Metaverse, „digital twins” i przyszłość handlu detalicznego

Neal Stephenson (autor książki „Snow Crash” z 1992 r.) i wynalazca terminu „metaverse” nie wiedział, że słowo to będzie miało fundamentalne znaczenie w budowaniu przemysłu wartego miliardy dolarów 30 lat później. Wokół „metaverse” narosło wiele emocji, mimo to wielu sprzedawców już teraz dba o cyfrową obecność zabiegając o klientów zaawansowanych technologicznie.

Najprościej rzecz ujmując, metawersja to wirtualna przestrzeń z rozszerzoną wirtualną rzeczywistością. Wyobraźmy sobie ludzi, miasta i kraje, które istnieją cyfrowo.. Metaverse łączy w sobie moc technologii symulacyjnych, które promowaliśmy przez ostatnie stulecie i buduje z nich wirtualne światy (niemal jak w grach wideo), w które ludzie mogą się zagłębić.

Do metawersum przyłączyli się już sprzedawcy mody. Niektórzy z nich tworzą sklepy, w których użytkownicy mogą ubierać swoje awatary, kupować produkty w wirtualnym sklepie i otrzymywać je z dostawą do domu. Inne firmy zorganizowały Metaverse Fashion Week, podczas którego marki prezentują swoje najnowsze kreacje na wirtualnym wybiegu.

Sprzedawcy żywności chcą otwierać sklepy w metawersum, w których klienci, napełniają koszyki, płacą i otrzymują prawdziwe produkty z dostawą do domu. Jeśli po zakupach użytkownik wirtualnego świata ma ochotę na lunch, może zamówić swojego ulubionego hamburgera z frytkami i także on zostanie dostarczony pod same drzwi. To zysk dla obu stron.

Oprócz korzystania z istniejących platform handlu elektronicznego, metaverse pozwala wybrać się na spacer po tym wirtualnym świecie, odwiedzić sklepy, wybrać produkty, sprawdzić ogłoszenia i oferty, a następnie zamówić wszystko wraz z dostawą. Metawersja staje się kolejną opcją w świecie omnichannel retail.

Metawersja może być także tyglem dla technologii uczenia maszynowego, takich jak Computer Vision (CV), Natural Language Processing (NLP) i Reinforcement Learning (RL). Coraz więcej firm dostrzega potencjał, jaki niesie ze sobą połączenie technologii głosowych i wizyjnych w procesie podejmowania decyzji przez konsumentów. Jednak sam postęp technologiczny w tej dziedzinie nie przybliży nas do powszechnego korzystania ze sztucznej inteligencji, o ile nie będziemy w stanie wykorzystać tych wrażeń w sposób wystarczająco skoordynowany do podjęcia decyzji.

Metawersum może stać się wirtualnym poligonem doświadczalnym– masową grą wieloosobową, w której możemy tworzyć, trenować i wdrażać bogaty zestaw technologii uczenia maszynowego w celu opracowania nowych możliwości sprzedaży detalicznej i doświadczeń konsumenckich.

Zbuduj, a klienci się pojawią?

Instytucje finansowe i giganci mediów społecznościowych są jednymi z tych, którzy dołączają do sprzedawców detalicznych w wyścigu o swój kawałek tortu jakim jest metawersja. Ale najważniejsze jest to, czy konsumenci będą chcieli korzystać z metawersum? Pamiętajmy, że będziemy musieli poświęcić fizyczny (a nie wirtualny) czas, pieniądze i energię, aby wejść z nią w interakcję. Oczywiście, można to sobie wyobrazić na podobieństwo gry wideo, w której buduje się społeczność z wirtualnymi sąsiadami, ale czy mamy wystarczające zdolności poznawcze, aby prowadzić równoległe życie? Czy nie mamy już do czynienia z przeciążeniem informacyjnym?

Metawersja może nie być przysłowiową „ziemią obiecaną” a marzenia inwestorów o zarabianiu ogromnych sum na wirtualnych zakupach mogą się się nie spełnić.  Mantra „zbuduj to, a klienci sami przyjdą” może się nie zwyczajnie nie sprawdzić. Co zatem co może przyciągnąć użytkowników?

