PreciTaste QSR Brain 解決方案簡介

重點精華

PreciTaste 的 QSRBrain 使用 OpenVINO 最佳化電腦視覺，透過 AI 推斷將餐廳營運數位化。截至 2019 年，美國有超過 194,000 個 QSR 地點。
QSR Brain 可以偵測顧客和車輛、近乎即時計算最佳生產標準、識別並計算食物進而更新廚房和庫存，甚至指引員工執行工作。
食品生產可運用 AI 預測技術，近乎即時地滿足需求，而不是預估並預備食品的傳統模式。如此不但能最佳化生產，也能減少浪費。
OpenVINO 易學易用，讓 PreciTaste 團隊突破學習曲線，加速開發及部署。
OpenVINO 有廣泛的硬體相容性，所以長遠來看 Precitaste 可以輕易更換和改善硬體。

查看所有邊緣 AI 參考文件

為計算和指引員工一天最佳的食品生產標準，QSR Brain 系統部署了邊緣高效能 AI 推斷技術。

「使用 Intel® 發行版 OpenVINO™ 工具組後，模型推斷加速了，因此我們可以近乎即時地執行邊緣物件偵測。」

PreciTaste AI 負責人 Mathias Sundholm

快餐店 (QSR) 地點若要以永續經營的方式管理生產，需要精心計算備餐食材的數量和時間，才能確保隨時提供新鮮食品。但生產難免會過剩或不足。

為解決效率低下問題並減少食物浪費，AI 軟體合作夥伴 PreciTaste 建立了 QSR Brain 這個餐飲業數位管理 AI 機器視覺系統。QSR Brain 以 Intel 發行版 OpenVINO 工具組最佳化，可執行感測、將餐廳營運數位化，以及使用 AI 推斷指引零售地點的食品生產，因此 QSR 可以更有效滿足顧客來店、開車或網路訂餐的食品需求。

搭配邊緣 AI 推斷技術與電腦視覺偵測顧客和車輛感測的銷售（POS）資料，餐廳可以近乎即時地計算一天最佳的生產標準、立即更新廚房和庫存，以及指引員工在需要時精確完成必要的工作，達成更永續的生產、減少食物浪費、加快服務速度，改善管理庫存進而節省成本，並整合生產工作。

挑戰：手動執行 QSR 面臨生產效率低下問題，影響鮮度、服務時間，甚至是浪費

截至 2019 年，美國有 194,000 個 QSR 地點。¹ 如果是傳統手動方法，食品生產是預定排程，或接獲訂單再採取行動。員工常得決定增量生產（導致食物浪費和不新鮮）或減量生產（導致服務緩慢和缺貨）。眾所皆知餐飲業的員工流動率高、訓練少，所以員工需要更精確的方法，規劃備餐的時間和數量，而主管需要更永續經營的流程。

解決方案：根據視覺感測，近乎即時地更新預測滿足生產與需求

估計來電和開車點餐的顧客數量，加上之前可比較顧客數量的銷售資訊，QSR Brain 使用 AI 推斷技術建立預測，預估可滿足需求的漢堡、炸雞、薯條及其他品項供應量。計算還包括同期的歷史需求（例如 4 月星期二）、視覺 AI 計算的實際來店客流量和開車點餐、當地天氣、POS 的直接串流和當地活動。除了使用視覺 AI 量化來店和開車的客流量，QSR Brain 也使用 Intel® 實感™ 攝影機記錄深度影像和視覺資訊。這些容積資料會感測食物的 3D 設定檔，量化目前烹煮的食物及可供應的餐點，協助系統執行即時庫存監控。系統會比較所觀察的實際可用庫存與需求預測，然後根據實際客流量和實際生產，全天候即時更新最佳生產排程。如果計算出需要更多食物，系統會透過內場的觸控螢幕，傳送備餐指示給廚房員工。這些資料會全部上傳雲端，提供管理部門營運見解。

QSR Brain 數位管理功能：

顧客追蹤：電腦視覺追蹤並量化餐廳點餐區的顧客人數。
車輛追蹤：電腦視覺追蹤並量化車道排隊等候或進場的車輛。
可用庫存與半成品庫存感測：視覺與深度感應器量化完成的食品及供應量。
POS 界面與分析：收到 POS 的訂單後會分析材料（例如，雙層起司堡、四片漢堡肉餅、四個起司片）。
需求模型：系統會根據歷史資料、顧客和 POS 訂單，預測每個品項接下來 5 分鐘、10 分鐘、15 分鐘的銷量。
廚房工作邏輯與備餐指令：如果可用庫存不足，無法滿足預測的需求，系統會判斷員工要烹煮更多食物。
UI 與 UX：傳送規劃的決策給員工。
報告儀表板：傳送估計的關鍵效能指標（KPI）報告給管理部門。

運作方式

美國各地許多 QSR 地點的網路連線不可靠，所以不可能直接連線雲端執行 AI 運算。反觀 QSR Brain 解決方案可在現場執行 AI，因為方案使用的小型外型規格電腦可以執行邊緣 AI 推斷，做出營運決策。

