RU2772835C2 - System for aggregation of metadata of events of consumer behavior in a store, data verification and their analysis using artificial intelligence to interpretate data and launch a related action - Google Patents
System for aggregation of metadata of events of consumer behavior in a store, data verification and their analysis using artificial intelligence to interpretate data and launch a related action Download PDFInfo
- Publication number
- RU2772835C2 RU2772835C2 RU2020101618A RU2020101618A RU2772835C2 RU 2772835 C2 RU2772835 C2 RU 2772835C2 RU 2020101618 A RU2020101618 A RU 2020101618A RU 2020101618 A RU2020101618 A RU 2020101618A RU 2772835 C2 RU2772835 C2 RU 2772835C2
- Authority
- RU
- Russia
- Prior art keywords
- data
- consumer
- product
- metadata
- controller
- Prior art date
Links
- 230000002776 aggregation Effects 0.000 title abstract description 3
- 238000004220 aggregation Methods 0.000 title abstract description 3
- 230000004931 aggregating Effects 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 51
- 238000010801 machine learning Methods 0.000 claims description 36
- 230000004044 response Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract 1
- 239000000047 product Substances 0.000 description 177
- 210000004080 Milk Anatomy 0.000 description 12
- 239000008267 milk Substances 0.000 description 12
- 235000013336 milk Nutrition 0.000 description 12
- 230000000875 corresponding Effects 0.000 description 5
- 238000000034 method Methods 0.000 description 4
- 235000008429 bread Nutrition 0.000 description 3
- 230000001537 neural Effects 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 229940081534 Colgate Drugs 0.000 description 2
- 229940034610 Toothpaste Drugs 0.000 description 2
- 230000003542 behavioural Effects 0.000 description 2
- 235000013365 dairy product Nutrition 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006011 modification reaction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002093 peripheral Effects 0.000 description 2
- XFIPBHVSZAZCKV-UHFFFAOYSA-M sodium;5-chloro-2-(2,4-dichlorophenoxy)phenol;fluoride Chemical compound [F-].[Na+].OC1=CC(Cl)=CC=C1OC1=CC=C(Cl)C=C1Cl XFIPBHVSZAZCKV-UHFFFAOYSA-M 0.000 description 2
- 239000000606 toothpaste Substances 0.000 description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 240000001016 Solanum tuberosum Species 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 235000008519 pasta sauces Nutrition 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000306 recurrent Effects 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 235000000346 sugar Nutrition 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Abstract
Description
Область техникиTechnical field
[1] Настоящее изобретение в целом относится к аналитическим движкам на основе искусственного интеллекта, а более конкретно, настоящее изобретение относится к системе для агрегации метаданных событий поведения потребителя в магазине, верификации данных и их анализа с помощью искусственного интеллекта для интерпретации данных и запуска связанного действия, подходящей для применения в магазине в реальном мире.[1] The present invention generally relates to AI-based analytics engines, and more specifically, the present invention relates to a system for aggregating store behavior event metadata, verifying the data, and analyzing it using artificial intelligence to interpret the data and trigger the associated action. suitable for real-world store applications.
Уровень техникиState of the art
[2] Анализ агрегации данных поведения потребителя и запуск события обычно происходит в режиме онлайн. Например, различные провайдеры отслеживают поведение потребителя, в том числе интерес потребителя в отношении множества веб-сайтов, используя технологии отслеживания, в том числе использование файлов куки, после чего, как только интерес потребителя был замечен, потребителям соответствующим образом выдается таргетированная реклама.[2] Analyzing the aggregation of consumer behavior data and triggering the event usually occurs online. For example, various providers track consumer behavior, including the consumer's interest in multiple websites, using tracking technologies, including the use of cookies, after which, once the consumer's interest has been observed, targeted advertising is served to consumers accordingly.
[3] Однако такие системы не могут быть легко применены в реальном мире, например, для использования для анализа поведения потребителя в магазине и модификации поведения потребителя.[3] However, such systems cannot easily be applied in the real world, for example, for use in analyzing consumer behavior in a store and modifying consumer behavior.
[4] Проблемы, возникающие при развертывании таких аналитических движков в реальном мире, включают проблемы целостности метаданных потребительского товара в части того, что товары значительно варьируются как в отношении доступности, так и в отношении цен, среди различных магазинов.[4] Problems encountered in deploying such analytics engines in the real world include issues with the integrity of consumer product metadata in that products vary greatly in both availability and pricing among different stores.
[5] Кроме того, имеют место трудности при получении метаданных поведения потребителя из реального мира.[5] In addition, there are difficulties in obtaining metadata of consumer behavior from the real world.
[6] Далее, аналитические движки для таргетированной рекламы в режиме онлайн из уровня техники в целом доходят лишь до выдачи таргетированной рекламы, выбранной из базы данных рекламы согласно выявленному интересу пользователя. Однако было бы идеально иметь систему, которая могла бы выполнять гораздо больше, в том числе генерировать дополнительные выводы с помощью искусственного интеллекта, полезные для потребителя в реальном мире.[6] Further, online targeted advertising analytics engines of the prior art generally go as far as issuing targeted advertisements selected from an advertisement database according to a user's identified interest. However, it would be ideal to have a system that could do much more, including generating additional AI-assisted inferences useful to the consumer in the real world.
[7] Настоящее изобретение направлено на обеспечение системы и связанной методологии, которые устранят или по существу уменьшат по меньшей мере некоторые недостатки уровня техники, или по меньшей мере на обеспечение альтернативы.[7] The present invention is directed to providing a system and associated methodology that eliminates or substantially reduces at least some of the shortcomings of the prior art, or at least provides an alternative.
[8] Следует понимать, что если в настоящем документе сделана ссылка на какую-либо информацию из уровня техники, такая ссылка не является допущением того, что эта информация образует часть общих знаний в области техники в Австралии или любой другой стране.[8] It should be understood that if reference is made herein to any prior art information, such reference is not an admission that the information forms part of the general knowledge of the art in Australia or any other country.
Раскрытие сущности изобретенияDisclosure of the essence of the invention
[9] В представленных далее вариантах реализации представлена система для агрегации метаданных событий поведения потребителя в магазине, верификации данных и их анализа с помощью искусственного интеллекта для интерпретации данных и запуска связанного действия, которая преодолевает или по меньшей мере уменьшает проблемы систем из уровня техники, или по меньшей мере обеспечивает альтернативу.[9] The following embodiments provide a system for aggregating metadata of consumer behavior events in a store, verifying the data, and analyzing it using artificial intelligence to interpret the data and trigger an associated action that overcomes or at least reduces the problems of prior art systems, or at least provides an alternative.
[10] Как будет более подробно описано ниже, система собирает метаданные событий поведения потребителя в магазине со множества электронных устройств потребителя и затем использует обученный аналитический движок на основе искусственного интеллекта для выдачи различных выводов на основе искусственного интеллекта, полезных для таких потребителей, которые могут затем модифицировать поведение потребителя.[10] As will be described in more detail below, the system collects in-store consumer behavior event metadata from a variety of consumer electronic devices and then uses a trained AI-based analytics engine to generate various AI-based inferences useful to those consumers, which can then modify consumer behavior.
[11] Как будет более подробно описано ниже, обученный аналитический движок на основе искусственного интеллекта имеет контроллер интерпретации данных, выполненный с возможностью интеллектуальной интерпретации таких агрегированных метаданных событий поведения потребителя в магазине и соответствующего запуска действий, которые затем отправляются в электронном виде на электронные устройства потребителя.[11] As will be described in more detail below, the trained AI analytics engine has a data interpretation controller capable of intelligently interpreting such aggregated store behavior event metadata of a consumer in a store and triggering actions accordingly, which are then sent electronically to the consumer's electronic devices. .
[12] В вариантах реализации контроллер интерпретации данных содержит контроллер верификации данных, выполненный с возможностью оптимизации целостности данных базы данных метаданных потребительского товара, представляющей множество потребительских товаров, согласно доступности и другим метаданным (таким как местоположения магазина, стоимость и тому подобное). Ввиду этого, контроллер верификации данных выполнен с возможностью, во-первых, построения относительно точной модели метаданных потребительского товара таким способом, который решает проблемы агрегации таких данных в реальном мире, после чего, как только такая относительно точная модель данных построена, система может сделать дальнейшие выводы искусственного интеллекта.[12] In embodiments, the data interpretation controller comprises a data verification controller configured to optimize the data integrity of a consumer product metadata database representing a plurality of consumer products according to availability and other metadata (such as store locations, cost, and the like). In view of this, the data verification controller is configured to firstly build a relatively accurate consumer product metadata model in a manner that solves the problems of aggregating such data in the real world, after which, once such a relatively accurate data model is built, the system can make further findings of artificial intelligence.
[13] В этом отношении, система может дополнительно обладать способностями к интеллектуальному предложению товара, причем контроллер интерпретации данных содержит контроллер предложения товара.[13] In this regard, the system may further have intelligent bidding capabilities, wherein the data interpretation controller comprises a bidding controller.
[14] В настоящей системе используется графический интерфейс пользователя (ГИП) списка покупок, отображаемый посредством отображающего устройства на множестве электронных устройств потребителя, при этом ГИП списка покупок выполнен с возможностью отображения множества специфических для потребителя потребительских товаров и формата списка, и при этом каждый отображенный потребительский товар содержит связанный подтверждающий покупку ввод (поле для флажка или тому подобное), указывающий на его покупку.[14] The present system uses a shopping list graphical user interface (GUI) displayed by a display device on a plurality of consumer electronic devices, wherein the shopping list GUI is configured to display a plurality of consumer-specific consumer products and a list format, and each displayed the consumer product contains an associated purchase confirmation input (check box or the like) indicating its purchase.
[15] В связи с этим, за счет использования таких специфических для потребителя списков покупок и, в частности, потребительских товаров, перечисленных в них, контроллер предложения товаров имеет возможность интеллектуального предложения товаров на рассмотрение потребителем.[15] In this regard, through the use of such consumer-specific shopping lists and, in particular, consumer products listed therein, the product offering controller is able to intelligently suggest products for consideration by the consumer.
[16] В вариантах реализации контроллер предложения товара выполнен с возможностью предложения конкретных товаров среди категорий товаров интеллектуальным образом таких, которые, например, могут быть установлены из специфических для потребителя параметров или получены из машинного обучения метаданных события поведения потребителя в магазине, полученных от других потребителей.[16] In embodiments, the product suggestion controller is configured to suggest specific products among product categories in an intelligent manner such that, for example, may be inferred from consumer-specific parameters or obtained from machine learning metadata of the consumer's in-store behavior event received from other consumers. .
