عندما تولى برايان نيكول منصب الرئيس التنفيذي، جعل معالجة هذه المشكلة أولوية رئيسية. ومن بين الحلول التي جرى اختبارها نظام مخزون مدعوم بالذكاء الاصطناعي يهدف إلى إعطاء المتاجر صورة أسرع وأكثر دقة عمّا يتوفر لديها بالفعل.

النظام طُوِّر بالتعاون مع شركة التكنولوجيا NomadGo في سياتل، وكان يعتمد على:

• الرؤية الحاسوبية (Computer Vision)
• الذكاء المكاني ثلاثي الأبعاد
• تقنيات الواقع المعزز

وكان الموظفون يستخدمون هاتفًا ذكيًا أو جهازًا لوحيًا لمسح الأرفف والثلاجات ومناطق التخزين، ليقوم النظام بالتعرّف على المنتجات وعدّها تلقائيًا.

نظريًا، كان الهدف من التقنية:

• الاستغناء عن العدّ اليدوي للمخزون
• تسريع عمليات الجرد داخل المتجر
• التنبيه تلقائيًا عند انخفاض المخزون
• تحسين إعادة التوريد وتقليل نفاد المنتجات

وخططت الشركة لاستخدام النظام في أكثر من 11,000 متجر تديرها في أمريكا الشمالية.

الأخطاء التي واجهها النظام

لكن عند استخدامه فعليًا في المتاجر، أفاد الموظفون بأن النظام واجه صعوبة في أداء مهام أساسية مطلوبة لإدارة المخزون بدقة.

وفق تقارير نقلتها وكالة رويترز، كان النظام في كثير من الأحيان:

• يخطئ في عدّ المنتجات على الأرفف
• يسيء قراءة الملصقات أو تصنيف السلع
• يخلط بين منتجات متشابهة الشكل

ومن الأمثلة المتكررة التي ذُكرت داخل المتاجر الخلط بين أنواع عبوات الحليب المتشابهة، ما أدى إلى تسجيل أعداد غير صحيحة في النظام.

ورغم أن هذه الأخطاء قد تبدو صغيرة، فإنها تصبح مشكلة كبيرة في أنظمة إدارة المخزون. فإذا كانت الأرقام غير دقيقة، قد يقوم نظام الطلبات بطلب كميات خاطئة—إما أكثر من اللازم أو أقل—مما يؤدي في النهاية إلى نقص المنتجات أو فائض غير ضروري.

لماذا قررت ستاربكس إلغاء المشروع؟

مع مرور الوقت، بدأت الثقة في النظام تتراجع بين الموظفين الذين يعتمدون على بياناته لإدارة العمليات اليومية.

بدلًا من حل مشكلة نقص المنتجات، كان من الممكن أن يؤدي إدخال بيانات خاطئة إلى تفاقم المشكلة إذا بُنيت طلبات التوريد على أرقام غير دقيقة.

لذلك قررت ستاربكس إيقاف البرنامج بعد نحو تسعة أشهر فقط من نشره على نطاق واسع في أمريكا الشمالية.

ووفق رسالة داخلية للموظفين، ستتخلى الشركة عن أداة “Automated Counting” وتتجه إلى طريقة أكثر اتساقًا لإدارة المخزون، مع الاستمرار في تحسين أنظمة التوريد وسلاسل الإمداد بشكل عام.

ماذا تكشف هذه التجربة عن الذكاء الاصطناعي في قطاع التجزئة؟

توضح تجربة ستاربكس تحديًا شائعًا في تطبيق الذكاء الاصطناعي داخل المتاجر الواقعية. فالتقنيات التي تعمل جيدًا في العروض التجريبية قد تواجه صعوبات في بيئة المتاجر الفعلية، حيث توجد:

• إضاءة متغيرة
• أرفف مزدحمة
• عبوات متشابهة الشكل
• اختلافات في ترتيب المنتجات

كان الهدف من النظام التخلص من مهمة روتينية مرهقة ومساعدة الشركة على حل مشكلة مكلفة في سلسلة الإمداد. لكن عندما لم تصل الدقة إلى المستوى المطلوب، فضلت الشركة إيقاف الأداة بدل الاعتماد على بيانات قد تكون مضللة.

الدرس الأوضح لقطاع التجزئة: عندما تعتمد العملية على العدّ الدقيق والتصنيف الصحيح، فإن حتى نسبة خطأ صغيرة قد تجعل أنظمة الذكاء الاصطناعي غير قابلة للاستخدام عمليًا في التشغيل اليومي.

