就餐这件小事,如何被AI计算深度改变?

简介: 天天嚷着营养均衡、保持身材,临了却不知道该吃什么、怎么吃;

天天嚷着营养均衡、保持身材,临了却不知道该吃什么、怎么吃;


估不准的打餐分量,眼大口小点一大堆,吃不完浪费、强行吃又吃撑;


看不到尽头的队伍,只有一点点用餐时间,排队却花去大半……


在食堂等就餐场合,很多人会因为“吃饭”这件原本最为平常的小事而各种纠结,传统餐饮长时间面临各种痛点问题但却没有太大改进。


而现在,变化正在发生。


中信银行济南分行的食堂就上线了一套新的餐饮系统,就餐拥挤、排队的“老大难”问题基本得到解决,同时通过精准计量、无感支付、营养分析、信息推送等技术,不仅让职工可获得更好的就餐体验,还可以帮助个人进行有效的健康管理。

image.png

这种变化,来自于基于AI技术的餐饮数字化解决方案。


1


解决传统餐饮痛点,


AI加持下的解决方案大显身手



随着《国民营养计划》的提出,宏观导向上,国家正在积极推动“互联网+营养健康”服务,并促进新技术的应用试点示范,一波数字化升级的浪潮正在餐饮业展开,这其中涌现出大量优质解决方案。


来自山东的神思电子所推出的智慧餐饮+健康管理解决方案就是如此,该方案基于Atlas 500智能小站的AI能力,结合个性化数据分析、移动应用等技术手段,将传统餐饮管理、结算、支付、营养分析、人脸识别等系统深度融合,打造数字化服务、实现餐饮与健康管理联动。

而上述中信银行济南分行所用的,就是这套解决方案。


神思电子的解决方案得以迅速落地、得到广泛认可,直接原因在于解决了传统餐饮面临的诸多痛点问题,包括打餐效率低、结算出错多、浪费严重、用户健康管理缺失等。


无论从国家宏观政策导向还是普通大众不断升级的自我保健需求来看,传统餐饮都到了必须解决问题的时候了,神思电子推出的智慧餐饮+健康管理解决方案,恰好能够很好地解决上述问题:


在取餐环节,方案中的智慧称重计价功能,可以实现自助取餐过程中的精准计量和计费,不仅可以实时提醒就餐者取餐精确分量,并且可以减少计价环节的拥堵、错漏;


在结算环节,人脸识别功能可实现“无感支付”,刷脸结算平均时间不超过1秒,降低排队问题、提升就餐体验;


同时,方案中的营养分析功能内置上百种食物的营养数据,能结合精准计量技术,准确分析用户各类营养元素摄入量,个性化定制健康就餐提醒。image.png

此外,该方案还针对后厨及餐厅操作行为实现了实时分析、实时告警,让管理者能够及时发现和纠正问题。


整体来看,智慧餐饮+健康管理解决方案通过打通餐饮终端、中心管理云端、用户手机端,实现创新性的“三端无缝融合”,最终完成从餐饮管理到健康管理的服务闭环。


2


凭借底层化能力“深度”,


Atlas 500推动产业应用“广度”



在整个系统中,智慧餐饮+健康管理系统解决传统餐饮痛点的AI能力核心是什么呢?那就不得不提到昇腾全栈AI平台,特别是已广泛部署和应用的Atlas 500智能小站。


超强AI计算性能、体积小、环境适应性强、易于维护、支持云边协同……被定义为“智能小站”的Atlas 500,以边缘计算模式,在易部署的同时又拥有AI高性能,实现了“鱼与熊掌兼得”。目前,Atlas 500已经在交通、金融、零售等众多行业AI中广泛应用。

image.png

现在,Atlas 500以机顶盒大小的体积可实现16路高清视频处理能力,相比业界产品性能提升4倍,帮助餐饮一线拥有独立的“智慧大脑”,加速神思电子智慧餐饮+健康管理解决方案“智能化”,促进餐饮新模式——倡导“光盘行动”、按需取餐、精准计量、无感支付,就餐全流程高效、自助、便捷广泛推广。


现在,神思电子的方案已经迅速在政府、银行、企业、高校、医院等场景实现全面落地。


跳出神思电子单一企业案例,从产业视角看,可以认为,Atlas 500优质的边缘AI计算产品,配合昇腾计算产业界伙伴的自主创新和研发,众多餐饮企业将以低门槛的方式获得属于自己的“云眼和大脑”,餐饮业的整体数字化、智能化进程,都将因为AI技术而大大加速。


我们看到,技术在真正带来属于这个时代的发展红利,而这一过程,产业生态则起到了重要推动作用。上述案例体现的济南餐饮产业变化,就与昇腾AI计算产业生态密不可分。


济南正在打造人工智能产业的“济南方案”,餐饮行业已经有了可循的模式。这样的大背景下,即将举办的“智汇泉城·昇腾万里”2020中国人工智能产业峰会暨昇腾计算产业峰会(济南),昇腾将展示它在助力本土科创体系建设、产业转型、政产学研用融合等方面的系统化布局,更多行业的产业模式也将会展现,为业界带来更深度的AI计算认知,令人期待。