[17] Также, в вариантах реализации контроллер предложения товара выполнен с возможностью предложения вероятных несвязанных товаров, но которые могут быть релевантными для пользователя, что идентифицируется посредством анализа, выполняемого алгоритмом машинного обучения.[17] Also, in embodiments, the product suggestion controller is configured to suggest probable unrelated products, but which may be relevant to the user, as identified by analysis performed by a machine learning algorithm.
[18] Кроме того, в вариантах реализации обученный аналитический движок на основе искусственного интеллекта выполнен с возможностью генерирования интеллектуальных информационных уведомлений в отношении потребительского товара, которые могут быть полезными для потребителей. Такие информационные уведомления в отношении потребительского товара также могут быть получены из алгоритма машинного обучения.[18] In addition, in embodiments, the trained AI-based analytics engine is configured to generate intelligent information notifications regarding the consumer product that may be useful to consumers. Such consumer product informational notices can also be obtained from a machine learning algorithm.
[19] В соответствии с одним аспектом, представлена система для агрегации метаданных событий поведения потребителя в магазине, верификации данных и их анализа с помощью искусственного интеллекта для интерпретации данных и запуска связанного действия, содержащая: модель данных, имеющую: метаданные потребительского товара, содержащие по меньшей мере: метаданные ID потребительского товара; и метаданные расположения потребительского товара; при этом система выполнена с возможностью: приема метаданных событий поведения потребителя в магазине от множества электронных устройств потребителя, при этом метаданные событий поведения потребителя в магазине по меньшей мере частично получены из ГИП списка покупок, отображенного отображающим устройством каждого из электронных устройств потребителя, при этом ГИП списка покупок содержит перечень специфических для потребителя потребительских товаров и связанных подтверждающих покупку вводов, указывающих на их покупку, ввода метаданных событий поведения потребителя в магазине в обученный аналитический движок на основе искусственного интеллекта, при этом аналитический движок на основе искусственного интеллекта обучен с помощью алгоритма машинного обучения, вводом которого являются обучающие данные метаданных событий поведения потребителя в магазине, и при этом алгоритм машинного обучения обучен по меньшей мере согласно данным подтверждения покупки, полученным из подтверждающих покупку вводов, при этом аналитический движок содержит: контроллер интерпретации данных, содержащий: контроллер интерпретации данных верификации данных и контроллер запуска действия, содержащий: контроллер действия верификации данных, при этом контроллер интерпретации данных верификации данных выполнен с возможностью идентификации совпадения возможности верификации данных согласно метаданным событий поведения потребителя в магазине; и генерирования действия верификации данных с помощью контроллера действия верификации данных, при этом действие верификации данных сконфигурировано согласно метаданным событий поведения потребителя в магазине; отправки электронного сообщения о действии верификации данных по меньшей мере на одно из множества электронных устройств потребителя; приема данных ответа в отношении метаданных данных товара в ответ на электронное сообщение о действии верификации данных по меньшей мере от одного электронного устройства покупателя; и обновления данных потребительского товара с помощью данных ответа в отношении метаданных данных товара.[19] In accordance with one aspect, a system is provided for aggregating consumer behavior event metadata in a store, verifying the data, and analyzing it using artificial intelligence to interpret the data and trigger an associated action, comprising: a data model having: consumer product metadata containing at least: consumer product ID metadata; and location metadata of the consumer product; wherein the system is configured to: receive metadata of consumer behavior events in the store from a plurality of consumer electronic devices, wherein the metadata of consumer behavior events in the store is at least partially obtained from the shopping list GUI displayed by the display device of each of the consumer's electronic devices, wherein the GUI the shopping list contains a list of consumer-specific consumer products and associated purchase confirmation inputs indicating their purchase, the input of metadata of consumer behavior events in the store into a trained AI-based analytic engine, while the AI-based analytic engine is trained using a machine learning algorithm , whose input is the training metadata data of consumer behavior events in the store, and wherein the machine learning algorithm is trained according to at least the purchase confirmation data obtained from the purchase confirmation inputs , wherein the analytic engine comprises: a data interpretation controller comprising: a data verification data interpretation controller and an action launch controller comprising: a data verification action controller, wherein the data verification data interpretation controller is configured to identify a data verification capability match according to behavior event metadata consumer in the store; and generating a data verification action with the data verification action controller, wherein the data verification action is configured according to the store behavior event metadata of the consumer in the store; sending an electronic message about the data verification action to at least one of the plurality of consumer electronic devices; receiving response data regarding item data metadata in response to the data verification action email message from at least one consumer electronic device; and updating the consumer product data with the response data on the product data metadata.
[20] Контроллер интерпретации данных может дополнительно содержать: контроллер интерпретации данных предложения товара, и при этом контроллер запуска действия может дополнительно содержать: контроллер действия предложения товара, и при этом при функционировании: контроллер интерпретации данных предложения товара может быть выполнен с возможностью идентификации совпадения возможности предложения товара согласно метаданным событий поведения потребителя в магазине; и контроллер действия предложения товара может быть выполнен с возможностью генерирования и отправки действия предложения товара для отображения на ГИП списка покупок.[20] The data interpretation controller may further comprise: a product offer data interpretation controller, and wherein the action trigger controller may further comprise: a product offer action controller, and while operating: the product offer data interpretation controller can be configured to identify a match opportunity product offers according to the metadata of consumer behavior events in the store; and the product offer action controller may be configured to generate and send the product offer action to display the shopping list on the GUI.
[21] Действие предложения товара может содержать данные местоположения в магазине предложения товара.[21] The product offer action may contain location data in the product offer store.
[22] Данные местоположения в магазине могут указывать по меньшей мере одно из номера ряда и полки.[22] The store location data may indicate at least one of a row number and a shelf number.
[23] Электронное устройство может дополнительно содержать датчик для обнаружения данных местоположения в магазине, и при этом метаданные событий поведения потребителя в магазине могут дополнительно содержать данные местоположения в магазине.[23] The electronic device may further comprise a sensor for detecting store location data, wherein the store consumer behavior event metadata may further comprise store location data.
[24] Датчик может содержать по меньшей мере один из датчика коммуникации в ближнем поле и датчика в виде Bluetooth-маячка (BLE).[24] The sensor may include at least one of a near field communication sensor and a Bluetooth Beacon (BLE) sensor.
[25] Электронное устройство может дополнительно содержать датчик изображения для захвата изображения товара, и при этом данные товара могут быть получены из изображения.[25] The electronic device may further comprise an image sensor for capturing an image of the product, and where the product data can be derived from the image.
[26] Данные товара могут содержать по меньшей мере одно из ID товара и данных стоимости товара.[26] The item data may comprise at least one of item ID and item cost data.
[27] Контроллер интерпретации данных может дополнительно содержать: контроллер интерпретации данных информационного уведомления; и при этом контроллер запуска действия может дополнительно содержать: контроллер действия информационного уведомления, и при этом при функционировании: контроллер интерпретации данных информационного уведомления может быть выполнен с возможностью идентификации и проверки на совпадение возможности информационного уведомления в соответствии с метаданными событий поведения потребителя в магазине, и контроллер действия информационного уведомления может быть выполнен с возможностью отправки уведомления по меньшей мере на одно электронное устройство.[27] The data interpretation controller may further comprise: an information notification data interpretation controller; and wherein the action launch controller may further comprise: an information notification action controller, and while operating: the information notification data interpretation controller may be configured to identify and match the information notification capability in accordance with the consumer behavior event metadata in the store, and the information notification action controller may be configured to send a notification to at least one electronic device.
[28] Контроллер интерпретации данных может быть оптимизирован с помощью алгоритма машинного обучения.[28] The data interpretation controller can be optimized with a machine learning algorithm.
[29] Контроллер запуска действия может быть оптимизирован с помощью алгоритма машинного обучения.[29] The trigger action controller can be optimized using a machine learning algorithm.
[30] Алгоритм машинного обучения может быть выполнен с возможностью оптимизации контроллера предложения товара согласно данным подтверждающего покупку ввода, полученным от ГИП списка покупок.[30] The machine learning algorithm may be configured to optimize the product offer controller according to the purchase confirmation input received from the shopping list GUI.
[31] Алгоритм машинного обучения может быть выполнен с возможностью оптимизации контроллера интерпретации данных верификации данных согласно вероятности приема данных ответа в отношении метаданных данных товара.[31] The machine learning algorithm may be configured to optimize the data verification data interpretation controller according to the probability of receiving the response data with respect to the product data metadata.
[32] Алгоритм машинного обучения может быть выполнен с возможностью оптимизации контроллера интерпретации данных верификации данных согласно целостности данных ответа в отношении метаданных данных товара.[32] The machine learning algorithm may be configured to optimize the data verification data interpretation controller according to the integrity of the response data with respect to product data metadata.
[33] Алгоритм машинного обучения может быть выполнен с возможностью оптимизации информационного контроллера согласно взаимодействиям потребителя с приглашениями информационных уведомлений.[33] The machine learning algorithm may be configured to optimize the information controller according to consumer interactions with information notification prompts.
[34] Метаданные потребительского товара могут содержать по меньшей мере одну категорию товара.[34] Consumer product metadata may contain at least one product category.
[35] Данные ответа в отношении метаданных данных товара могут содержать метаданные цены товара.[35] The response data regarding item data metadata may contain item price metadata.
[36] Метаданные событий поведения потребителя в магазине могут содержать данные изображения, и при этом алгоритм машинного обучения может быть выполнен с возможностью оптимизации контроллера действия предложения товара с помощью распознавания объекта данных изображения.[36] The in-store consumer behavior event metadata may comprise image data, and wherein a machine learning algorithm may be configured to optimize the product offer action controller by object recognition of the image data.
[37] Также раскрыты другие аспекты изобретения.[37] Other aspects of the invention are also disclosed.
