重点新闻(1215~1228)
2024年最后，超商双雄各自祭出了会员OMO数据经营新招。全家延续著经营开店平台的战略，锁定买卖家同门市交货场景，推出智慧寄物服务，进一步了解会员的电商行为，如何与实体消费行为串联。小七则推出了整合集团全通路的OpenPoint会员入口网站，尝试一站式搜集会员横跨旗下不同通路的数位足迹。
#电商物流 #OMO零售 #会员数据
全家推出电商寄物服务，搜集OMO消费数据新面向
全家推出「寄物+」门市寄物服务，主要用于电商同门市交货，也可用于个人寄物情境。目前，此服务可于全台4,200间店舖的Kiosk机台申请使用，未来则能在全家官网、会员App及线上Kiosk App等通路申请使用。
这是全家透过电商物流服务，来经营OMO会员数据的又一做法。如同他们过往搜集门市电商取货数据，全家也会搜集寄物服务数据，分析取货者和寄货者的行为特征等个人级别数据，以及热门服务时段和地点等门市级别数据，来辅助会员及门市经营决策。
#集团综效 #OMO零售 #会员经营
统一集团推出集团会员入口网站，一站式串联会员横跨各通路的足迹
统一集团推出了Uniopen网站，这是一个集团全通路的入口网站，一站式串联了跨通路的电商功能、生活资讯、优惠资讯。在此，可以用关键字同时搜寻跨通路商品、官方资讯文章，以及社群文章。
此网站可以登入横跨统一不同通路的OpenPoint会员，不过，除了可以查询订单跟收藏商品等个人化查询功能，统一没有提到其他个人化服务。
目前，此网站对于集团内不同通路的资讯串联和系统整合程度不一。整合度最低的Yahoo商城，目前只是一个外部连结，无法在搜寻功能中找到站上商品。博客来等其他通路整合度则略高，可以在Uniopen找到商品，但点入商品页面后，无法直接带入会员身分。记者实测时，从Uniopen搜寻页面点击商品，到博客来买书的过程中，需要登入会员身分至少三次，且每次都需要接收OTP简讯，体验仍不算流畅。
#生成式AI #自建GAI应用
用GAI提升业务作业效率6倍，US Foods秘诀是不怕准确度低，早早投入真人测试
如何降低生成式AI产生幻觉或回答不精确的机率，是企业应用此技术到实际业务流程中，一个重要品质控管环节。不过，有一家企业反其道而行，早在生成式AI的KM助手开发初期，就广泛应用回答准确率只有50%的阳春版雏型，成为他们正式版产品成功提升业务人员作业6倍效率的关键。
US Foods是一间有250,000间餐饮客户的美国大型食品经销商，他们的3,000名业务人员，不只要负责推销公司产品，还要提供餐饮及开店建议。每当餐厅想要咨询，业务人员就得扮演顾问角色，花上3至4小时，汇整餐厅提供资料，综合参考自家内部资料，才能开始制作顾问提案。平均，一名业务要负责50至70间餐厅，不只工作时间，就连假日和下班时间都被这些数据整理作业占满，是业务人员最费时的工作内容。US Foods ML工程团队希望用生成式AI来降低麻烦，最后成功将业务汇整资料缩短到半小时以内，效率超过6倍。
US Foods ML工程团队主管David Falck指出，KM工具达到这样的效果，关键在于他们不会担心GAI回答准确度太低，就不敢让真人测试。他表示，早早让业务人试用雏形，不仅可以尽快测试实际工具成效，更能根据大量第一线使用者的诚实回馈，锁定优化方向。开发过程中，他们也不断扩大测试规模，让更多市场及地区的业务人员试用不同版本的雏型，来搜集更多使用者回馈，并尽早让工具发挥降低工时的价值。
ML工程团队的技术决策，也使他们能快速分析试用结果和使用者回馈，并弹性调整系统。这些做法包括妥善切割功能模组、打造自动化再训练机制、留存推论结果纪录、规定提示词模板等。
#生成式AI #LLM开发 #GPU资源应用
酷澎如何开发和应用生成式AI，并在过程中压低GPU成本
近期，酷澎揭露了自家如何应用和开发LLM，以及过程中的软硬体技术做法。在生成式AI爆红前，酷澎一年就已经执行了超过600个ML专案、10万个工作流程。LLM问世后，酷澎则开始用LLM及多模态LLM的文字及图像理解能力，来强化既有AI/ML做法，尤其是原本就会运用大量图文资料的推荐类和内容理解类模型。
常见3大LLM应用是，利用多模态LLM同时根据图像和文字数据，来生成嵌入向量；用LLM大规模生成中英韩三种语言的弱标注（Weak Labels）数据，来支援其他模型的训练；以及综合商品分类与属性提取，来取代原本个别商品类别的ML分类模型。
导入LLM，使酷澎需要大量增添供应短缺且要价昂贵的GPU资源。他们控管GPU支出及确保可用性的做法包括，定期进行测试是否能用更低规格GPU来处理小LLM的作业、利用跨区及混合云模式来调度硬体资源、尝试新技术框架来降低硬体负担，以及混搭CPU和GPU来降低高端GPU需求等。（更多零售IT动态
1. 3. AI零售科技商