Cali Intelligence, Ultralytics YOLO로 결제 대기열 43% 단축

피크 시간대에는 분주한 소매점에서 결제 대기 줄이 빠르게 길어질 수 있습니다. 대기열이 길어지면 대기 시간이 늘어나고 직원은 업무 과부하를 겪으며, 쇼핑객은 결제를 완료하기 전에 카트를 버리고 떠날 수 있습니다.

대부분의 매장에는 이미 CCTV 시스템이 설치되어 있습니다. 그러나 이러한 카메라는 일반적으로 감시 용도로만 사용되며 실시간 운영 통찰력을 제공하지 못합니다. 이는 곧 매장 팀이 혼잡을 조기에 감지하거나 대기열이 문제가 되기 전에 대응할 수 없음을 의미합니다.

Cali Intelligence는 AI 기반 소매 모니터링을 통해 이러한 운영 과제를 해결합니다. 기존 CCTV 인프라를 computer vision 기술로 업그레이드하여 라이브 영상 피드를 실시간 운영 데이터로 변환합니다.

예를 들어, Ultralytics YOLO 모델을 사용하여 시스템은 결제 차선을 감지하고, 활성 대기열을 식별하며, 고객 밀집도를 측정할 수 있습니다. 이는 매장 팀이 신속하게 대응하고 긴 대기 시간을 방지하는 데 도움을 줍니다.

Link to this section소매 운영에 실시간 지능형 기술 도입#

2020년에 설립된 Cali Intelligence는 물리적 소매점을 위해 특별히 설계된 AI 솔루션을 개발합니다. 이 회사는 프랑스 소매업계에 인공지능을 대중화하고 컴퓨터 비전을 통해 소매업체가 성능과 고객 경험을 개선하도록 돕는다는 목표로 설립되었습니다.

물리적 소매업의 주요 과제는 매장 활동에 대한 가시성이 제한적이라는 점입니다. 예측할 수 없는 대기열과 불균형한 인력 배치는 특히 결제 줄이 빠르게 길어지는 피크 시간대에 매장 팀이 신속하게 대응하기 어렵게 만듭니다.

소매 팀은 종종 선제적 관리보다는 사후 대응적인 의사 결정을 내려야 하는 상황에 처합니다. Cali Intelligence는 소매업체가 매장 내부 상황을 실시간으로 더 잘 이해하도록 함으로써 이러한 격차를 해소합니다.

지난 4년 동안 Cali Intelligence는 대량 유통, DIY, 기성복 등 여러 소매 부문으로 솔루션을 확장했습니다. 오늘날 이 회사는 Intermarché 및 Leclerc와 같은 프랑스의 주요 소매업체와 협력하여 더욱 효율적이고 대응력이 뛰어난 매장 운영을 지원하고 있습니다.

Link to this section물리적 소매점 운영의 복잡성#

긴 결제 대기열은 쇼핑 중단(shopping abandonment)의 주요 원인 중 하나입니다. 고객의 결제 경험은 종종 판매가 완료될지 아니면 중단될지를 결정짓습니다.

고객이 장바구니를 채웠더라도 긴 대기열은 구매 의도를 저하시킬 수 있습니다. 이는 곧 즉각적인 매출 손실로 이어집니다.

사실, 그 영향은 단일 거래를 넘어섭니다. 반복적인 지연은 고객을 좌절시키며 더 빠른 서비스를 제공하는 경쟁업체로 발길을 돌리게 할 수 있습니다. 시간이 지남에 따라 이는 충성도를 약화시키고 재방문을 줄입니다.

긴 대기열은 또한 매장 팀에게 상당한 압박을 줍니다. 운영 수준에서 관리자는 종종 충분히 신속하게 대응하는 데 어려움을 겪습니다.

많은 경우, 팀은 줄이 이미 혼잡해진 후에야 반응하며 상황이 긴급해진 뒤에야 추가 계산대를 엽니다. 이러한 사후 대응 방식은 매끄럽고 일관된 서비스를 가능하게 하기보다는 직원들이 끊임없이 문제를 수습하도록 만듭니다.

인력 배치는 복잡성을 더합니다. 실시간 대기열 데이터가 없으면 추가 지원이 언제 어디서 정말로 필요한지 알기 어렵습니다. 종종 매장은 한산한 시간에는 인력이 과잉되고 피크 시간대에는 인력이 부족해져 양쪽 모두에서 비효율성이 발생합니다.

Link to this sectionUltralytics YOLO로 소매점 결제 최적화#

매장 관리 및 고객 경험을 개선하기 위해 Cali Intelligence는 기존 카메라 인프라를 통한 컴퓨터 비전을 사용하여 결제 모니터링을 자동화합니다. 이들의 솔루션은 표준 영상 관리 시스템(VMS)과 직접 통합되어 매장 관리자가 대기열 임계치를 초과할 때 즉각적인 알림을 받을 수 있게 합니다.

이를 통해 팀은 줄이 너무 길어지기 전에 추가 계산대를 열거나 직원을 재배치할 수 있습니다. 이 솔루션의 핵심은 Ultralytics YOLO 모델입니다.