Краткое описание чертежейBrief description of the drawings
[38] Несмотря на любые другие формы, которые могут входить в рамки объема настоящего изобретения, далее будут описаны, только с целью примеров, предпочтительные варианты реализации раскрытия со ссылкой на сопроводительные чертежи, на которых:[38] Despite any other forms that may fall within the scope of the present invention, the following will be described, by way of example only, preferred embodiments of the disclosure with reference to the accompanying drawings, in which:
[39] На фиг. 1 показана компьютерная сеть для агрегации метаданных событий поведения потребителя в магазине, верификации данных и их анализа с помощью искусственного интеллекта для интерпретации данных и запуска связанного действия, в соответствии с вариантом реализации;[39] FIG. 1 shows a computer network for aggregating store behavior event metadata, verifying the data, and analyzing it with artificial intelligence to interpret the data and trigger an associated action, in accordance with an embodiment;
[40] На фиг. 2 показана вычислительная архитектура, более подробно иллюстрирующая сервер и электронное устройство сети, показанной на фигуре 1, в соответствии с вариантом реализации;[40] FIG. 2 is a computing architecture illustrating in more detail the server and electronics of the network shown in FIG. 1, in accordance with an embodiment;
[41] На фиг. 3 показан пример модели данных, контроллера и представления модуля интерфейса для каждого из сервера и электронного устройства в соответствии с вариантом реализации;[41] FIG. 3 shows an example of a data model, controller, and interface module view for each of a server and an electronic device, in accordance with an embodiment;
[42] На фиг. 4 показан пример предварительного движения данных для агрегации метаданных событий поведения потребителя в магазине, верификации данных и их анализа с помощью искусственного интеллекта для интерпретации данных и запуска связанного действия в соответствии с вариантом реализации;[42] FIG. 4 shows an example of a preliminary data flow for aggregating store behavior event metadata, verifying the data, and analyzing it with artificial intelligence to interpret the data and trigger the associated action, according to an embodiment;
[43] На фиг. 5 показан пример графического интерфейса пользователя списка покупок, отображенный электронным устройством системы, показанной на фигуре 2, в соответствии с вариантом реализации;[43] FIG. 5 shows an example of a shopping list GUI displayed by an electronic device of the system shown in FIG. 2, according to an embodiment;
[44] На фиг. 6 показан пример приглашения информационного уведомления,, отображенного электронным устройством системы, показанной на фигуре 2, в соответствии с вариантом реализации; и[44] FIG. 6 shows an example of an information notification prompt displayed by an electronic device of the system shown in FIG. 2, according to an embodiment; and
[45] На фиг. 7 показан пример персонального поведенческого взаимодействия с системой.[45] FIG. 7 shows an example of a personal behavioral interaction with the system.
Описание вариантов реализацииDescription of implementation options
[46] Обращаясь к фиг. 1, на ней показан пример сети 100 электронных устройств 213 потребителя. Как можно увидеть, сеть 100 содержит множество электронных устройств 213 потребителя, каждое из которых находится в функциональной связи с сервером 222 аналитического движка через сеть данных.[46] Referring to FIG. 1, it shows an example of a
[47] Электронные устройства 213 потребителя принадлежат разным потребителям и могут находиться в разных местоположениях, в том числе тех, которые могут быть классифицированы сетью 100 по виртуальным геозонам 101, которые в варианте реализации могут представлять различные магазины.[47] The consumer
[48] Как будет более подробно описано ниже, потребители используют такие электронные устройства 213 потребителя в магазине так, что сеть 100 способна принимать метаданные событий поведения потребителя в магазине с таких электронных устройств 213 потребителя, чтобы иметь возможность соответствующим образом выполнять машинное обучение и анализ с помощью искусственного интеллекта, описанные в настоящем документе.[48] As will be described in more detail below, consumers use such in-store consumer
[49] Обращаясь теперь к фиг. 2, на ней более подробно показана компьютерная система 200, показывающая сервер 222 аналитического движка и электронные устройства 213 потребителя в сети 100, в соответствии с вариантом реализации.[49] Turning now to FIG. 2, it shows the
[50] Как можно увидеть, каждый из сервера 222 аналитического движка и электронных устройств 213 потребителя может иметь форму вычислительного устройства с процессором 209 для обработки цифровых данных.[50] As can be seen, each of the
[51] В вариантах реализации, по сравнению с наличием сервера 222 аналитического движка, в системе 200 может использоваться распределенная обработка децентрализованной блокчейн-платформы смарт-контракта, такой как блокчейн-платформа Ethereum™.[51] In embodiments, as compared to having an
[52] Процессор 209 может находиться в функциональной связи с запоминающим устройством 223 через системную шину 208. Запоминающее устройство 223 выполнено с возможностью хранения цифровых данных, содержащих инструкции компьютерного программного кода. В результате при функционировании процессор 209 вызывает эти инструкции компьютерного кода из запоминающего устройства 223 для исполнения, и причем результирующие данные могут быть снова сохранены в запоминающем устройстве 223.[52] The
[53] Для удобства иллюстрации, эти инструкции компьютерного кода были разделены на модули модели 201 данных, контроллера 202 и интерфейса 203.[53] For ease of illustration, these computer code instructions have been divided into modules of
[54] В целом, модель 201 данных содержит структуру для хранения необходимых данных (такую как таблицы реляционной базы данных) и данные, хранящиеся в ней.[54] In general, the
[55] Кроме того, модуль интерфейса 203 управляет различными аспектами различных ГИП интерфейса пользователя.[55] In addition, the
[56] Кроме того, контроллер 202 выполняет различные вычислительные задачи, и в том числе при взаимодействии модулей интерфейса 203 и модели 201 данных.[56] In addition, the
[57] Запоминающее устройство 223 может дополнительно содержать операционную систему 207, такую как ядро Linux, или мобильную операционную систему, которая извлекается процессором 209 во время фазы начальной загрузки. В варианте реализации, в котором используется децентрализованная блокчейн-платформа смарт-контракта, запоминающее устройство 223 может хранить весь или часть соответствующего реестра блокчейна, включающего данные из различных транзакций, описанных в настоящем документе.[57] The
[58] Каждое компьютерное устройство может дополнительно содержать интерфейс 210 ввода/вывода для взаимодействия с различными компьютерными периферийными устройствами, в том числе устройством хранения данных, датчиком и периферийными устройствами интерфейса пользователя.[58] Each computing device may further comprise an input/
[59] Как показано в отношении электронных устройств 213 потребителя, интерфейс 210 ввода/вывода может взаимодействовать с цифровым дисплеем 218 для отображения цифровых данных. Цифровой дисплей 218 может быть покрыт тактильным датчиком для обеспечения возможности установления жестов на интерфейсе пользователя.[59] As shown with respect to
[60] Интерфейс 210 ввода/вывода также может взаимодействовать с GPS-датчиком 216 для обеспечения возможности установления местоположения электронного устройства 213 потребителя, в том числе для целей обнаружения пересечения описанной выше виртуальной геозоны 101.[60] The input/
[61] Еще в одном варианте реализации электронные устройства 213 потребителя могут содержать другие датчики 217, которые могут включать датчики для считывания данных товара с потребительских товаров (например, сведений о пищевой ценности и внешнего вида товара), этикеток ряда (например, местоположения товара и группы рядов категорий товара в пределах ряда), этикеток полки (например, кода/штрихкода конкретного товара от ретейлера в магазине, наименования товара, цены на полке, специального статуса цены, групп диапазона товаров), установления местоположения в магазине, например, используя специфические для ряда технологии определения местоположения в ближнем поле (такие как системы коммуникации в ближнем поле (NFC)) и подобные.[61] In yet another embodiment,
[62] Каждое компьютерное устройство может дополнительно содержать сетевой интерфейс 211 для передачи и приема данных через сеть 212 данных.[62] Each computing device may further comprise a
[63] В вариантах реализации сервер 222 аналитического движка находится «в облаке» и может иметь форму физического монтированного на стойке сервера или, в качестве альтернативы, виртуализированного экземпляра сервера, такого как тот, что может быть реализован, например, посредством Amazon Web Services™ (AWS). В качестве альтернативы, ссылаясь на вышесказанное, сервер 222 аналитического движка может иметь форму блокчейн-платформы смарт-контракта, причем смарт-контракты используются для описания условий одноранговых транзакций между пользователями блокчейна без необходимости в централизованном сервере.[63] In embodiments, the
[64] Кроме того, электронные устройства 213 потребителя могут иметь форму электронного устройства небольшого конструктивного исполнения, содержащего подходящую электронную схему для целей сбора данных, описанных в настоящем документе, и их отправки на сервер 222 аналитического движка по сети 212 данных.[64] In addition,
[65] В варианте реализации электронное устройство 213 потребителя может иметь форму устройства мобильной связи, такого как смартфон, такой как iPhone от Apple и/или устройство на базе Android от Google или подобное. В данном варианте реализации для того, чтобы выполнить конфигурацию мобильного устройства связи для конкретных вычислительных процессов, описанных в данном документе, пользователь может загрузить модули 201, 202 и 203 в запоминающее устройство 223 посредством загружаемого программного приложения «арр», которое может быть, например, загружено для установки и исполнения электронным устройством 213 потребителя из магазина программных приложений, такого как Apple Арр Store™, Google Chrome Арр Store™ или Firefox Арр Store™, или подобные.[65] In an embodiment, consumer
66] Ссылаясь теперь на фигуру 3, на ней показаны примеры представлений модели 201 данных, контроллера 202 и интерфейса 203 для каждого из сервера 222 аналитического движка и электронного устройства 213 потребителя.66] Referring now to Figure 3, it shows example views of the
[67] Как показано, обученный аналитический движок на основе искусственного интеллекта контроллера 202 сервера 222 аналитического движка может содержать контроллер интерпретации данных, содержащий контроллер 308 предложения потребительского товара, контроллер 313 верификации данных и информационный контроллер 317.[67] As shown, the AI-trained analytics engine of the
[68] Модули контроллера интерпретации данных могут идентифицировать различные совпадающие действия 323 из модели 201 данных согласно принятым метаданным 324 события поведения потребителя в магазине, которые приняты от множества электронных устройств 213 потребителя.[68] The data interpretation controller modules can identify various matching actions 323 from the
[69] Эти действия 323 затем могут быть переданы потребителям посредством модуля 203 интерфейса сервера 222 аналитического движка и связанных электронных устройств 213 потребителя.[69] These actions 323 can then be communicated to consumers via the
[70] В частности, модуль 203 интерфейса электронного устройства 213 потребителя может отображать графический интерфейс 304 пользователя списка покупок (что по существу показано на фигуре 5).[70] In particular, the
[71] Однако информация может отображаться на электронных устройствах 213 потребителя другими способами, например, посредством интерфейса 310 предупреждения.[71] However, the information may be displayed on the consumer's
[72] Модель 201 данных в сервере 222 аналитического движка может содержать метаданные 301 потребительского товара и покупок. В варианте реализации метаданные 301 потребительского товара и покупок имеют форму дерева товаров, которое, как более подробно описано ниже, постоянно обновляется для того, чтобы учесть изменения и доступность информации о товаре и т.п. среди различных магазинов.[72] The
[73] В вариантах реализации дерево товаров может быть организовано в иерархии категорий товаров (таких как «быстрые товары», услуги, такие как молоко, хлеб, сахар, стрижка, ремонт экрана телефона, регулировка автомобиля и тому подобное), а в этих категориях потребительских товаров и услуг - конкретные потребительские товары, такие как молоко компании Dairy Farmers, молоко компании Coles, молоко Devondale The Creamy One Full Cream объемом 1 л, сервис от Lube Mobile на 50000 км для RENAULT KOLEOS 2013, 2.5 л, 4 цил., передний привод, бензин, MPFI, 2TRA, DOHC 16V (08-16), и тому подобное.[73] In implementations, the product tree can be organized into a hierarchy of product categories (such as "fast goods", services such as milk, bread, sugar, haircuts, phone screen repairs, car adjustments, etc.), and in these categories consumer products and services - specific consumer products such as Dairy Farmers milk, Coles milk, Devondale The Creamy One Full Cream 1L milk, Lube Mobile 50000 km service for RENAULT KOLEOS 2013, 2.5L 4 cyl., front wheel drive, petrol, MPFI, 2TRA, DOHC 16V (08-16), etc.
