Ultralytics YOLOモデルを使用して、Cali Intelligenceは小売店舗のレジ待ち行列を43%短縮し、リアルタイムのモニタリングとアラートによって人員配置の効率を向上させました。
ピーク時間帯には、混雑した小売店舗でレジ待ちの列が急速に長くなることがあります。行列が長くなると待ち時間が増え、スタッフの負担が大きくなり、購入を完了する前に買い物客がカートを放棄する可能性があります。
ほとんどの店舗には、すでにCCTVシステムが導入されています。しかし、これらのカメラは通常、監視のみに使用され、リアルタイムの業務上のインサイトを提供しません。その結果、店舗チームは混雑を早期に検知したり、行列が問題になる前に対応したりできません。
Cali Intelligenceは、AIを活用した小売モニタリングによって、こうした業務上の課題に取り組んでいます。既存のCCTVインフラをコンピュータービジョン技術でアップグレードし、ライブ映像をリアルタイムの業務データに変換しています。
例えば、Ultralytics YOLOモデルを使用することで、同社のシステムはレジレーンを検出し、稼働中の行列を特定して、顧客の滞留状況を測定できます。これにより、店舗チームは迅速に対応し、長時間の待ち時間を防止できます。
小売業務にリアルタイムインテリジェンスを導入#
2020年に設立されたCali Intelligenceは、実店舗の小売業向けに特化したAIソリューションを開発しています。同社は、フランスの小売業界に人工知能を普及させ、コンピュータービジョンを通じて小売事業者の業績と顧客体験を向上させることを目標に設立されました。
実店舗の小売業における主要な課題の一つは、売り場の状況を十分に把握できないことです。予測できない行列や不均衡な人員配置により、店舗チームは迅速な対応が難しくなります。特に、レジ待ちの列が急速に伸びるピーク時間帯では、その傾向が顕著です。
小売チームは、先を見越した管理ではなく、事後対応の意思決定を迫られることがよくあります。Cali Intelligenceは、小売事業者が店舗内で何が起きているかをリアルタイムでより正確に把握できるようにすることで、このギャップに対応しています。
過去4年間で、Cali Intelligenceは量販、DIY、既製服など、複数の小売分野にソリューションを拡大してきました。現在、同社はIntermarchéやLeclercなどフランスの大手小売事業者と連携し、より効率的で迅速な店舗運営を支援しています。
実店舗の小売業務の複雑さ#
長いレジ待ち行列は、買い物の放棄につながる主な原因の一つです。顧客のレジ体験によって、販売が完了するか放棄されるかが決まることがよくあります。
顧客がすでに買い物かごに商品を入れていても、長い行列は購入意欲を損なう可能性があります。その結果、売上が即座に失われます。
実際には、その影響は一度の取引にとどまりません。度重なる遅延は顧客を frustrate させ、より迅速なサービスを提供する競合他社へ向かわせる可能性があります。時間の経過とともに、顧客ロイヤルティが低下し、再来店も減少します。
長い行列は、店舗チームにも大きな負担をかけます。業務面では、管理者が十分な速さで対応することに苦労するケースがよくあります。
多くの場合、チームは列がすでに混雑してから対応し、状況が緊急になって初めて追加のレジを開きます。この事後対応型のアプローチでは、スタッフは円滑で一貫したサービスを提供するのではなく、常に目の前の問題への対処に追われます。
人員配置は、さらに複雑さを増します。リアルタイムの行列データがなければ、追加のサポートがいつ、どこで本当に必要なのかを把握することは困難です。その結果、閑散時間帯には人員過剰、ピーク時間帯には人員不足となる店舗が多く、両方の状況で非効率が生じます。
Ultralytics YOLOで小売店舗のレジ業務を最適化#
店舗管理と顧客体験を向上させるため、Cali Intelligenceは既存のカメラインフラを通じたコンピュータービジョンによって、レジのモニタリングを自動化しています。同社のソリューションは標準的なビデオ管理システム（VMS）と直接連携し、行列のしきい値を超えた際に店舗管理者へ即座にアラートを通知します。
これにより、列が長くなりすぎる前に、チームは追加のレジを開いたり、スタッフを再配置したりできます。このソリューションの中心にあるのが、Ultralytics YOLOモデルです。
Ultralytics YOLOモデルは、動画フレーム内の顧客を識別する物体検出や、時間の経過に伴ってフレーム間で顧客を追跡する物体追跡など、主要なコンピュータービジョンタスクをサポートします。これらの機能により、システムはレジエリアをモニタリングし、顧客数を数え、発生しつつある行列を特定できます。