Ultralytics YOLO 모델은 영상 프레임에서 고객을 식별하는 객체 감지(object detection)와 프레임 전반에 걸쳐 해당 고객을 추적하는 객체 추적(object tracking)과 같은 주요 computer vision tasks를 지원합니다. 이러한 기능 덕분에 시스템은 결제 구역을 모니터링하고 고객 수를 집계하며 새롭게 형성되는 대기열을 식별할 수 있습니다.

그림 1. 대기열에 있는 사람을 감지하기 위해 YOLO가 사용되는 예시. 이미지 출처: Ultralytics.

라이브 영상 스트림에서 개인을 감지하고 추적함으로써 이 솔루션은 대기 시간을 추정하고 발생하는 병목 현상을 표시할 수 있습니다. 특히 이 시스템은 에지 우선(edge-first) 아키텍처를 사용하여 소형 온사이트 서버에서 실행됩니다. 이는 고객 데이터를 비공개로 유지하면서 24시간 운영을 보장합니다.

실시간 모니터링 외에도 이 솔루션은 단기 예측을 지원합니다. 최대 15분 앞선 대기열 누적을 예측할 수 있어 관리자가 예상 방문객 수에 맞춰 인력 수준을 조정하도록 돕습니다.

Link to this section왜 Ultralytics YOLO 모델인가?#

Ultralytics YOLO 모델은 Cali Intelligence가 값비싼 클라우드 인프라 없이도 고성능을 제공할 수 있는 능력을 부여합니다. 모델은 다양한 카메라 각도와 조명 조건에서 일반화 성능이 뛰어나 최소한의 재학습으로 여러 매장에 걸쳐 신속하게 배포할 수 있습니다.

Ultralytics YOLO 모델은 고급 객체 추적 기능도 지원합니다. 단순히 머릿수 집계에 의존하는 대신 시스템은 고객이 줄에서 보내는 시간을 측정할 수 있습니다. 이는 대기열 가시성을 개선하고 실제 알림 트리거에서 90% 이상의 정확도를 구현하는 데 기여합니다.

게다가 YOLO 기반 시스템은 스트림당 약 3 FPS로 3~6개의 카메라 스트림을 처리하도록 최적화되어 있습니다. 이를 통해 컴퓨팅 부하를 크게 줄이면서 감지 정확도를 유지하여 효율적이고 확장 가능한 소매 운영을 지원합니다.

Link to this sectionUltralytics YOLO와 Cali Intelligence, 대기열 길이 43% 단축#

Cali Intelligence가 8개 소매 지점에 Ultralytics YOLO 기반 솔루션을 배포했을 때 그 효과는 즉각적이고 측정 가능했습니다. 예를 들어 한 지점에서는 평균 대기열 길이가 7명에서 4명으로 줄어, 불과 2주 만에 43%가 감소했습니다.

운영 효율성은 고객 만족도와 함께 향상되었습니다. 한산한 시간대에 시스템은 불필요한 계산대 개방을 최대 10% 줄여, 매장이 실제 수요에 더 가깝게 인력을 조정하고 낭비되는 인건비를 피할 수 있게 했습니다.

한편, 다양한 매장 레이아웃과 조명 조건에서 감지 성능은 안정적으로 유지되었으며 누락률은 6% 미만으로 유지되었습니다. 높은 알림 정확도는 관리자가 매장에서 신속하게 행동하고 정보에 입각한 결정을 내릴 수 있는 확신을 주었습니다.

혜택은 실시간 모니터링을 넘어 확장되었습니다. 예측적 인력 최적화에 대한 초기 테스트에서 평균 절대 오차(MAE) 0.8을 달성하여 실제 카운트와 한 명 차이 이내로 대기열 길이를 예측하고 보다 선제적인 인력 계획을 가능하게 했습니다.

간단히 말해, Cali Intelligence는 Ultralytics YOLO를 활용하여 매장 내 영상을 실시간 운영 정보로 변환함으로써 대기 시간을 줄이고 인력을 최적화하며 전반적인 소매 성능을 향상시킬 수 있었습니다.

Link to this section대규모 스마트 소매 운영 발전#

Cali Intelligence가 성장함에 따라 회사는 Ultralytics Python package를 사용하여 에지 성능을 지속적으로 최적화할 계획입니다. 이 패키지는 모델을 학습, 내보내기, 배포하기 위한 간소화된 워크플로를 제공하여 성능 개선을 효율적으로 구현하기 쉽게 만듭니다.

이러한 기반을 바탕으로 Cali Intelligence는 추론 시간을 줄이고 온사이트 하드웨어 활용도를 높이기 위해 TensorRT 및 ONNX 내보내기 형식을 탐색하고 있습니다. 또한 Cali Intelligence 팀은 효율성을 개선하면서도 높은 감지 정확도를 유지하기 위해 Ultralytics YOLO 모델 변형을 Medium에서 Small로 전환하는 것을 평가하고 있습니다.

전반적으로 Cali Intelligence는 매장을 사후 대응적 관리에서 데이터 기반의 선제적 성능 관리로 전환하며 소매 운영의 변화를 주도하고 있습니다.

AI를 운영에 도입하고 싶으신가요? GitHub repository를 방문하여 자세히 알아보세요. AI in logistics 및 computer vision in healthcare를 탐색해 보세요. 시작하려면 licensing options를 확인해 보세요.