[74] С товарами в дереве 301 товаров могут быть связаны данные 307 товара, представляющие различные метаданные, такие как цена товара, Популярность товара, метаданные Группы товаров (такие как Номер групповой упаковки товара, Партнерские товары, продаваемые бонусными наборами, Цена товаров, продаваемых бонусными наборами, Изменение цены партнерских товаров, Информация о пищевой ценности, Рецепты и тому подобное), Стимулы к совершению покупки товара, Точность метаданных товара, Стимулы к обновлению метаданных товара, местоположение товара, в том числе местоположение в магазине и данные местоположения в магазине (такие как номер ряда, номер полки и тому подобное) и другие применимые метаданные товара.[74] Products in the product tree 301 can have product data 307 associated with various metadata such as product price, product popularity, product group metadata (such bonus packs, Partner product price changes, Nutrition information, Recipes, etc.), Product purchase incentives, Product metadata accuracy, Product metadata update incentives, product location, including store location and store location data ( such as row number, shelf number, etc.) and other applicable product metadata.
[75] Кроме того, модель 201 данных может содержать данные 312 пользователя, представляющие различных потребителей, использующих систему 200 (например, демографические данные, персональная информация, персональные предпочтения, взаимоотношения с друзьями, семья, метаданные, предоставленные пользователями, и тому подобное).[75] In addition, the
[76] В связи с пользователями могут храниться списки 316 покупок, вышеупомянутые специфические для потребителя списки 316 покупок, события 324, действия 323, данные 307 товара, элементы дерева 301 товаров, местоположения 319 и данные 312 пользователя.[76] Shopping lists 316, the aforementioned consumer-specific shopping lists 316, events 324, actions 323, product data 307, product tree elements 301, locations 319, and user data 312 may be stored in association with users.
[77] Данные списка 316 покупок могут представлять различные потребительские товары в каждом списке покупок потребителя (в том числе списки ингредиентов рецептов, Списки стимулов к обновлению метаданных товара (такие как Требуемые подтверждения цены, Требуемые штрихкоды), список информационных обновлений (например, с информацией, подобной рейтингам, что может побуждать к переходу на другие товары)), а также другие данные, такие как указание, купил ли потребитель такую позицию или нет, статус подтверждения от других потребителей для направления цены товара от местного магазина, ценные аналитические данные (в том числе экономия за счет цены для потребителя, меняющего позиции списка на другой товар или магазин, забытые и вероятно необходимые позиции, которые не находятся в списке покупок, местоположение этих позиций в выбранном потребителем магазине, позиции, которые, вероятно, лучше соответствуют нуждам потребителя, чем позиции, которые уже находятся в списке покупок, и тому подобное), стимулы, выданные за события действий потребителя по обновлению метаданных, и тому подобное.[77] Shopping list data 316 may represent various consumer products in each consumer shopping list (including lists of recipe ingredients, Lists of incentives to update product metadata (such as Required price confirmations, Required barcodes), list of informational updates (for example, with similar to ratings, which may encourage switching to other products)), as well as other data, such as an indication whether the consumer bought this item or not, the status of confirmation from other consumers to send the price of the product from the local store, valuable analytical data (in including cost savings for a consumer changing list items to another product or store, forgotten and probably needed items that are not on the shopping list, the location of these items in the consumer's chosen store, items that are likely to better meet the needs of the consumer, than items that are already on the shopping list, etc.), st Imules issued for consumer action events to update metadata, and the like.
[78] Как можно увидеть, модель 201 данных электронного устройства 213 потребителя может дополнительно содержать соответствующие данные списка 306 в модели 201 данных.[78] As can be seen, the
[79] Таким образом, используя графический интерфейс 304 пользователя списка покупок, электронное устройство 213 потребителя может обновить список 306, используя контроллер 305 обновления.[79] Thus, using the shopping list user GUI 304, the consumer
[80] Модель 201 данных сервера 222 аналитического движка может дополнительно содержать обучающие данные 321, используемые для обучения алгоритма 322 машинного обучения. В вариантах реализации обучающие данные 321 могут использовать обучающие данные поведения потребителя в магазине, полученные от множества электронных устройств 213 потребителя, и могут использовать данные из сторонних источников, в том числе, из социальных сетей, таких как Facebook, службы статистических данных, такие как Австралийское Бюро Статистики, и тому подобное.[80] The
[81] Как показано, каждый из контроллеров предложения товара, верификации данных и информационных уведомлений контроллера интерпретации данных может обновлять интерфейс 303 списка или, в качестве альтернативы, генерировать уведомление 309, отображаемое посредством предупреждения, которое отображается на графическом интерфейсе 304 пользователя списка покупок или на интерфейсе 310 предупреждений множества электронных устройств 213 потребителя.[81] As shown, each of the product offering, data verification, and data interpretation controller information notification controllers can update the list interface 303 or alternatively generate a
[82] Электронное устройство 213 потребителя может содержать контроллер 311 приглашений, выполненный с возможностью генерирования электронных приглашений, согласно релевантному действию, и при этом, в вариантах реализации, особенно для действий верификации данных, действий информационного уведомления и действий предложения товара, пользователь может отвечать посредством интерфейса 314 ответа, управляемого контроллером 318 ответа, данными ответа по метаданным данных товара, которые далее принимаются контроллером 320 приема сервера 222 аналитического движка с целью обновления дерева 301 товаров, используя контроллер 302 обновления дерева товаров. Кроме того, в вариантах реализации также могут быть предусмотрены контроллеры обновления, выполненные с возможностью обновления другой информации о покупке, такой как данные 312 пользователя, данные 316 списка, данные магазина и тому подобное.[82] Consumer
[83] Ссылаясь на фигуру 4, на ней показан пример движения данных 400 в системе 200.[83] Referring to figure 4, it shows an example of the movement of
[84] Как показано, метаданные 425 событий поведения потребителя в магазине принимаются от множества электронных устройств 213 потребителя.[84] As shown, store
[85] Как было упомянуто выше, метаданные 425 событий поведения потребителя в магазине могут быть по меньшей мере частично получены из графического интерфейса 304 пользователя списка покупок (что по существу показано на фигуре 5), отображаемого отображающим устройством каждого из электронных устройств 213 потребителя, который может дополнительно содержать данные подтверждения покупки, свидетельствующие о покупке потребителем каждого из отображенных потребительских товаров.[85] As mentioned above, the store
[86] Как будет описано более подробно ниже, графический интерфейс 304 пользователя списка покупок дополнительно содержит перечень специфических для потребителя товаров и связанный подтверждающий покупку ввод (поле для флажка или другой тип ввода), свидетельствующий об их покупке. Таким образом, используя такой ГИП, система может идентифицировать релевантные потребительские товары для каждого потребителя и, кроме того, убеждаться, была ли куплена потребителем каждая перечисленная позиция или нет, метаданные, относящиеся к релевантным товарам (в том числе доступность, вероятная текущая цена, быстрые товары и тому подобное) в выбранном потребителем магазине, метаданные пользователя (в том числе сегментацию потребителей и порог стимула для действий сбора метаданных в отношении событий на основе релевантных товаров и длительности событий покупок), метаданные магазина (в том числе вероятные усилия для завершения покупок и тому подобное) и события со связанными метаданными (в том числе Стимулы к обновлению метаданных для товаров, Магазинов, Списков, Пользователей, обзоров, цен, доступности и тому подобного).[86] As will be described in more detail below, the shopping list user GUI 304 further comprises a list of consumer-specific items and an associated purchase confirmation input (checkbox or other type of input) indicative of their purchase. Thus, using such a GUI, the system can identify relevant consumer products for each consumer and, in addition, verify whether each listed item has been purchased by the consumer or not, metadata related to relevant products (including availability, likely current price, fast products and the like) at the consumer's chosen store, user metadata (including consumer segmentation and incentive threshold for event metadata collection actions based on relevant products and purchase event duration), store metadata (including likely efforts to complete purchases, and the like) and events with associated metadata (including Metadata Update Incentives for Products, Stores, Listings, Users, Reviews, Prices, Availability, and the like).
