Sensor boron nitrida memungkinkan pengukuran kuantum di bawah tekanan yang menghancurkan, mendefinisikan ulang fisika tekanan tinggi. Dunia kuantum sudah penuh dengan misteri, tapi apa yang terjadi jika domain aneh partikel subatom ini terkena tekanan yang sangat besar? Mempelajari perilaku kuantum dalam kondisi seperti itu telah lama menjadi tantangan karena satu alasan sederhana: sangat sulit untuk (…)

JetMedia Digital Agency

Lompatan ilmiah utama telah dibuat dengan penciptaan hubungan satelit kuantum ultra-aman terpanjang antara Cina dan Afrika Selatan, yang membentang hampir 13.000 km. Pencapaian yang belum pernah terjadi sebelumnya, menandai tautan satelit kuantum pertama di belahan bumi selatan, mengandalkan distribusi kunci kuantum waktu nyata untuk mengirimkan gambar terenkripsi antara benua. Satelit kuantum terpanjang di dunia (…)

RisalahPos.com Network

Keterikatan kuantum, salah satu aspek fisika yang paling aneh dan paling kuat, baru saja dibawa ke tingkat yang baru dengan penggunaan metasurfaces. Para peneliti telah menemukan cara untuk membuat hologram kuantum, di mana foton terjerat menyandikan informasi rumit dengan presisi yang belum pernah terjadi sebelumnya. Dengan memanfaatkan sifat -sifat metasurfaces, mereka menunjukkan kontrol atas holografik terjerat (…)

RisalahPos.com Network

Sementara AI generatif telah mendominasi berita utama dengan aplikasi konsumen yang mencolok, generasi baru startup teknologi ritel menggunakan kecerdasan buatan untuk menyelesaikan tantangan bisnis mendasar yang telah lama mengganggu industri ini. Perusahaan -perusahaan ini, yang baru -baru ini diakui di bagian ‘Startup’ di dalam Rethink Ritel “Top AI Leaders in Retail for 2025”, menunjuk ke mana teknologi ritel menuju – dan masalah mana yang paling mendesak bagi pengecer untuk dipecahkan.

Berikut adalah empat tantangan utama startup ini yang ditangani, dan bagaimana solusi mereka dapat membentuk kembali operasi ritel:

1. AI menjembatani kesenjangan bahasa produk konsumen

Putus antara bagaimana pengecer menggambarkan produk dan bagaimana konsumen mencarinya mewakili masalah bernilai miliaran dolar dalam penjualan yang hilang dan peluang yang terlewatkan. Kesenjangan ini sangat akut karena belanja menjadi lebih terfragmentasi di seluruh saluran, dari pasar hingga media sosial hingga situs e-commerce tradisional. Dua perusahaan mengambil pendekatan yang sangat berbeda untuk menyelesaikan tantangan ini.

Lily AI, yang melayani pengecer pasar menengah dan perusahaan, membahas apa yang disebut pendiri Purva Gupta “narasi konsumen yang hilang.” Setelah mewawancarai lebih dari 1.000 wanita tentang motivasi belanja mereka, Gupta menemukan bahwa konsumen menggambarkan pembelian dengan detail emosional dan perspektif unik – elemen yang biasanya hilang dari deskripsi produk. Platform Optimalisasi Konten Produk Perusahaan secara sistematis memperkaya seluruh katalog produk dengan bahasa dan atribut yang berpusat pada konsumen, menciptakan lapisan data terstruktur yang memberi kekuatan pada penemuan frontend dan operasi backend. Saat ini berfokus pada kategori mode, kecantikan, dan dekorasi rumah, Lily AI melaporkan bahwa klien melihat peningkatan dua digit dalam penjualan, kesan iklan, dan lalu lintas situs melalui peningkatan kemampuan produk.