عندما تولى برايان نيكول منصب الرئيس التنفيذي، جعل معالجة هذه المشكلة أولوية رئيسية. ومن بين الحلول التي جرى اختبارها نظام مخزون مدعوم بالذكاء الاصطناعي يهدف إلى إعطاء المتاجر صورة أسرع وأكثر دقة عمّا يتوفر لديها بالفعل.

النظام طُوِّر بالتعاون مع شركة التكنولوجيا NomadGo في سياتل، وكان يعتمد على:

• الرؤية الحاسوبية (Computer Vision)
• الذكاء المكاني ثلاثي الأبعاد
• تقنيات الواقع المعزز

وكان الموظفون يستخدمون هاتفًا ذكيًا أو جهازًا لوحيًا لمسح الأرفف والثلاجات ومناطق التخزين، ليقوم النظام بالتعرّف على المنتجات وعدّها تلقائيًا.

نظريًا، كان الهدف من التقنية:

• الاستغناء عن العدّ اليدوي للمخزون
• تسريع عمليات الجرد داخل المتجر
• التنبيه تلقائيًا عند انخفاض المخزون
• تحسين إعادة التوريد وتقليل نفاد المنتجات

وخططت الشركة لاستخدام النظام في أكثر من 11,000 متجر تديرها في أمريكا الشمالية.

الأخطاء التي واجهها النظام

لكن عند استخدامه فعليًا في المتاجر، أفاد الموظفون بأن النظام واجه صعوبة في أداء مهام أساسية مطلوبة لإدارة المخزون بدقة.

وفق تقارير نقلتها وكالة رويترز، كان النظام في كثير من الأحيان:

• يخطئ في عدّ المنتجات على الأرفف
• يسيء قراءة الملصقات أو تصنيف السلع
• يخلط بين منتجات متشابهة الشكل

ومن الأمثلة المتكررة التي ذُكرت داخل المتاجر الخلط بين أنواع عبوات الحليب المتشابهة، ما أدى إلى تسجيل أعداد غير صحيحة في النظام.

ورغم أن هذه الأخطاء قد تبدو صغيرة، فإنها تصبح مشكلة كبيرة في أنظمة إدارة المخزون. فإذا كانت الأرقام غير دقيقة، قد يقوم نظام الطلبات بطلب كميات خاطئة—إما أكثر من اللازم أو أقل—مما يؤدي في النهاية إلى نقص المنتجات أو فائض غير ضروري.

لماذا قررت ستاربكس إلغاء المشروع؟

مع مرور الوقت، بدأت الثقة في النظام تتراجع بين الموظفين الذين يعتمدون على بياناته لإدارة العمليات اليومية.

بدلًا من حل مشكلة نقص المنتجات، كان من الممكن أن يؤدي إدخال بيانات خاطئة إلى تفاقم المشكلة إذا بُنيت طلبات التوريد على أرقام غير دقيقة.

لذلك قررت ستاربكس إيقاف البرنامج بعد نحو تسعة أشهر فقط من نشره على نطاق واسع في أمريكا الشمالية.

ووفق رسالة داخلية للموظفين، ستتخلى الشركة عن أداة “Automated Counting” وتتجه إلى طريقة أكثر اتساقًا لإدارة المخزون، مع الاستمرار في تحسين أنظمة التوريد وسلاسل الإمداد بشكل عام.

ماذا تكشف هذه التجربة عن الذكاء الاصطناعي في قطاع التجزئة؟

توضح تجربة ستاربكس تحديًا شائعًا في تطبيق الذكاء الاصطناعي داخل المتاجر الواقعية. فالتقنيات التي تعمل جيدًا في العروض التجريبية قد تواجه صعوبات في بيئة المتاجر الفعلية، حيث توجد:

• إضاءة متغيرة
• أرفف مزدحمة
• عبوات متشابهة الشكل
• اختلافات في ترتيب المنتجات

كان الهدف من النظام التخلص من مهمة روتينية مرهقة ومساعدة الشركة على حل مشكلة مكلفة في سلسلة الإمداد. لكن عندما لم تصل الدقة إلى المستوى المطلوب، فضلت الشركة إيقاف الأداة بدل الاعتماد على بيانات قد تكون مضللة.

الدرس الأوضح لقطاع التجزئة: عندما تعتمد العملية على العدّ الدقيق والتصنيف الصحيح، فإن حتى نسبة خطأ صغيرة قد تجعل أنظمة الذكاء الاصطناعي غير قابلة للاستخدام عمليًا في التشغيل اليومي.