[87] Также от каждого электронного устройства может быть принята дополнительная информация, такая как данные местоположения, принятые посредством GPS-датчика 216.[87] Additional information may also be received from each electronic device, such as location data received by the
[88] Кроме того, от каждого электронного устройства 213 потребителя может быть принята другая информация с помощью других типов датчиков 217.[88] In addition, other information may be received from each consumer
[89] Например, электронное устройство 213 потребителя может содержать датчик изображения, обеспечивающий потребителю возможность, например, захвата данных изображения товара, чтобы система 200 могла распознать товар, например, в соответствии с различными внешними признаками товара, в том числе считать штрихкод, указанный на нем (в том числе считать изображение товара в обученный ИИ-движок распознавания объекта).[89] For example, the consumer
[90] В качестве альтернативы, в отличие от захвата данных изображения товара, могут быть захвачены данные цены, например, путем захвата изображения ценника рядом с товарами с помощью датчика 217.[90] Alternatively, as opposed to capturing item image data, price data can be captured, for example, by capturing an image of a price tag next to
[91] В качестве альтернативы, в отличие от захвата данных изображения товара, может быть захвачен уровень активности, эстетической привлекательности, желанности и тому подобного, например, путем захвата изображения фасадов магазинов, расположенных рядом магазинов или автомобильного паркинга с помощью датчика 217.[91] Alternatively, in contrast to capturing product image data, the level of activity, aesthetic appeal, desirability, and the like can be captured, for example, by capturing an image of store fronts, adjacent stores, or a car
[92] В качестве альтернативы, в отличие от захвата данных изображения товара, может быть захвачено доказательство покупки, посещения магазина и тому подобного, например, путем захвата изображения QR-кода с помощью датчика 217.[92] Alternatively, in contrast to capturing product image data, proof of purchase, store visit, and the like can be captured, for example, by capturing an image of a QR code using the
[93] В качестве альтернативы, в отличие от захвата данных изображения товара, может быть захвачена информация о стоимости (цена, цена за единицу, специальная цена, размер скидки, товар, доказательство покупки), информация списка (в том числе купленные товары, метаданные магазина, общая цена покупки, способ покупки, регистрационный номер, подробная информация об операторе реестра, подробная информация о менеджере магазина, купленный объем, купленное количество, псевдонаименование чека на товар, статус налогообложения и тому подобное), например, путем захвата изображения чека покупки с помощью датчика 217.[93] Alternatively, in contrast to capturing product image data, cost information (price, unit price, special price, discount amount, product, proof of purchase), list information (including purchased products, metadata store, total purchase price, purchase method, registration number, registry operator details, store manager details, volume purchased, quantity purchased, item receipt alias, tax status, etc.), for example, by capturing an image of a purchase receipt from using
[94] Еще в одних вариантах реализации датчик 217 выполнен с возможностью определения местоположения потребителя в магазине, в частности, с разрешением по ряду (в том числе номеру ряда, группе ряда и находящихся поблизости товаров, и тому подобным), а еще в одних вариантах реализации - с разрешением по полкам.[94] In still other embodiments, the
[95] Например, в различных ряда или на полках магазина может быть предусмотрено множество меток коммуникации в ближнем поле, которые затем могут быть отсканированы датчиком 217 для определения местоположения электронного устройства 213 потребителя в магазине.[95] For example, a plurality of near field communication tags may be provided in various rows or shelves in a store, which may then be scanned by
[96] В качестве альтернативы может быть использована технология Bluetooth-маячков, при которой датчик 217 использует результаты измерения мощности принимаемого сигнала для установления местоположения электронного устройства 213 потребителя относительно одного или более Bluetooth-маячков в магазине.[96] Alternatively, Bluetooth beacon technology can be used, in which the
[97] В вариантах реализации, а также ссылаясь на фигуру 5, такие данные местоположения в магазине могут быть получены из ввода пользователя, в том числе для электронных устройств 213 потребителя, у которых нет таких датчиков 217.[97] In embodiments, and also referring to Figure 5, such store location data may be obtained from user input, including for consumer
[98] Как показано, метаданные 402 событий получены из метаданных 425 событий поведения потребителя в магазине.[98] As shown,
[99] Такие метаданные 402 событий могут представлять различные события потребителя, такие как покупка товара, вход в магазин (определенный за счет пересечения виртуальной геозоны 101 внутрь), возврат потребителя домой (определенный за счет пересечения виртуальной геозоны 101 наружу), выбор Быстрого товара, Оптимизация товара, Приход домой (пересечение предполагаемого местоположения геозоны «Дом» внутрь), Стимулы приема (такие как Обновление метаданных, Информационные стимулы и т.д.), Стимулы выкупа и другие события потребителя.[99]
[100] Как показано, метаданные 402 событий могут содержать метаданные 403 типа события, указывающие тип события поведения потребителя, и метаданные 404 местоположения, указывающие местоположение события.[100] As shown,
[101] Метаданные 404 местоположения и события поведения потребителя могут быть получены от GPS-датчика 216 и в вариантах реализации могут использоваться системой 200 для определения в каком магазине сейчас находится потребитель, а также важных местоположений для событий за пределами магазина (в том числе Дом, Работа, Начало и Конец поездки и тому подобного). Местоположения важных событий могут быть определены ИИ-моделями, обученными на распознание наиболее оптимальных местоположений (для уведомления, предложения, побуждения и т.д.). Модели учитывают не только текущие местоположения пользователей, но также могут учитывать другие местоположения и атрибуты других пользователей в сети в момент времени.[101]
[102] Метаданные 402 событий могут дополнительно содержать данные 405 местоположения в магазине с более высоким разрешением, представляющие местоположение пользователя в магазине, такое как конкретный ряд, полка и тому подобное.[102] The
[103] Метаданные 402 событий могут дополнительно содержать метаданные 407 списка, которые могут включать специфический для потребителя список покупок, в том числе связанные метаданные, в том числе метаданные, указывающие покупки потребителя.[103] The
[104] Кроме того, метаданные 402 событий могут дополнительно содержать метаданные 408 товара, являющиеся метаданными, применимыми к различным потребительским товарам. Такие метаданные 408 товара могут представлять цену товара, местоположение товара, доступность товара или другие применимые метаданные товара.[104] In addition, the
[105] Как показано, метаданные 402 событий подаются в обученный аналитический движок 413 на основе искусственного интеллекта.[105] As shown, the
[106] Имея такие данные в качестве входных данных, обученный аналитический движок 413 на основе искусственного интеллекта выполнен с возможностью генерирования интеллектуальных выводов 423 с помощью искусственного интеллекта, которые затем могут быт переданы обратно на релевантные электронные устройства 213 в сети. Такие выводы представляют собой любые интеллектуальные данные и/или уведомления, которые могут быть полезны для сети потребителей в ходе процесса покупок.[106] With such data as input, the trained
[107] В частности, обученный аналитический движок 413 на основе искусственного интеллекта может содержать контроллер 414 интерпретации данных. Контроллер 414 интерпретации данных интерпретирует метаданные 402 событий, чтобы иметь возможность проверки на совпадение с различными возможностями для генерирования связанных действий.[107] In particular, the trained AI-based
[108] В частности, как показано, обученный аналитический движок 413 на основе искусственного интеллекта может содержать контроллер 418 запуска действия.[108] In particular, as shown, the trained AI
[109] Таким образом, для любого потенциального совпадения с возможностями, идентифицированного контроллером 414 интерпретации данных с помощью агрегированных метаданных 402 событий, обученный аналитический движок 413 на основе искусственного интеллекта может запустить связанное и применимое действие с помощью контроллера 418 запуска действия.[109] Thus, for any potential match with the capabilities identified by the
[110] Как показано, а также ссылаясь на вышеуказанное, контроллер 414 интерпретации данных может содержать контроллер 308 предложения товара, выполненный с возможностью интеллектуального предложения различных потребительских товаров. Такие потребительские товары могут быть предложены в соответствии со специфическими для потребителя параметрами (в том числе демографическими, прошлым поведением при покупке), а также другими специфическими для потребителя параметрами, такими как поведенческие привычки других потребителей.[110] As shown and also referring to the above, the
[111] Контроллер 414 интерпретации данных может дополнительно содержать контроллер 313 верификации данных, выполненный с возможностью идентификации возможностей по улучшению целостности метаданных 301 потребительского товара, Метаданных списка, Метаданных магазина и тому подобных.[111] The
[112] Например, если цена конкретного потребительского товара является «мягкой» (т.е. идентифицированной как потенциально ненадежной), контроллер 313 верификации данных может это идентифицировать, чтобы сгенерировать связанное действие верификации данных из контроллера 420 действия верификации данных, которое может быть передано на релевантные электронные устройства 213 сети для верификации потребителем, например, путем проверки цены потребителем, добавления штрихкода, проверки ряда, проверки насколько занят магазин, проверки качества товара и тому подобного.[112] For example, if the price of a particular consumer product is "soft" (i.e., identified as potentially unreliable), the
[113] Контроллер 414 интерпретации данных может дополнительно содержать информационный контроллер 317, выполненный с возможностью генерирования различных действий информационных уведомлений от контроллера 421 действий информационного уведомлений, которые могут быть переданы на релевантные электронные устройства 213 сети в целом путем push-уведомлений, других ГИП-предупреждений (например, публикаций в ленте новостей, рекламируемых объектов на экране сравнения), электронных писем и тому подобного.[113] The
[114] Как также показано в движении данных 400, такие агрегированные метаданные 402 событий, взятые по ряду людей, могут быть поданы в алгоритм 322 машинного обучения.[114] As also shown in
[115] В вариантах реализации алгоритм 322 машинного обучения может содержать оптимизатор, выполненный с возможностью оптимизации каждого из модулей контроллера 414 интерпретации данных. В частности, как показано, алгоритм 322 машинного обучения может содержать оптимизатор 410 модели предложения товара для генерирования обученных данных 422 для оптимизации контроллера 308 предложения товара. Подобным образом алгоритм 322 машинного обучения может содержать оптимизатор 411 модели верификации данных и оптимизатор 412 модели информационного уведомления для оптимизации соответствующего контроллера 313 верификации данных и информационного контроллера 317.[115] In embodiments, the
[116] Оптимизатор 410 модели предложения товара может быть выполнен с возможностью оптимизации покупки предложенного товара. Оптимизатор 411 модели верификации данных может быть выполнен с возможностью оптимизации правдоподобия или вероятности точности широких метаданных сети и приема обратной связи от потребителя или, в качестве альтернативы, целостности принятой обратной связи.[116] The product
[117] Оптимизатор 412 модели информационного уведомления может быть выполнен с возможностью оптимизации уведомлений в соответствии с приемом таких уведомлений, таким как прием уведомления 601, как по существу показано на фигуре 6.[117] The information
[118] В качестве примера, алгоритм 322 машинного обучения может использовать модель рекуррентной нейронной сети (RNN), обученную на агрегированных метаданных 402 событий, и может идентифицировать, что конкретное предложение товара потребители покупают более часто по сравнению с другим предложением товара (как установлено из графического интерфейса 304 пользователя списка покупок) и, таким образом, может подстраивать предложение товара соответствующим образом.[118] As an example, the
[119] Следует отметить, что алгоритм 322 машинного обучения также может быть выполнен с возможностью оптимизации контроллера 418 запуска действия для того, чтобы оптимизировать запуск связанных действий.[119] It should be noted that the
[120] В качестве примера, алгоритм 322 машинного обучения может идентифицировать что вероятность покупки потребителем предложения товара выше, если такое предложение товара сделано до попадания электронного устройства 213 потребителя в виртуальную геозону 101 соответствующего магазина, и, таким образом, может оптимизировать контроллер 418 запуска действия соответствующим образом.[120] As an example, the
[121] В качестве еще одного примера, алгоритм 322 машинного обучения может идентифицировать, что вероятность покупки товара женщинами выше, если он предложен перед пересечением виртуальной геозоны 101 внутрь, тогда как вероятность покупки товара мужчинами выше, только когда он предлагается в магазине (т.е. когда электронное устройство 213 потребителя уже пересекло виртуальную геозону 101 соответствующего магазина), и может, таким образом, оптимизировать контроллер 418 запуска действия соответствующим образом.[121] As another example,
[122] В вариантах реализации обученный аналитический движок 413 на основе искусственного интеллекта может принимать форму искусственной нейронной сети и, таким образом, обученные данные 422 могут представлять оптимизированные весовые коэффициенты для каждого узла нейронной сети.[122] In embodiments, the trained AI
[123] Обращаясь к фигуре 5, на ней показан пример графического интерфейса 500 пользователя, отображаемого на электронном устройстве 213 потребителя.[123] Referring to figure 5, it shows an example of a
[124] Как показано, список покупок содержит множество быстрых товаров, представляющих собой молоко, спагетти и хлеб, и, кроме того, конкретный товар, представляющий собой зубную пасту Colgate Sensitive.[124] As shown, the shopping list contains many quick items, which are milk, spaghetti, and bread, and in addition, a specific item, which is Colgate Sensitive toothpaste.