Vody mengambil pendekatan yang berbeda, dengan fokus pada interpretasi pencarian real-time daripada pengayaan katalog. Perusahaan menargetkan pengecer perusahaan yang ingin meningkatkan penemuan produk melalui AI generatif multimodal yang memahami konteks budaya saat ini dan topik tren. “Model kami memahami bagaimana pelanggan mencari, berbicara, dan berbelanja,” jelas CEO Stephanie Horbaczewski.

Misalnya, jika pelanggan mencari “Taylor Swift Jersey,” mereka kemungkinan mencari jersey Travis Kelce – data Vody memastikan mereka mendapatkan hasil yang tepat. Sementara Lily.ai berfokus pada membangun infrastruktur data produk yang lebih baik, Vody berspesialisasi dalam menafsirkan dan memahami niat pencarian pada saat ini, membantu pengecer menangkap lalu lintas miring tinggi tanpa memerlukan pembaruan manual konstan untuk data produk mereka.

2. Mengoptimalkan inventaris dengan AI

Operasi ritel tradisional sering mengandalkan model “dorong” yang sudah ketinggalan zaman dan proses manual, yang mengarah pada inefisiensi dalam manajemen inventaris dan limbah yang signifikan dalam kategori makanan segar.

Nextail menangani pemutusan mendasar dalam ritel mode: sementara perilaku konsumen dan siklus hidup produk menjadi semakin dinamis, keputusan inventaris sebagian besar tetap statis dan berbasis intuisi. “Meskipun merupakan industri multi-triliun dolar, fashion sebagian besar berjalan pada model operasi yang dibangun beberapa dekade yang lalu,” catat Joaquín Villalba, salah satu pendiri Nextail dan mantan kepala logistik Eropa di Inditex.

Platform perusahaan menggunakan AI untuk mengubah model inventaris ‘push’ top-down tradisional melalui peramalan permintaan yang hiper-terlokalisasi dan pengambilan keputusan otomatis. Tidak seperti solusi ritel generik, Nextail menganalisis pola unik ritel mode – dari siklus hidup produk pendek hingga kurva ukuran kompleks – untuk membuat keputusan stocking khusus toko. Ini membantu pengecer yang sebelumnya mengandalkan data penjualan tingkat tinggi dan intuisi manajer untuk membuat alokasi inventaris yang lebih tepat dan berbasis data.

Sementara pengecer mode bergulat dengan tantangan inventaris musiman, rantai kelontong menghadapi masalah inventaris yang lebih sensitif waktu: limbah makanan segar.

Platform WEFRESH Cognitiwe membahas tantangan € 4 miliar-plus ini di Eropa saja. Solusi ini menargetkan pengecer kelontong tingkat perusahaan dan rantai supermarket di mana pengelolaan makanan segar kompleks dan pengurangan limbah merupakan prioritas.

Daripada mengandalkan pemeriksaan manual dan tanggal kedaluwarsa tetap, WeFresh menggunakan visi komputer bertenaga AI untuk terus memantau kondisi makanan segar secara real-time melalui kamera toko yang ada. Hal ini memungkinkan pengecer untuk bertindak secara proaktif – menyesuaikan harga, mengoptimalkan restocking, dan berputar sebelum pembusukan terjadi – tanpa memerlukan perangkat keras atau sensor baru yang mahal.

3. Menata ulang harga dan promosi

Pendekatan tradisional untuk penetapan harga dan promosi sering kali bergantung pada proses manual dan strategi diskon luas yang mengikis margin tanpa memaksimalkan potensi pendapatan.

Platform penetapan harga dinamis Quicklizard, melayani pengecer sedang hingga besar yang mengelola ribuan SKU, mengotomatiskan harga untuk seluruh katalog produk. “Sebagian besar pengecer hanya dapat mengoptimalkan 10-15% dari katalog mereka menggunakan metode manual,” jelas Anat Oransky Lev, VP Marketing. Platform AI terbuka perusahaan memungkinkan pengecer untuk menerapkan strategi penetapan harga apa pun melalui kode Python sederhana, sementara modul pembelajaran mesin menganalisis faktor -faktor seperti elastisitas harga, perilaku pesaing, dan musiman. Pendekatan otomatis ini memungkinkan pengecer untuk mengoptimalkan harga di seluruh katalog mereka secara real-time, daripada 10-15% yang biasanya dikelola melalui metode manual.

