他站点收集数据。我们能够在不同地点集成或支持不同的 IT 基础设施，这些基础设施可能与 UMG 的基础设施大不相同。
您最后有什么想法？
André Aichert 博士：对于 AI 研究人员来说，医学领域是一个非常令人兴奋的领域。这种问题非常多样化，模式和图像也非常多样化。您还希望能够分享知识和数据，并推动支持此迭代过程的各种医学学科的协作，以便最终开发和部署应用程序。
Johannes Uhlig 博士： 对作为一名临床医生的我来说，我相信 AI 真的是未来。我想，考虑到案例数量，在未来10年内，如果没有 AI 算法的应用，我们是不可能工作的。我还必须强调， AI 研究确实是一个团队努力的结果。我们需要像 UMG 这样的学术机构和像 Siemens Healthineers 这样的制造商之间的这些合作来推进医疗保健，特别是考虑到癌症成像的风险。只有通过这种持续的相互反馈、调整和微调，我们才能创造出不仅准确而且能被医疗保健专业人员接受的 AI 工具。