Moim zdaniem, pierwszym krokiem w kierunku uwolnienia metawersum jest możliwość wykorzystania go do (a) podejmowania decyzji i (b) używania go jako syntetycznego świata do generowania danych z uczenia maszynowego (ML). Dopasowanie produktu do rynku należy budować stopniowo, w przeciwnym razie argument o przyswojeniu jej przez klientów stanie się dość naciągany, szczególnie gdy branże zaczną otwierać sklepy w przestrzeni wirtualnej i używać walut cyfrowych lub niezbywalnych tokenów do kupowania/sprzedawania aktywów cyfrowych.

Pierwszeństwo digital twins

Kolejnym krokiem na drodze do zbudowania metawersum i spełnienia powyższych warunków „A” i „B” jest cyfrowy bliźniak (ang. Digital twin) będący podzbiorem metawersum. Weźmy mały wycinek świata naturalnego, na przykład sklep detaliczny, i wykorzystajmy uproszczoną metawersję (cyfrowego bliźniaka), aby umożliwić widoczność w czasie rzeczywistym wszystkich zasobów (towarów, pracowników sklepu, przepływów w łańcuchu dostaw itp.).

Następnie należy wykorzystać technologie takie jak CV do pomiaru popytu i podaży w czasie rzeczywistym, zarówno w sklepie stacjonarnym jak i tym wirtualnym. NLP może przesiać tysiące komunikatów i podpowiedzieć, jakie zadania należy wykonać. W ramach dalszego rozszerzenia działań „digital twins” , RL może podejmować decyzje dotyczące nadchodzącej przyszłości.  Dzięki temu kierownicy sklepów będą mieli wgląd w operacje sklepowe w czasie rzeczywistym, co pozwoli podejmować trafniejsze decyzje.

Dlatego też pracujemy nad technologią SmartLens™ Gen II dla handlu detalicznego, która pozwala dostrzec wszystko co istotne dla handlu w Twoim sklepie.

Cyfrowy bliźniak umożliwia nam tworzenie wirtualnych światów i różnych podzbiorów tego samego świata. Co się stanie, jeśli moja sypialnia będzie pomalowana na czerwono, a nie na biało, albo drogi, po których chodzę, będą żwirowe, a nie betonowe?

Na przykład większość algorytmów CV opartych na głębokim uczeniu wymaga tony danych szkoleniowych. Cyfrowy bliźniak (jeśli jest skonstruowany z zachowaniem rygorów ograniczających przesunięcie kowariancji w stosunku do naturalnego środowiska) może dostarczyć nam syntetycznych danych z adnotacjami, np. miliony kilometrów danych dotyczących jazdy dla samokierujących się samochodów lub setek kombinacji dla obiektów w różnych punktach widzenia, np. owoce i warzywa w sklepie będą wyglądały inaczej, jeśli będą oglądane z lewej lub prawej strony, w nocy lub w dzień.

Wykorzystując grafikę komputerową, można zlecić algorytmom CV przeanalizowanie wszystkich możliwych konfiguracji wyświetlania owoców i warzyw. Zwrot ku danym syntetycznym obserwujemy także w innych branżach, np. w przypadku algorytmów sieci neuronowych opartych na głębokim uczeniu, nad którymi pracują naukowcy i inżynierowie na potrzeby kamer wizyjnych. Algorytmy RL napotykają czasem trudności gdy np. przypadkowo zmienia się badany przez nie materiał (tekstura, kolor), kierunek światła, warunki oświetleniowe i rozmieszczenie obiektów. Przeniesienie i prowadzenie badań w wirtualnym świcie może pomóc w rozwiązaniu niektórych z tych problemów.

Podsumowując, sukcesywne działania mające na celu zbieranie doświadczeń z wirtualnego świata pozwolą sukcesywnie redukować rozbieżności pomiędzy produktem a potrzebami rynku.

Dr Biswa Sengupta, Technical Fellow i Global Head of Machine Learnings w Zebra Technologies

Udostępnij