[125] Пользователь мог создать такой список путем ввода этих позиций. В одном варианте реализации по мере печати пользователем интерфейс 500 использует прогнозирование текста для предложения товаров из дерева 301 товаров. Еще в одном варианте реализации список может быть наполнен потребительскими товарами, купленными ранее, покупаемыми часто или прогнозированными в качестве необходимых потребителю с помощью выводов ИИ (таких как действия предложения с предыдущих событий этим пользователем или даже другими пользователями в сети). Еще в одном варианте реализации текст данных веб-страницы (всей веб-страницы или текста, выбранного пользователем, и тому подобного) может быть проанализирован в сравнении со списком ссылок на товар или, в качестве альтернативы, подвергнут интеллектуальному анализу для наложения элемента(ов) управления на интерфейс 500 (в том числе для предложений 501 товара (например, добавления товара, сравнения товара, поиска товара и нового товара), а также приглашений 503 по верификации данных (представления обзора товара (в том числе по сети путем отправки друзьям в социальной сети)).[125] The user could create such a list by entering these positions. In one embodiment, as the user types, the
[126] Теперь, как показано, интерфейс 500 содержит предложения 501 товара, сгенерированные контроллером 308 предложения товара и контроллером 419 предложения товара, а также приглашения 503 по верификации данных, сгенерированные контроллером 313 верификации данных и контроллером 420 действия верификации данных.[126] Now, as shown,
[127] В частности, для быстрого товара молоко интерфейс 501 списка покупок генерирует предложения товара, причем, например, в этой категории быстрого товара предлагаются конкретные и интеллектуально предлагаемые товары, такие как молоко Dairy Farmer и молоко Paul's.[127] In particular, for the quick product milk, the
[128] С ним могут быть связаны дополнительные выводы искусственного интеллекта, в том числе выводы в отношении местоположения и цен, причем, например, как можно увидеть, для предложенного молока Daily Farmers показано конкретное местоположение в магазине (третий ряд и вторая полка сверху), а для молока Paul's -то, что молоко Paul's в настоящий момент является наиболее дешевым в магазине.[128] Additional artificial intelligence inferences may be associated with it, including inferences regarding location and prices, and, for example, as can be seen, for the Daily Farmers milk offered, a specific location is shown in the store (third row and second shelf from the top), and for Paul's milk, that Paul's milk is currently the cheapest in the store.
[129] Однако, как также показано, предложение товара может предлагать товар в другом местоположении с учетом низкой цены. Как показано, предложение 501 товара дополнительно содержит предложение для молока Coles, которое стоит лишь 1$, но требует пройти 250 м к другому местоположению.[129] However, as also shown, a product offer can offer a product in a different location given a low price. As shown,
[130] Для быстрого товара спагетти, как показано, предложение 501 товара может дополнительно интеллектуальным образом рекомендовать конкретный тип спагетти. Как было упомянуто выше, предлагаемый тип спагетти может быть интеллектуальным образом сгенерирован обученным аналитическим движком 413 на основе искусственного интеллекта для оптимизации для его покупки потребителем. Например, конкретный тип потребительского товара может быть получен из специфических для потребителя метаданных так, что конкретному потребителю предлагаются спагетти, не содержащие глютен.[130] For the fast spaghetti item as shown, the
[131] В качестве альтернативы, конкретный предлагаемый тип спагетти может быть предложен в соответствии с анализом метаданных 402 событий, принятых от других потребителей, в том числе похожих потребителей, и другими параметрами.[131] Alternatively, a specific suggested type of spaghetti may be suggested according to an analysis of
[132] Как показано, предложение 501 товара также может интеллектуальным образом предлагать связанные позиции, такие как соус для макарон, причем алгоритмом 322 машинного обучения было учтено, что потребители часто покупают эти типы товаров вместе, при этом они могут попадать в разные категории товаров.[132] As shown,
[133] Использование обученного аналитического движка 413 на основе искусственного интеллекта может дополнительно генерировать неинтуитивные выводы искусственного интеллекта, когда, например, для быстрого товара хлеб, интерфейс 500 может предлагать крем для обуви. Несмотря на то, что это может казаться неинтуитивным, крем для обуви на самом деле может быть достаточно релевантным для пользователя.[133] Using the trained
[134] Как также показано, интерфейс 500 отображает приглашение 503 верификации данных, когда, как было упомянуто выше, контроллер 313 верификации данных идентифицировал возможность улучшения целостности данных 307 товара.[134] As also shown, the
[135] Как показано, для зубной пасты Colgate Sensitive приглашение 503 верификации данных спрашивает у пользователя, действительно ли цена составляет $2,99 и, кроме того, действительно ли она находится в ряду 3. Как показано, пользователь может отметить поле для флажка, если оно имеется, или, в качестве альтернативы, ввести правильное число.[135] As shown, for Colgate Sensitive toothpaste, a 503 data verification prompt asks the user if the price is indeed $2.99 and furthermore, if it is indeed in row 3. As shown, the user can check the box if it exists, or alternatively enter the correct number.
[136] Еще в одном варианте реализации система 200 может быть выполнена с возможностью осуществления OCR-анализа чеков о покупках потребителя, чтобы иметь возможность сбора подходящих данных 307 товара соответствующим образом, в том числе данных цены.[136] In yet another implementation, the
[137] Как показано, интерфейс 500 содержит кнопку 504 OCR чека, которую пользователь может использовать при захвате изображения чека о покупке, используя датчик 217 изображения в электронном устройстве 213 потребителя.[137] As shown, the
[138] Для каждого из потребительских товаров на интерфейсе 500 списка покупок пользователь может использовать связанный подтверждающий покупку ввод (поле для флажка или тому подобное) для указания того, был ли куплен товар или нет.[138] For each of the consumer products on the
[139] Таким образом, путем использования такой обратной связи поведения покупки, полученной из подтверждающих покупку вводов, алгоритм 322 машинного обучения дополнительно выполнен с возможностью обучения аналитического движка 413 на основе искусственного интеллекта соответствующим образом.[139] Thus, by using such purchase behavior feedback obtained from purchase confirmation inputs, the
[140] Использование обученного аналитического движка 413 на основе искусственного интеллекта может дополнительно генерировать антимошеннические выводы искусственного интеллекта, когда, например, пользователь может злонамеренно вносить неправильные обновления цены или обманные фотографические доказательства своей покупки возможно для требования вознаграждения от производителя.[140] Using the trained AI-based
[141] Обученный аналитический движок 413 на основе искусственного интеллекта может быть выполнен с возможностью идентификации отклонений, например, путем использования метода опорных векторов (SVM) одного класса или модели нейронной сети одного класса. Данные могут быть ассоциированы не только с поведением покупки, но также и с поведением перед покупкой, например, когда и где позиции были добавлены в список, а также прошлой историей пользователя по таким обновлениям и запросам; контроллер 313 верификации данных может идентифицировать отклонения и необычное поведение. Это может генерировать связанное действие верификации данных от контроллера 420 действия верификации данных, которое может быть передано на электронное устройство пользователя, чтобы попросить пользователя дополнительно доказать покупку позиции (например, отсканировать штрихкод дома).[141] The trained AI
[142] В качестве другого примера, производитель может пожелать узнать текущее состояние своих товаров в магазине на полке, в ряду, в конкретном местном супермаркете, чтобы удостовериться, что их товар правильно расположен, или что полка правильно и корректно укомплектована. Когда пользователь совершает покупки в этом местном супермаркете, контроллер 313 верификации данных может иметь возможность прогнозирования из подтверждающего покупку ввода пользователя других позиций в магазине (такого как ввода посредством поля для флажка на интерфейсе пользователя или тому подобного) и другого текущего поведения приложения (такого как, например, пересечение периметра геозоны внутрь), что пользователь может находиться в том же ряду, что и товар, по которому производитель требует информацию о текущем состоянии в магазине. Таким образом, контроллер 418 запуска действия может генерировать связанное действие верификации данных с помощью контроллера 420 действия верификации данных, которое может быть передано на электронное устройство пользователя для выдачи пользователю приглашения сделать фотографию полки для производителя, возможно, за вознаграждение.[142] As another example, a manufacturer may wish to know the current status of their products in a store on a shelf, in a row, in a particular local supermarket, to make sure that their product is positioned correctly, or that the shelf is properly and correctly stocked. When a user makes purchases at that local supermarket, the
[143] В качестве другого примера, пользователь может предоставить описание нового товара. Обученный аналитический движок 413 на основе искусственного интеллекта может быть выполнен с возможностью генерирования интеллектуальных категорий с помощью искусственного интеллекта для «быстрых товаров», например, путем использования многоклассового леса решений или многоклассовой модели нейронной сети. Так будут генерироваться связанные действия верификации данных из контроллера 420 действия верификации данных, которые затем могут быть переданы на релевантные электронные устройства 213 сети, так что эти пользователи могут проверить и выполнить валидацию предлагаемых категоризаций.[143] As another example, a user may provide a description of a new product. The trained
[144] Ссылаясь на фигуру 6, на ней показано информационное уведомление 601, которое было сгенерировано информационным контроллером 317.[144] Referring to Figure 6, it shows an
[145] Как можно увидеть, уведомление 601, после установления местоположения электронного устройства 213 потребителя, предупреждает пользователя о близости к интеллектуально предложенному товару и, кроме того, отображает информацию об установленной цене такого предложенного товара.[145] As can be seen, the
[146] Используя кнопочные вводы, пользователь может инициировать навигационный интерфейс для перехода к товару или, в качестве альтернативы, отклонить предупреждение.[146] Using button inputs, the user can initiate a navigation interface to navigate to a product or, alternatively, dismiss the warning.
