Caper正在部署自助結帳購物車為顧客在商店中提供導航，同時減少顧客排隊結賬的負擔。
照片來源：David Shankbone，根據知識共享3.0許可
作為千禧世代一員，York Yang不會在餐廳等位或排隊等候公共交通，而是通過提前訂餐或叫車滿足需求。但當涉及雜貨店結帳時，他則不得不親自處理。
因此，Yang和三位聯合創辧人創立了自助購物車製造商Caper，以解決他們這一代人對在超市排隊結賬的厭惡情緒。
Caper公司的CTO楊說：“當然，目前已經有Instacart（一家日常用品送貨的新創公司）或其他送貨服務，但是當您想要立即喝到一杯飲料時，這些送貨服務太慢了。 ”
Caper可以解決這些問題。它的智慧購物車搭配了掃描儀，三個圖像識別的攝影機，秤和銷售點讀卡器。自行打包並放進購物車，這裡採用的是與Amazon Go自助商店類似的技術。
總部位於紐約的Caper最近獲得了1仟萬美元的融資。這家由Y Combinator公司提供孵化的公司也是NVIDIA新創加速計劃（Inception）的成員，該計劃可幫助新創企業擴展市場。
商店興趣濃厚
Caper還可以在商店沒有實體整修的情況下為顧客提供新的便利性，雜貨店感到感到很滿意。
它的智慧購物車可以根據購買記錄來做商品推薦，並指導消費者的購物。
同樣，Caper可以遠程更新價格，並按小時在智慧手推車上進行交易以匹配商店數據庫。
另外，為了解決數據氾濫的問題，Caper還有商店內部的伺服器中通過NVIDIA GPU部署了邊緣運算，以啟用其智慧購物車。
Caper的購物車正在Sobeys進行前導測試，Sobeys是加拿大第二大食品零售商，擁有1500個多個連鎖店。楊說：“目前，整個團隊都對我們的解決方案感到非常興奮。他們希望幫助我們實現這一目標，並幫助我們在這一領域取得成功。”
訓練AI購物車
商店中通常存放了很多物品。Caper正在開發圖像識別模型，以使顧客可以在商店中看到超過50,000件商品，這樣它可以避免使用產品圖像生產帶有標籤的數據集所消耗的成本和時間。
要正確識別一個商品通常需要100到1,000張圖像，但是Caper可以使用模擬增強數據來加速此過程。Caper可以為每個商品拍攝五張圖像，然後運行3D模擬以捕獲該商品的不同角度，進行將訓練集綜合擴展到每個商品有100到1,000張圖像。
Caper通過雲和本地機器上的NVIDIA GPU運行這些圖形密集型的模擬和模型訓練。
培訓內容
Caper有許多數據管道在運行。在每家商店進行圖像識別都是一件艱鉅的任務。但是它的條碼掃描器可以在開發功能的同時掃描物品。在此期間，Caper利用秤和攝影機感測器來秤重和辨識物品。但是許多Caper員工都在忙於為零售商完善其圖像模型。
自1月份首次亮相以來，這家快速成長的新創公司於今年在眾多雜貨店中推出其自助購物車，Caper團隊中擁有大量的AI專業人才。NVIDIA新創加速計劃為所有員工（特別是新員工）提供支持，讓員工可以免費訪問有關最新AI主題的NVIDIA 深度學習機構（Deep Learning Institute）課程。
Yang說：“通過我們的團隊不斷壯大，我們的新員工可能並不總是擁有我們所需的全部技能，NVIDIA 深度學習機構課程非常有用，可以對他們進行培訓。”