跳到主要內容

Berry AI 深化美國客戶合作,利用電腦視覺優化速食營運

聚焦速食產業 AI 應用,Berry AI 已獲得多個大型速食品牌信任

Berry AI 運用電腦視覺技術幫助速食業者蒐集營運資訊,用於優化營運流程與改善消費者體驗。自 2022 年成功進入美國市場後,銷售成績大幅成長,目前已成為美國速食 AI 科技領導業者。

Berry AI 團隊成員來自哈佛大學、杜克大學、紐約大學等知名學府以及阿里巴巴、聯發科、Microsoft、Appier、HTC 等大型跨國科技企業與 AI Labs、Umbo CV、Gogolook 、Cubo AI 等知名新創。Berry 研發團隊鼓勵成員探索與應用新的技術,我們延攬 AI 領域富有盛名且擁有數十年研究經驗的教授做為技術顧問,大幅增強團隊的研發能量。我們擁抱技術的無限可能性,並且相信共享知識的力量,研發團隊亦定期舉辦 Workshop 與技術交流會,分享彼此研究進度與開發心得,共同學習新知識。讓每一位成員都能夠盡情發揮自己的才華,實現自己的技術夢想。

Berry AI 於 2022 年開始與多家美國客戶展開合作,產品獲得肯定,先是與全球第 2 與第 3 大漢堡連鎖業者 Burger King 和 Wendy’s,以及全球第 3 大披薩連鎖業者 Little Caesars 進行試點導入,並於 2023 年擴大合作,將產品導入更多分店。在速食產業內建立起產品口碑後,Berry AI 與更多品牌建立合作關係,在 2024 上半年已經和 5 個新品牌以及大型加盟商進行試點導入,包含 Zaxby's、7 Brew 和 Scooter's Coffee 等,預計在下半年擴大導入各品牌,讓銷售成績有另一個指數性成長。「Berry 運用 AI 技術幫助業者優化成本、提升營收,創造巨大的效益。全美共有超過 20 萬間速食店,未來數年將有數萬間分店導入 AI 產品。」CEO Eric 說道。

Berry AI 的解決方案架構為 Edge AI 與混合雲的架構,產品則聚焦於協助美國速食業改善 Speed of Service,透過提供給客戶 AI-based Drive-Thru Timer System,以及店內的 Customer Journey 追蹤系統,協助客戶即時了解狀況、找到問題,進而改善既有的流程。

具有台灣上市公司飛捷科技的財務挹注與支持,Berry AI 擁有穩定的資金來源與客戶關係,業務與團隊持續擴張中,如果您希望成為高速成長的跨國 AI 新創企業的一部分,請持續關注我們的動態,加入我們,與我們一同引領AI技術與速食營運的深度融合。

留言

這個網誌中的熱門文章

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

COSCUP 2025 Call for Proposals / 徵稿辦法

COSCUP 常規徵稿已於 2025-05-10 截止,接下來進入加碼徵稿階段。加碼徵稿是為了提升大會的稿件品質,依據投稿狀況(數量、品質)部分徵稿主題可能提前喊停。最遲請於 05 月 24 日(AoE) 前投稿,徵稿主題可參考下方列表。 The regular call for proposals (CFP) for COSCUP closed on May 10, 2025. We are now entering the bonus CFP phase to improve the quality of submissions. Some topics may close earlier than expected, depending on the current status of submissions (in terms of quantity and quality). Please submit by May 24 (AoE) at the latest. You may refer to the topic list below for inspiration. 開始投稿 Submit Your Proposal 提案須知 Things you may need to know 演講形式:預設為現場30分鐘演講包含QA,若有其他需求可於提案系統註明,由各主題主辦單位決定如何安排。 Talk Format : The default format is a 30-minute on-site talk, including Q&A. If you have other requirements, please indicate them while submitting your proposal. The final arrangement will be decided independently by the organizers of each topic. 語言:COSCUP 受眾包含海內外與會者,大會不限制發表語言但鼓勵以英語發表。大會將公布雙語議程表,請提供中英文版議程介紹。 L...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...