Platform ini melayani klien terkenal seperti Sephora dan John Lewis & Partners, serta merek langsung-ke-konsumen yang menghasilkan puluhan juta pendapatan tahunan.

Revlifter, yang menargetkan pengecer pasar menengah, memikirkan kembali bagaimana pengecer menggunakan promosi. “Promosi telah menjadi taktik ritel selama sekitar 150 tahun,” catat Dan Bond, VP pemasaran. Perusahaan duduk di antara platform promosi dasar dan teknologi perusahaan yang lebih mahal.

4. Mengotomatiskan pembuatan konten kreatif dengan AI

Meningkatnya permintaan untuk konten visual di seluruh saluran telah menciptakan hambatan baru untuk pengecer, terutama dalam konteks mode dan pemasaran.

Fashable, melayani pengecer pasar menengah dan perusahaan, menghasilkan citra fotorealistik yang mengubah alur kerja industri mode dari konsep ke pasar. Platform ini menciptakan citra mode yang dihasilkan AI yang tetap eksklusif untuk merek, memungkinkan pengecer untuk menguji respons pasar sebelum berkomitmen pada produksi fisik sambil mengurangi limbah sampel dan mempercepat waktu untuk dipasarkan.

Sementara Fashable berfokus pada visualisasi produk, pengecer menghadapi tantangan konten lain: menciptakan dan mengadaptasi pemasaran kreatif di seluruh serangkaian saluran digital yang terus berkembang.

Rocketium membahas tantangan penskalaan ini untuk periklanan merek perusahaan di platform sosial, tampilan, dan media ritel. Platformnya mengotomatiskan pembuatan beberapa versi kreatif untuk setiap elemen kampanye sambil memprediksi potensi kinerja, menghilangkan pekerjaan manual untuk mengadaptasi konten untuk platform dan penempatan yang berbeda. Dibangun khusus untuk pengiklan ritel, ini menangani segalanya mulai dari pembuatan versi hingga kepatuhan platform, membantu merek meningkatkan output kreatif mereka tanpa memperluas tim mereka.

Masa depan teknologi ritel

Solusi Startup ini sedang mengembangkan sinyal perubahan penting dalam AI ritel. Sementara banyak perhatian telah berfokus pada aplikasi AI yang menghadap konsumen seperti Amazon yang baru diluncurkan Rufus Shopping Assistant, perusahaan-perusahaan ini menunjukkan bagaimana kecerdasan buatan dapat mengubah operasi ritel inti. Karena saya baru -baru ini WR masa depan belanja AI, kutil dan semua “), alat -alat seperti Rufus hanyalah awal dari bagaimana AI akan membentuk kembali ritel – transformasi nyata terjadi di balik layar.

Untuk pengecer yang mengevaluasi di mana berinvestasi dalam kemampuan AI, startup ini memberikan kerangka kerja yang berguna: optimasi bahasa untuk penemuan, manajemen inventaris cerdas, harga dinamis dan promosi, dan pembuatan konten otomatis. Masing -masing mewakili area di mana AI dapat memecahkan tantangan bisnis yang spesifik dan terukur daripada hanya menambahkan kecanggihan teknologi.

Yang paling penting adalah bagaimana solusi ini berkembang di luar otomatisasi sederhana. Apakah itu Lily.ai menjembatani kesenjangan bahasa antara pedagang dan konsumen, atau WeFresh yang memprediksi pembusukan makanan segar sebelum terjadi, platform ini menunjukkan kemampuan AI untuk memecahkan masalah yang sebelumnya tidak dapat diselesaikan melalui metode tradisional. Sementara chatbots dan mesin rekomendasi dapat menangkap berita utama, masa depan teknologi ritel terletak pada solusi terfokus ini yang memberikan dampak bisnis konkret.