[147] Далее будут представлены различные представленные в качестве примера варианты реализации для дополнительной иллюстрации функционала системы 200. Следует отметить, что эти варианты реализации представлены лишь в качестве примера и что необязательно ко всем вариантам реализации должно быть применено техническое ограничение соответствующим образом.[147] Various exemplary implementations will now be presented to further illustrate the functionality of the
[148] В первом примере пользователь выбирает быстрый товар с помощью ГИП 500 списка покупок.[148] In the first example, the user selects a fast item using the
[149] В ответ контроллер 308 предложения товара интеллектуальным образом предлагает конкретные товары, связанные с быстрым товаром. Кроме того, если какие-либо метаданные товара, связанные с быстрым товаром, были идентифицированы контроллером 313 верификации данных как ненадежные («мягкие»), контроллер 313 верификации данных может запустить действие верификации данных от контроллера 420 действия верификации данных для сбора дополнительных метаданных товара соответствующим образом.[149] In response, the
[150] Кроме того, информационный контроллер 317 может идентифицировать релевантную информацию в отношении быстрого товара и действие уведомления соответствующим образом.[150] In addition, the
[151] Как было упомянуто выше, алгоритм 322 машинного обучения мог обучить контроллер 414 интерпретации данных и/или контроллер 418 запуска действия так, чтобы оптимизировать вероятность принятия потребителем или иного взаимодействия с предложенным товаром, запросом верификации данных и/или информационным уведомлением.[151] As mentioned above, the
[152] Еще в одном примере система 200 путем установления местоположения электронного устройства 213 потребителя устанавливает, что электронное устройство 213 потребителя пересекло периметр виртуальной геозоны 101, окружающей магазин, внутрь. Таким образом, система 200 имеет возможностью логически заключить что пользователь, скорее всего, идет делать покупки.[152] In another example, the
[153] После идентификации такого возможного события контроллер 414 интерпретации данных может реализовать какие-либо потенциальные соответствующие действия от контроллера 418 запуска действия.[153] Upon identification of such a possible event, the
[154] Кроме того, различные релевантные данные могут быть обновлены в ответ на такое событие, в котором, например, система 200 может извлечь данные товара, специальные цены на товар и тому подобное из соответствующего магазина. Кроме того, система 200 может анализировать метаданные 402 недавних событий или событий по существу в реальном времени, ассоциированных с другими потребителями в пределах той же области. Таким образом, контроллер 414 интерпретации данных может функционировать, используя такую обновленную информацию.[154] In addition, various relevant data can be updated in response to such an event, in which, for example, the
[155] Еще в одном варианте реализации пользователь подтверждает покупку или выбор (например, путем взятия товара из магазина и помещения его в тележку или корзину) товара, используя подтверждающий покупку ввод, такой как ввод в виде поля для флажка, как, по существу, показано на фигуре 5.[155] In yet another implementation, the user confirms the purchase or selection (eg, by taking an item from a store and placing it in a cart or cart) of an item using a purchase confirmation input, such as a check box input, as essentially shown in figure 5.
[156] Таким образом, основываясь на конкретном указанном товаре, система 200 может логически вывести другую информацию, такую как местоположение потребителя в магазине сейчас, например, с разрешением по ряду. Таким образом, контроллер 308 предложения товара затем обладает возможностью предложить другие товары в этом же местоположении в магазине, например, другие товары в том же или соседних рядах.[156] Thus, based on the specific product indicated,
[157] Также, после приема подтверждения о взятии такого товара, контроллер 308 предложения товара, таким образом, может не рекомендовать такие же или подобные товары.[157] Also, after receiving confirmation of taking such an item, the
[158] Кроме того, интерфейс 500 списка покупок может предлагать следующий товар для взятия в соответствии с близостью.[158] In addition, the
[159] Другая информация может быть получена из взаимодействия потребителя с ГИП 500 списка покупок, такая как время на завершение покупок, например, между отметками времени текста первой и последней позиций на интерфейсе 500 списка покупок.[159] Other information may be obtained from the consumer's interaction with the
[160] Кроме того, частота или число взаимодействий потребителей, использующих интерфейс 500, может быть использовано для логического вывода о загруженности конкретного магазина, чтобы дать возможность обученному аналитическому движку 413 на основе искусственного интеллекта, возможно, предложить совершить покупки в другое время или в другом месте. Такая информация также может быть получена от пользователя посредством приглашения информационного уведомления, причем приглашение запрашивает у пользователя текущее состояние загруженности магазина или другую информацию в магазине.[160] In addition, the frequency or number of interactions of consumers using the
[161] Еще в одном варианте реализации, используя приглашение 503 верификации данных, пользователь предоставляет цену потребительского товара в магазине.[161] In yet another implementation, using the
[162] Таким образом, контроллер 313 верификации данных может установить, что потребитель желает предоставить такую обратную связь и поэтому может повысить частоту последующих запросов.[162] Thus, the
[163] Кроме того, в этом случае, для конкретного товара контроллер 313 верификации данных может запросить информацию в отношении связанных потребительских товаров, таких как другие потребительские товары в том же ряду.[163] In addition, in this case, for a particular product, the
[164] Еще в одном примере система 200 обнаруживает пересечение электронным устройством 213 потребителя виртуальной геозоны 101 наружу, указывающее, что потребитель покинул местоположение магазина. Таким образом, система 200 имеет возможность логически заключить, что пользователь завершил покупки.[164] In yet another example, the
[165] Таким образом, в вариантах реализации контроллер 308 предложения товара может предложить потребительский товар, который, вероятно, необходим потребителю, в других местоположениях поблизости от местоположения магазина, как, например, путем рекомендации газеты от находящегося поблизости новостного агентства.[165] Thus, in embodiments, the
[166] Кроме того, метаданные 402 событий могут быть проанализированы для идентификации корреляций между потребителями и местоположениями магазина, например, путем оценки удобства парковки, путем анализа объема потребителей в пределах параметра, а также времени, которое понадобилось для завершения поездки за покупками.[166] In addition, the
[167] Еще в одном примере система 200 может обнаруживать пересечение домашней виртуальной геозоны 101 внутрь, указывающее, что пользователь вернулся домой. Таким образом, система 200 может логически заключить, что пользователь, вероятно, собирается распаковать купленные потребительские товары.[167] In yet another example,
[168] Таким образом, в ходе процесса распаковки контроллер 313 верификации данных может выдать пользователю приглашение посредством действия верификации данных от контроллера 420 действия верификации данных предоставить метаданные, относящиеся к различным купленным товарам.[168] Thus, during the unpacking process, the
[169] Кроме того, контроллер 313 верификации данных может принимать OCR-данные на чеке покупки, чтобы иметь возможность установления метаданных товара на их основе, например, путем поиска совпадения строчных элементов с ключевым словом и идентификации связанной информации о стоимости (цена, цена за единицу, специальная цена, размер скидки, товар, доказательство покупки), информации списка (в том числе купленные товары, метаданные магазина, общая цена покупки, способ покупки, регистрационный номер, подробная информация об операторе реестра, подробная информация о менеджере магазина, купленный объем, купленное количество, псевдонаименование чека на товар, статус налогообложения и тому подобное).[169] In addition, the
[170] Кроме того, контроллер 313 верификации данных может принимать OCR-данные по связанным с покупками документам (в том числе этикеток упаковок товара, этикеток рядов, меткам/'этикеткам полок и тому подобным), чтобы иметь возможность установления метаданных покупок (в том числе товара, ряда, полки и тому подобного) на их основе, например, путем поиска совпадения символов с ключевым словом и идентификации связанной информации о покупках (в том числе сведений о пищевой ценности, рейтинга, местоположения товара, группировки по ряду категорий товаров в пределах ряда, кода/штрихкода конкретного товара от ретейлера в магазине, наименования товара, цене на полке, специального статуса цены, групп диапазона товаров и тому подобного).[170] In addition, the
[171] Кроме того, для любых потребительских товаров, имеющих связанные специальные требования магазина для покупки такого товара, информационный контроллер 317 может выдать пользователю приглашение посредством действия информационного уведомления от контроллера 421 действий такого информационного уведомления, причем, например, приглашение может информировать пользователя, что если пользователь захватит изображение конкретного товара, то пользователь будет иметь право запросить вознаграждение на будущую поездку за покупками.[171] In addition, for any consumer products having associated special store requirements for purchasing such product, the
[172] Ссылаясь на фигуру 7, на ней показан пример пользовательского сценария 700, на котором изображены элементы и функционал системы 200. Следует отметить, что сценарий 700 представлен лишь в качестве примера и что необязательно ко всем вариантам реализации системы 200 должны быть применены технические ограничения соответствующим образом. Кроме того, в примере сценария 700 метаданные 425 событий поведения потребителя в магазине показаны в виде кругов, действия верификации данных от контроллера 420 действия верификации данных показаны в виде параллелограммов, действия информационного уведомления от контроллера 421 действий информационного уведомления показаны в виде прямоугольников, действия предложения товара от контроллера 419 действий предложения товара представлены в виде эллипсов, а обновления данных для модели 201 данных показаны в виде шестигранников.[172] Referring to Figure 7, an example of a
[173] Далее, сценарий 700 начинается с этапа 712, на котором пользователь А добавляет Соус HP 120 г без цены или штрихкода в список покупок для местного Магазина 1, находясь дома. После этого событие 712 может побудить систему 200 к запуску ряда действий верификации данных от контроллера 313 верификации данных, содержащих первое действие 713, в котором система 200 отправляет запросы 713 верификации данных на другие электронные устройства 213 потребителей для запроса цены от пользователей, которые недавно купили тот же товар. В качестве альтернативы или дополнения, действие 714 может быть отправлено на другие электронные устройства 213 потребителей для запроса штрихкодов от других пользователей, которые недавно купили тот же товар.[173] Next,
[174] После приема действий 713, 714 верификации данных, электронное устройство пользователя В может генерировать событие 716, при котором пользователь В обновляет цену позиции с помощью фотографии записи о цене на своем чеке о покупках, находясь дома. Таким образом, событие 716 также может побудить систему 200 к выполнению обновления 717 данных для обновления цены позиции предоставленной информацией о стоимости, однако установить флажок, представляющий, что цена «не подтверждена». Кроме того, система 200 затем может инициировать действие 718 верификации данных для генерирования действия верификации данных для запроса подтверждений стоимости с других электронных устройств других пользователей, например, для подтверждения, что фотография записи о цене на их чеках о покупках совпадает с товаром и ценой от действия 713 верификации данных.[174] After receiving
