Ultralytics YOLOモデルを活用し、Cali Intelligenceはリアルタイムのモニタリングとアラートによって、小売店のレジ待ち列を43%削減し、スタッフ配置の効率を向上させました。
混雑する小売店では、ピーク時にレジの列が急速に長くなることがあります。列が伸びると待ち時間が増え、スタッフに負担がかかり、買い物客が購入を完了する前にカートを置いて立ち去ることもあります。
ほとんどの店舗にはすでにCCTVシステムが設置されています。しかし、通常は監視にしか使われず、リアルタイムの業務状況を把握する情報は得られません。そのため、店舗チームは混雑を早期に検出したり、列が問題になる前に対応したりできません。
Cali Intelligenceは、AIを活用した小売業のモニタリングで、こうした業務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強化し、ライブ映像をリアルタイムの業務データに変換します。
たとえば、Ultralytics YOLOモデルを使うことで、システムはレジの通路を検出し、稼働中の列を識別して、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、待ち時間の長期化を防げます。
小売業務にリアルタイムの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で人工知能を広く利用できるようにし、コンピュータービジョンを通じて小売業者の業績と顧客体験を向上させることを目指して設立されました。
実店舗の小売業における主な課題は、売り場での活動状況を把握しにくいことです。予測しにくい行列やスタッフ配置の偏りにより、店舗チームは迅速な対応が困難になります。特にレジの列が急速に伸びるピーク時には、この問題が顕著です。
小売業のチームは、先を見越した管理ではなく、事後対応を迫られることがよくあります。Cali Intelligenceは、小売業者が店舗内の状況をリアルタイムでより適切に把握できるようにすることで、この課題に対処します。
過去4年間で、Cali Intelligenceは量販店、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などのフランス大手小売業者と連携し、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#
レジの長い行列は、買い物を途中でやめる主な原因の一つです。顧客の会計時の体験によって、購入が完了するか、断念されるかが決まることも少なくありません。
顧客が買い物かごに商品を入れ終えていても、長い行列は購入意欲を損なうことがあります。その結果、売上がすぐに失われます。
実際、その影響は一度の取引にとどまりません。遅延が繰り返されると顧客の不満が高まり、より迅速なサービスを提供する競合店に流れる可能性があります。長期的には、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、管理者が迅速に対応しきれないことがよくあります。
多くの場合、列がすでに混雑してからチームが対応し、状況が切迫して初めてレジを追加で開きます。このような事後対応型の方法では、円滑で一貫したサービスを実現するのではなく、スタッフが問題への対処に追われ続けます。
人員配置も複雑さを増す要因です。リアルタイムの行列データがなければ、いつ、どこで追加の支援が本当に必要なのかを判断するのは困難です。その結果、閑散時には人員過剰、ピーク時には人手不足となり、どちらの状況でも非効率が生じることがよくあります。
Ultralytics YOLOで小売店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は既存のカメラ設備を利用し、コンピュータービジョンによって checkout の監視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、列が設定した長さを超えると、店舗管理者に即時アラートを送信します。
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けたり、スタッフを配置し直したりできます。このソリューションの中核を担うのが、Ultralytics YOLOモデルです。
Ultralytics YOLOモデルは、動画フレーム内の顧客を特定する物体検出や、フレームをまたいで顧客を追跡する物体トラッキングなど、主要なコンピュータービジョンタスクをサポートしています。これらの機能により、システムはレジエリアを監視し、顧客数を数え、列の発生を検知できます。
図1. YOLOを使用して列に並ぶ人々を検出する例。画像提供：Ultralytics。
ライブ動画ストリーム内の人物を検出して追跡することで、このソリューションは待ち時間を推定し、発生しつつある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保ちながら、24時間体制で運用できます。
リアルタイム監視に加えて、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分前に列の増加を予測できるため、管理者は予想される来店客数に合わせて人員を配置できます。
Ultralytics YOLOモデルを選ぶ理由#
Ultralytics YOLOモデルにより、Cali Intelligenceは高価なクラウドインフラストラクチャを必要とせずに高いパフォーマンスを実現できます。モデルはさまざまなカメラアングルや照明条件にも適切に汎化するため、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、高度な物体トラッキングにも対応しています。システムは単に人数を数えるだけでなく、顧客が列に並んでいる時間も測定できます。これにより列の状況を把握しやすくなり、実環境でのアラート発報精度は90%を超えています。
さらに、YOLOを活用したシステムは、各ストリームあたり約3 FPSで、3～6台のカメラストリームを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します。
Ultralytics YOLOとCali Intelligenceが列の長さを43%削減#
Cali IntelligenceがUltralytics YOLOを活用したソリューションを8つの小売拠点に導入すると、その効果はすぐに現れ、数値でも確認できました。たとえば、ある拠点では平均列長が7人から4人に減少し、わずか2週間で43%の削減を達成しました。
顧客満足度とともに、業務効率も向上しました。閑散時間帯には、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をより適切に配置し、人件費の無駄を避けられ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、管理者は安心して迅速に行動し、売場で十分な情報に基づいた判断を下せるようになりました。
リアルタイム監視以外にもメリットは広がりました。予測に基づく人員配置の初期テストでは、平均絶対誤差（MAE）0.8を達成し、実際の人数との差が1人以内となる列の長さ予測を実現しました。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、店舗内の動画をリアルタイムの業務インテリジェンスに変換することで、待ち時間の短縮、人員配置の最適化、小売業務全体のパフォーマンス向上を実現しました。
スマートな小売業務を大規模に推進#
Cali Intelligenceは事業の成長に伴い、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、デプロイのワークフローを効率化し、パフォーマンス改善を効率的に実施しやすくします。
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、推論時間の短縮とオンサイトでのハードウェア使用率の向上を目指しています。また、Cali IntelligenceのチームはUltralytics YOLOのモデルバリアントをMediumからSmallへ切り替えることも評価しており、高い検出精度を維持しながら効率を高めようとしています。
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から、先を見越したデータドリブンなパフォーマンス管理へと移行させています。
業務にAIを導入しませんか？詳細は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。
