- ai智能客服 。（传统的ai客服系统，其他文章有详细介绍）
- ai数货宝。（零售行业ai）
ai数货宝功能简介
数据采集层（端侧） ：这是数据的源头。
拍照/视频流 ：主要由一线业务员通过手机App（如"数货宝"应用）完成，拍摄对象包括货架、端架、堆头等。
离线识别SDK ：一个非常关键的端侧能力。考虑到部分门店网络环境不佳，端侧集成了轻量级的AI推理引擎，支持基础的识别任务，确保在弱网甚至无网环境下也能正常工作，数据会待网络恢复后自动上传同步。
数据处理与智能识别层（云端/AI引擎） ：这是整个系统的"大脑"，也是最核心的技术壁垒所在。
图像预处理与全景拼接模块：当接收到多张分段拍摄的长货架照片时，该模块首先进行图像增强（如去噪、校正），然后利用特征点匹配等计算机视觉算法，自动将它们拼接成一张完整的、无死角的货架全景图。这为后续的全局分析奠定了基础。
核心AI识别引擎：
Retail-Net商品识别网络 ：这是公司自主研发的专用深度学习网络。它经过了海量数据（如10亿张货架图片、200万家门店）的训练，能够高效、准确地在复杂场景中定位和识别出每一个商品。
商品指纹特征库 ：这是引擎能够"认识"商品的依据。每个SKU的独特视觉特征（形状、颜色、纹理、Logo等）被提取并存储为数字化的"指纹"。当引擎识别出商品后，会与库中的"指纹"进行比对，完成最终的SKU确认。据称，这一技术的识别准确率可保持在95%-99%。
多场景适配器：为了提高识别精度和效率，引擎会针对不同场景调用专门的识别逻辑。例如，货架场景关注排面和缺货，冰柜场景则需应对反光和低温环境，这部分能力与"数智柜"产品有深度联动。
业务应用与数据服务层：这是将技术能力转化为业务价值的出口。
数据分析与指标计算引擎 ：在AI完成"识别出什么商品"的工作后，这个引擎负责进行"业务分析"。它会根据预设的规则，自动计算出分销点数量、缺货率、排面占比、价格是否异常、促销是否执行等一系列关键绩效指标。
可视化Dashboard ：最终，所有数据和分析结果会呈现在一个直观的看板上。总部管理者可以按区域、时间、门店等维度进行数据透视和下钻，甚至可以追溯到最初拍摄的原始图片，实现数据驱动的精细化管理。
API接口：为了方便企业将数据集成到自身已有的ERP、CRM等系统中，"数货宝"也提供了标准化的API接口，实现数据的无缝流转。
ai架构图