[175] Кроме того, когда Пользователь А выполняет событие 712 добавления товара (путем печати поисковых терминов, совпадающих с товаром, путем захвата изображения упаковки товара, путем сканирования штрихкода или тому подобного), система 200 может сгенерировать действие 711 предложения товара, сгенерированного ИИ, который, например, рекомендуется Пользователю А для добавления в дополнительную категорию позиций Запеченный в печи картофель в списке покупок, из которого система 200 выучила с помощью алгоритма 322 машинного обучения, что он обычно связан с Соусом HP 120 г,.[175] In addition, when User A performs an add product event 712 (by printing search terms that match the product, by capturing an image of the product packaging, by scanning a barcode, or the like), the
[176] Событие 712 может дополнительно побуждать систему 200 инициировать действие 715 верификации данных запроса цены для электронного устройства 213 потребителя у Пользователя С с учетом того, что система 200 определила, что Пользователь С, вероятно, будет находиться в Магазине 1 или в том же ряду в ближайшем будущем. Такой прогноз может быть сгенерирован посредством алгоритма 322 машинного обучения, который обучен на различных метаданных 402 событий, в том числе метаданных 404 местоположения и событий поведения потребителя.[176] The
[177] После приема действия 715 верификации данных запроса цены электронное устройство Пользователя С может сгенерировать событие 701, при котором Пользователь С обновляет цену в Магазине 1, например, с $1 до $1.30 и захватывает изображение метки или этикетки с ценой на полке. В ответ система 200 выполняет обновление 702 данных для обновления цены в магазине и, если это применимо, обновляет соответствующую цену соответствующих магазинов того же ретейлера (гармонизация цены).[177] Upon receiving a price request
[178] Кроме того, контроллер 313 верификации данных может генерировать действие верификации данных от контроллера 420 действия верификации данных и отправить запрос 703 валидации на электронное устройство 213 потребителя другого Пользователя D для подтверждения цены. После того, как Пользователь D подтвердит, что цена на полке совпадает со сделанной фотографией, система 200 выполняет обновление 705 подтверждения цены.[178] In addition, the
[179] Дополнительно, в ответ на события 701 система 200 может инициировать предложение 706 товара для уведомления всех других пользователям системы, у которых присутствует «Коричневый соус» (т.е. категория позиции) в их соответствующих списках покупок, что, например, действует специальная цена на 120 г Соус HP, составляющая $1,30. В связи с этим, на другие электронные устройства может быть отправлено действие 707 информационного уведомления.[179] Additionally, in response to
[180] Система 200 может дополнительно сгенерировать дополнительное предложение 708 товара для уведомления всех других пользователей, у которых присутствует Соус HP 120 г в их списках покупок, что сейчас действует специальная цена за эту позицию, составляющая $1,30, в Магазине 1. Следует отметить, что за счет обновления Пользователем С цены во время события 701, система 200 может, путем проверки релевантных метаданных, уведомить первого пользователя о новой цене позиции, которая была изначально добавлена первым пользователем, даже если первого пользователя специально не просили обновить цену.[180] The
[181] Событие 701 обновления цены может дополнительно включать отправку действия 709 информационного уведомления, которое уведомляет пользователей, которые могут совершать покупки в Магазине 1„ что в настоящий момент в магазине присутствует по меньшей мере один другой активный другой пользователь (который может представлять интерес для других пользователей в отношении таких вещей, как запросы проверки цены, запросы доступности и тому подобное). После приема Пользователем Е действия 709 информационного уведомления электронное устройство 230 может сгенерировать событие 719, при котором Пользователь Е желает знать цену подгузников Huggies в Магазине 1 и предлагает Пользователю С 50 торговых точек, где их можно найти. В ответ система 200 может сгенерировать действие 720 верификации данных для отправки уведомления на электронное устройство 213 потребителя Пользователя С.[181] The
[182] Событие 701 может дополнительно запустить предложение 710 еще одного товара, которое уведомляет пользователей, у которых присутствует Соус HP 120 г в их списках покупок, в Магазине 2, что позиция, вероятно, также имеет специальную цену $1,30, при учете того, что Магазин 2 управляется тем же ретейлером.[182]
[183] В представленном выше описание в целях разъяснения была использована специфическая номенклатура для обеспечения полного понимания изобретения. Однако специалисту в данной области техники будет ясно, что для реализации изобретения на практике не требуются конкретные детали. Таким образом, представленное выше описание конкретных вариантов реализации изобретения было представлено для целей иллюстрации и описания. Они не являются исчерпывающими и не предназначены ограничивать изобретение раскрытыми точными формами; очевидно, возможны многие модификации и вариации ввиду представленных выше решений. Варианты реализации были выбраны и описаны для наилучшего описания принципов изобретения и его применений на практике, таким образом, они обеспечивают другим специалистам в данной области техники возможность наилучшего использования изобретения и различных вариантов реализации с различными модификациями, подходящими для конкретного предполагаемого применения. Предполагается, что представленная далее формула изобретения и ее эквиваленты определяют объем изобретения.[183] In the above description, for purposes of explanation, specific nomenclature has been used to provide a thorough understanding of the invention. However, the person skilled in the art will be clear that the implementation of the invention in practice does not require specific details. Thus, the above description of specific embodiments of the invention has been presented for purposes of illustration and description. They are not exhaustive and are not intended to limit the invention to the exact forms disclosed; obviously, many modifications and variations are possible in view of the solutions presented above. Embodiments have been selected and described to best describe the principles of the invention and its applications in practice, thus, they provide other specialists in the art with the possibility of the best use of the invention and various embodiments with various modifications suitable for a particular intended application. The following claims and their equivalents are intended to define the scope of the invention.
Claims (34)
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2017902404 | 2017-06-22 | ||
AU2017902404A AU2017902404A0 (en) | 2017-06-22 | A system for in-store consumer behaviour event metadata aggregation, data verification and the artificial intelligence analysis thereof for data interpretation and associated action triggering | |
PCT/AU2018/050622 WO2018232463A1 (en) | 2017-06-22 | 2018-06-22 | A system for in-store consumer behaviour event metadata aggregation, data verification and the artificial intelligence analysis thereof for data interpretation and associated action triggering |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2020101618A RU2020101618A (en) | 2021-07-22 |
RU2772835C2 true RU2772835C2 (en) | 2022-05-26 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080195602A1 (en) * | 2005-05-10 | 2008-08-14 | Netbreeze Gmbh | System and Method for Aggregating and Monitoring Decentrally Stored Multimedia Data |
RU132591U1 (en) * | 2012-04-27 | 2013-09-20 | Общество с ограниченной ответственностью "Бизнес Центр "Видео Интернешнл" | TARGETED ADVERTISING SYSTEM |
US20130262378A1 (en) * | 2012-04-02 | 2013-10-03 | Microsoft Corporation | Aggregation point for enterprise business application binding |
US20170069012A1 (en) * | 2012-11-29 | 2017-03-09 | Ebay Inc. | Systems and methods for recommending a retail location |
US20170109349A1 (en) * | 2013-10-09 | 2017-04-20 | Smart Screen Networks, Inc. | Metadata injection of content items using composite content |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080195602A1 (en) * | 2005-05-10 | 2008-08-14 | Netbreeze Gmbh | System and Method for Aggregating and Monitoring Decentrally Stored Multimedia Data |
US20130262378A1 (en) * | 2012-04-02 | 2013-10-03 | Microsoft Corporation | Aggregation point for enterprise business application binding |
RU132591U1 (en) * | 2012-04-27 | 2013-09-20 | Общество с ограниченной ответственностью "Бизнес Центр "Видео Интернешнл" | TARGETED ADVERTISING SYSTEM |
US20170069012A1 (en) * | 2012-11-29 | 2017-03-09 | Ebay Inc. | Systems and methods for recommending a retail location |
US20170109349A1 (en) * | 2013-10-09 | 2017-04-20 | Smart Screen Networks, Inc. | Metadata injection of content items using composite content |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11295367B2 (en) | System for in-store consumer behaviour event metadata aggregation, data verification and the artificial intelligence analysis thereof for data interpretation and associated action triggering | |
KR102378682B1 (en) | Customized Augmented Reality Item Filtering System | |
US10825046B2 (en) | Predictive recommendation system | |
US20210166277A1 (en) | Predictive recommendation system using contextual relevance | |
US20150379601A1 (en) | Commerce System and Method of Deferring Purchases to Optimize Purchase Conditions | |
US20140279208A1 (en) | Electronic shopping system and service | |
US20130268317A1 (en) | Arrangement for facilitating shopping and related method | |
US20130110624A1 (en) | Methods and systems for assessing excessive accessory listings in search results | |
US20150324828A1 (en) | Commerce System and Method of Providing Communication Between Publishers and Intelligent Personal Agents | |
KR20160086033A (en) | Apparatus for managing customer information, method for managing customer information, system for managing customer information and computer readable medium having computer program recorded therefor | |
WO2019191516A1 (en) | Systems and methods for digital retail offers | |
US10679205B2 (en) | Systems and methods regarding point-of-recognition optimization of onsite user purchases at a physical location | |
US20220398608A1 (en) | Application program interfaces for order and delivery service recommendations | |
US20230334551A1 (en) | Systems and methods for automatically recommending an item to a customer while shopping at a retail store | |
US10163094B2 (en) | Light-life system and application | |
US20180260885A1 (en) | System for Shopping Assistance | |
US11741528B1 (en) | Application program interfaces for vendor recommendations | |
US11568435B2 (en) | Intelligent and interactive shopping engine | |
RU2772835C2 (en) | System for aggregation of metadata of events of consumer behavior in a store, data verification and their analysis using artificial intelligence to interpretate data and launch a related action | |
KR20190079582A (en) | Service mehtod for recommending gifts and server usingn the same | |
TWI778335B (en) | Information promotion method, mobile device and computer program product | |
KR20220119875A (en) | Apparatus and method for classifying user types and recommending service based on location information and card transaction information | |
US20150006285A1 (en) | Method and system for providing information regarding items in a retail store and computer programs thereof | |
US20230099904A1 (en) | Machine learning model prediction of interest in an object | |
US20220129919A1 (en) | Automated shopping assistant customized from prior shopping patterns |