図1. 行列内の人物検出にYOLOを使用した例。画像の出典：Ultralytics。
ライブ映像ストリーム内の個人を検出・追跡することで、このソリューションは待ち時間を推定し、発生中のボトルネックを検知することもできます。特に、このシステムはエッジファーストのアーキテクチャを採用し、コンパクトなオンサイトサーバー上で動作します。これにより、顧客データのプライバシーを維持しながら、24時間365日の運用を実現します。
リアルタイムモニタリングに加えて、このソリューションは短期予測にも対応しています。最大15分前に行列の増加を予測できるため、管理者は予想される来店者数に合わせて人員レベルを調整できます。
なぜUltralytics YOLOモデルを選ぶのか#
Ultralytics YOLOモデルにより、Cali Intelligenceは高価なクラウドインフラを必要とせずに高いパフォーマンスを提供できます。モデルはさまざまなカメラアングルや照明条件に対して高い汎化性能を発揮するため、再トレーニングを最小限に抑えながら、複数店舗へ迅速に導入できます。
Ultralytics YOLOモデルは、高度な物体追跡にも対応しています。単なる人数カウントだけに頼るのではなく、システムは顧客が列に並んでいる時間を測定できます。これにより行列の可視性が向上し、実環境のアラートトリガーで90%を超える精度に貢献しています。
さらに、YOLOを利用したシステムは、1ストリームあたり約3 FPSで、3～6本のカメラストリームも処理できるよう最適化されています。これにより、検出精度を維持しながら計算負荷を大幅に削減し、効率的でスケーラブルな小売業務を支援できます。
Ultralytics YOLOとCali Intelligence、行列の長さを43%短縮#
Cali Intelligenceが8つの小売拠点にUltralytics YOLOを利用したソリューションを導入したところ、その効果は即座に現れ、測定可能なものでした。例えば、ある拠点では平均待ち行列が顧客7人から4人に減少し、わずか2週間で43%短縮されました。
顧客満足度の向上に伴い、業務効率も改善しました。オフピーク時間帯には、システムによって不要なレジの開設が最大10%削減され、店舗は実際の需要に合わせて人員レベルをより正確に調整し、無駄な人件費を回避できるようになりました。
一方、さまざまな店舗レイアウトや照明条件でも検出性能は安定し、見逃し率は6%未満に維持されました。高いアラート精度により、管理者は迅速に行動し、売り場で十分な情報に基づく意思決定を行えるようになりました。
メリットはリアルタイムモニタリングにとどまりません。予測型の人員最適化に関する初期テストでは、平均絶対誤差（MAE）0.8を達成し、実際の人数との差が1人以内となるよう行列の長さを予測できました。これにより、より先を見越した人員計画が可能になりました。
つまり、Cali IntelligenceはUltralytics YOLOを活用して、店舗内の映像をリアルタイムの業務インテリジェンスに変換し、待ち時間の短縮、人員配置の最適化、そして小売業務全体のパフォーマンス向上を実現しました。
大規模展開で、よりスマートな小売業務を推進#
Cali Intelligenceは成長を続ける中で、Ultralytics Pythonパッケージを使用してエッジでのパフォーマンスをさらに最適化する計画です。このパッケージは、モデルのトレーニング、エクスポート、デプロイのための効率化されたワークフローを提供し、パフォーマンス改善を効率的に実装しやすくします。
この基盤をもとに、Cali IntelligenceはTensorRTとONNXのエクスポート形式を検討し、オンサイトでの推論時間を短縮してハードウェア利用率を向上させています。Cali Intelligenceのチームは、Ultralytics YOLOモデルのバリアントをMediumからSmallへ移行することも評価しています。これにより、高い検出精度を維持しながら効率を向上させます。
総じて、Cali Intelligenceは小売業務の変革を推進し、店舗運営を事後対応型の管理から、先を見越したデータドリブンなパフォーマンスへと移行させています。
業務にAIを導入しませんか？詳しくは、当社のGitHubリポジトリをご覧ください。物流におけるAIと医療におけるコンピュータービジョンについてもご覧ください。導入を始めるには、ライセンスオプションをご確認ください。