若要在每間餐廳提供功能，每個地點要有當地的 QSR Brain 執行個體，包括感應器和計算裝置。

QSR Brain 透過嵌入式攝影機與感應器套件，以及最多 15 部影片串流，同步所有銷售管道的內場生產與需求。每間餐廳的感應器會收集庫存等級資料，然後將資料傳送至計算重要分數的邊緣裝置：

電腦視覺識別並計算食物。
分析銷售預測與每個材料。
系統會計算判斷需要更多備餐量的時機。
指令傳送至觸控 UI，指示員工烹煮更多食物。

**圖 2.** QSR Brain 系統即時量化可用的食物、指示員工烹煮更多食物，以及更新庫存。

Intel 硬體提供 QSR Brain 運算與專屬感應功能。平台開發期間，PreciTaste 使用 Intel 發行版 OpenVINO 工具組，協助調整嵌入式 Intel 處理器與視覺處理器的影片分析工作負載。通常使用 Intel Atom® 和 Intel® Xeon® 處理器（視所需運算能力而定），以及 Intel 實感攝影機與管理技術。使用 Intel 平台與裝置陣列，讓 PreciTaste 輕鬆整理和整合主要功能至模組化系統。

「我們的中心使命是減少全球食物浪費，並提供其他更聰明的方式，生產工業、商業及家庭的食品。」

PreciTaste 創辦人 Ingo Stork-Wersborg

Intel® 發行版 OpenVINO™ 工具組

利用預先最佳化功能和核心的程式庫，Intel 發行版 OpenVINO 工具組可以協助開發者編碼、最佳化模型，以及在異質環境部署深度學習推斷、電腦視覺、硬體加速模型。工具組易學易用，所以 PreciTaste 團隊可以逐步突破學習曲線，提升模組的工作速度。不僅如此，OpenVINO 工具組讓 PreciTaste 可以選擇升級和更換硬體作為改善。新的 OpenVINO 相容硬體幾乎不必更改架構或設定，即可裝入系統。

Intel® RealSense™ 技術

透過 Intel RealSense 視覺與深度感應器，PreciTaste 可以記錄 3D 設定檔，即透過感測煎鍋的深度和材料填充程度，有效估計食物分量。感應器量化完成的食品及供應量，為 QSR Brain 提供主要資訊來源，根據可用庫存的容積做出決策。

PreciTaste 發現 Intel RealSense 透過攝影機提供視覺和深度資訊，能以實惠的方法估計眾多材料的可用庫存。PreciTaste 期待日後持續整合部署技術。

大規模聯合學習

對旗下有數十、數百、甚至數千間 QSR 餐廳的特許經營商而言，解決方案產生大量的資料點有助管理部門獲悉營運見解。本機 AI 管理每間餐廳時，雲端運算管理報告、技術轉移和聯合學習。每個本機 AI 代理程式會傳送概述的 KPI 資料至雲端式儀表板，方便管理部門獲得營運見解。訓練 AI 模型會在第一間餐廳現場進行。

主要優點

PreciTaste 發現，使用 QSR Brain 系統可提供更多永續經營解決方案，對主要 QSR 特許經營商的營運具有顯著影響。該公司的客戶在美國十大 QSR 餐廳即占了四間。整體而言，使用解決方案最終會帶來更快的服務、更高效的食品生產管理，以及勞動效率。有餐廳回報營業利潤翻倍。

服務速度改善促成銷售增長

PreciTaste 發現，部分客戶的服務速度平均改善高達 33 秒，推動高峰時段銷售增長 8%，且整體銷售增加 4.8%。² 不僅利潤改善，更縮短排隊等候的時間，提供更美好的顧客體驗。

更高效管理食品生產流程，進而減少食物浪費

餐飲業食材的平均成本在銷貨淨額中占 30%。³ 但由於生產過剩和品質問題，大量食物進了垃圾桶。有 QSR Brain 系統準確的預測後，每間餐廳可以更有效管理食品生產，既能提供更新鮮的食物、更美味的體驗，又能減少食物浪費，大幅節省成本。每間餐廳只要生產估計必要的食品，即可減少 80% 以上的食物浪費。換言之，節省 2% 的食物成本。光是食物浪費節省的費用，就相當於 270% 的解決方案成本。²

提升勞動效率，降低人力成本

餐飲業的員工流動率極高。系統的直覺式指引，讓新進員工不必接受大量訓練，只要按照畫面指示，即可上手工作。PreciTaste 發現，AI 管理可排除或整合廚房 40% 的生產工作，降低 4% 的整體人力成本。

結語

PreciTaste 的 QSR Brain 結合 Intel 發行版 OpenVINO 工具組後，顯示新穎的解決方案可以精準預測邊緣食品生產。這個方案不僅減少食物浪費、節省 QSR 的成本和生產時間，更是為日後眾多產業的創新解決方案做準備。

關於 PreciTaste

PreciTaste 是美國公司，專為餐飲行業開發人工智慧與機器學習為主的全新解決方案。

precitaste.com

選擇您的語言

使用 Intel.com 搜尋功能

快速連結

最近的搜尋

進階搜尋

僅在以下條件搜尋：

PreciTaste 使用 AI 精確預測 QSR 食品生產