相关文章
|
24天前
|
存储 人工智能 算法
【AI系统】计算与调度
本文探讨了计算与调度的概念,特别是在神经网络和图像处理中的应用。通过分离算法定义和计算组织,Halide 等工具能够显著提升图像处理程序的性能,同时保持代码的简洁性和可维护性。文章详细介绍了计算与调度的基本概念、调度树的构建与约束,以及如何通过调度变换优化计算性能。此外,还讨论了自动调优方法在大规模调度空间中的应用,展示了如何通过探索和预测找到最优的调度方案。
40 0
|
3月前
|
存储 人工智能 弹性计算
AI计算加速渗透、基础设施全面升级…云栖大会重磅发布全览
阿里云全面展示了全新升级后的AI Infra系列产品及能力。通过全栈优化,阿里云打造出一套稳定和高效的AI基础设施,连续训练有效时长大于99%,模型算力利用率提升20%以上。
273 27
|
2月前
|
机器学习/深度学习 存储 人工智能
AI与量子计算:推动计算科学的边界
【10月更文挑战第7天】AI与量子计算的融合,标志着计算科学进入了一个全新的时代。在这个时代里,计算能力的边界被不断拓宽,科技创新的速度不断加快。我们有理由相信,在未来的日子里,AI与量子计算将继续携手并进,共同推动计算科学向着更加智能、更加高效的方向发展。让我们期待这一天的到来,共同见证计算科学的无限可能。
|
17天前
|
人工智能 缓存 并行计算
转载:【AI系统】CPU 计算本质
本文深入探讨了CPU计算性能,分析了算力敏感度及技术趋势对CPU性能的影响。文章通过具体数据和实例,讲解了CPU算力的计算方法、算力与数据加载之间的平衡,以及如何通过算力敏感度分析优化计算系统性能。同时,文章还考察了服务器、GPU和超级计算机等平台的性能发展,揭示了这些变化如何塑造我们对CPU性能的理解和期待。
转载:【AI系统】CPU 计算本质
|
17天前
|
机器学习/深度学习 存储 人工智能
转载:【AI系统】计算之比特位宽
本文详细介绍了深度学习中模型量化操作及其重要性,重点探讨了比特位宽的概念,包括整数和浮点数的表示方法。文章还分析了不同数据类型(如FP32、FP16、BF16、FP8等)在AI模型中的应用,特别是FP8数据类型在提升计算性能和降低内存占用方面的优势。最后,文章讨论了降低比特位宽对AI芯片性能的影响,强调了在不同应用场景中选择合适数据类型的重要性。
转载:【AI系统】计算之比特位宽
|
20天前
|
机器学习/深度学习 人工智能 前端开发
【AI系统】计算图的控制流实现
计算图作为有向无环图(DAG),能够抽象神经网络模型,但在编程中遇到控制流语句(如if、else、while、for)时,如何表示成为难题。引入控制流后,开发者可构建更复杂的模型结构,但部署含控制流的模型至不支持Python的设备上较为困难。目前,PyTorch仅支持Python控制流,而TensorFlow通过引入控制流原语来解决此问题。计算图的动态与静态实现各有优劣,动态图易于调试,静态图利于优化。
43 5
【AI系统】计算图的控制流实现
|
20天前
|
机器学习/深度学习 人工智能 算法
【AI系统】计算图挑战与未来
当前主流AI框架采用计算图抽象神经网络计算,以张量和算子为核心元素,有效表达模型计算逻辑。计算图不仅简化数据流动,支持内存优化和算子调度,还促进了自动微分功能的实现,区分静态图和动态图两种形式。未来,计算图将在图神经网络、大数据融合、推理部署及科学计算等领域持续演进,适应更复杂的计算需求。
50 5
【AI系统】计算图挑战与未来
|
20天前
|
机器学习/深度学习 人工智能 PyTorch
【AI系统】计算图基本介绍
近年来,AI框架如TensorFlow和PyTorch通过计算图描述神经网络,推动了AI技术的发展。计算图不仅抽象了神经网络的计算表达,还支持了模型算子的高效执行、梯度计算及参数训练。随着模型复杂度增加,如MOE、GAN、Attention Transformer等,AI框架需具备快速分析模型结构的能力,以优化训练效率。计算图与自动微分紧密结合,实现了从前向计算到反向传播的全流程自动化。
40 4
【AI系统】计算图基本介绍
|
21天前
|
存储 机器学习/深度学习 人工智能
【AI系统】计算图优化架构
本文介绍了推理引擎转换中的图优化模块,涵盖算子融合、布局转换、算子替换及内存优化等技术,旨在提升模型推理效率。计算图优化技术通过减少计算冗余、提高计算效率和减少内存占用,显著改善模型在资源受限设备上的运行表现。文中详细探讨了离线优化模块面临的挑战及解决方案,包括结构冗余、精度冗余、算法冗余和读写冗余的处理方法。此外,文章还介绍了ONNX Runtime的图优化机制及其在实际应用中的实现,展示了如何通过图优化提高模型推理性能的具体示例。
52 4
【AI系统】计算图优化架构
|
21天前
|
机器学习/深度学习 存储 人工智能
【AI系统】自定义计算图 IR
本文介绍了模型转换的方法及流程,重点讲解了计算图的自定义方法和优化技术。通过IR(Intermediate Representation)将不同AI框架的模型转换为统一格式,实现跨平台高效部署。计算图由张量和算子构成,支持多种数据类型和内存排布格式,通过算子融合等优化技术提高模型性能。文章还详细说明了如何使用FlatBuffers定义计算图结构,包括张量、算子和网络模型的定义,为自定义神经网络提供了实践指南。
34 3
【AI系统】自定义计算图 IR