اینترنت اشیای مصرفی (Consumer IoT) الگوی تکرارپذیری دارد که ارزش توجه کردن را دارد. یک رده جدید با مبانی فنی قوی از راه می‌رسد: سخت‌افزار توانمند است، پشته اتصال کار می‌کند و موارد استفاده واقعی هستند. و سپس پذیرش متوقف می‌شود. نه به این دلیل که فناوری شکست خورده است، بلکه به این دلیل که مسیر از «از نظر فنی قابل دوام» تا «در دستان افراد مناسب و استفاده درست» سخت‌تر از آن چیزی از آب درمی‌آید که هرکسی برنامه‌ریزی کرده بود.
دستگاه‌های خانه هوشمند این مسیر را طی کردند. مچ‌بندهای سلامتی این مسیر را پشت سر گذاشتند. ساعت‌های هوشمند اولیه از آن عبور کردند. عینک‌های هوش مصنوعی در حال حاضر دقیقا در میان همین مسیر قرار دارند.
درک اینکه چرا این الگو اتفاق می‌افتد و چه چیزی به‌طور تاریخی آن را شکسته است، برای هر کسی که سخت‌افزار متصل را در این حوزه می‌سازد یا ارزیابی می‌کند، اهمیت دارد.
مشکل کشف در اینترنت اشیای مصرفی
هنگامی که یک رده جدید از دستگاه‌های اینترنت اشیا به نقطه‌ای از بلوغ می‌رسد که چندین محصول معتبر با قیمت‌های مشابه دارد، مشکل کشف پدیدار می‌شود. خریداران نمی‌توانند به‌سادگی دستگاه‌هایی را که روی کاغذ شبیه به هم به نظر می‌رسند اما در عمل عملکرد بسیار متفاوتی دارند، از یکدیگر تشخیص دهند. شاید آگاه‌ترین خریدار از نظر فنی بتواند برگه مشخصات را بخواند و تصمیم منطقی بگیرد. بیشتر افراد نمی‌توانند و نباید هم مجبور به این کار باشند.
این یک مشکل بازاریابی نیست، بلکه یک مشکل معماری دسته‌بندی است. عدم تقارن اطلاعاتی بین آنچه یک برگه مشخصات منتقل می‌کند و آنچه یک دستگاه در عمل و در شرایط واقعی حس می‌شود، آن‌قدر بزرگ است که نمی‌توان آن را تنها از طریق تحقیق در وب برطرف کرد.
همان‌طور که تحقیقات پذیرش اینترنت اشیای مصرفی به‌طور مداوم نشان می‌دهد، نقاط تماس خرده‌فروشی فیزیکی نقش نامتناسبی در پر کردن فاصله بین آگاهی اولیه و خرید واقعی سخت‌افزار متصل ایفا می‌کنند.
به‌طور خاص برای عینک‌های هوش مصنوعی، این شکاف کشف از بیشتر دسته‌های اینترنت اشیا وسیع‌تر است. دلایل این موضوع مختص همان فرم فاکتور است.
چرا ارزیابی پوشیدنی‌ها از سایر دستگاه‌های اینترنت اشیا دشوارتر است
یک ترموستات هوشمند روی دیوار نصب می‌شود. یک سنسور متصل داخل کشو قرار می‌گیرد. هیچ‌کدام از این‌ها نیازی ندارند که با بدن انسان متناسب باشند یا در یک زمینه اجتماعی عملکرد مناسبی داشته باشند.
عینک‌ها از هر دو جنبه متفاوت هستند.
تناسب فیزیکی یک مشخصه است. عرض فریم، طراحی پد بینی و توزیع وزن مشخص می‌کنند که آیا یک دستگاه را می‌توان سه ساعت پوشید یا هشت ساعت. این یک متغیر سلیقه‌ای نیست؛ یک نیاز عملکردی است. دو دستگاه با قابلیت‌های هوش مصنوعی یکسان می‌توانند به دلیل راحتی، نتایج کاملاً متفاوتی در زمینه پذیرش ایجاد کنند.
تحقیقات درباره رها کردن پوشیدنی‌ها نشان می‌دهد که تقریباً از هر ده نفر صاحب دستگاه پوشیدنی، یک نفر استفاده از دستگاه خود را ظرف چند هفته پس از خرید متوقف می‌کند. تناسب و راحتی به‌طور مداوم از دلایل اصلی این اتفاق هستند.
زمینه اجتماعی یک مشخصه است. عینک‌های هوش مصنوعی که در محیط‌های حرفه‌ای یا اجتماعی پوشیده می‌شوند، نباید به‌طور بصری این علامت را بدهند که «من در حال پوشیدن یک قطعه فناوری هستم». این موضوع پیش پا افتاده به نظر نمی‌رسد؛ بلکه تعیین می‌کند که آیا دستگاه رفتار افراد اطراف کاربر را تغییر می‌دهد یا خیر، که این امر مستقیماً بر کیفیت تعاملاتی که قرار است دستگاه آن‌ها را بهبود بخشد، تأثیر می‌گذارد.
دستگاهی که به‌طور آشکاری شبیه سخت‌افزار است، نتایج متفاوتی نسبت به دستگاهی که شبیه عینک معمولی به نظر می‌رسد تولید می‌کند، حتی اگر مشخصات فنی آن‌ها یکسان باشد.
هیچ‌کدام از این مشخصات در یک برگه اطلاعات ثبت نمی‌شوند. هر دو را فقط می‌توان از طریق ارزیابی فیزیکی سنجید.
انتخاب هوشمندانه (کیوری شن) در این حوزه چگونه به نظر می‌رسد
دسته‌هایی که از فلات پذیرش اینترنت اشیای مصرفی عبور کرده‌اند، به‌طور کلی یک ویژگی مشترک داشته‌اند: لایه خرده‌فروشی که کار انتخاب و غربالگری را انجام می‌دهد که مصرف‌کنندگان نمی‌توانند برای خودشان انجام دهند. این فقط به معنای توزیع نیست، بلکه به معنای انتخاب فعال است، جایی که یک کانال آگاه از قبل کیفیت، سازگاری و تناسب را در یک زمینه قابل اعتماد انتخاب می‌کند.
طیف اختصاصی از عینک‌های هوش مصنوعی متا که در یک زمینه خرده‌فروشی عینک قابل اعتماد انتخاب شده‌اند، نمونه‌ای از این است که این موضوع در عمل چگونه به نظر می‌رسد. این طیف گزینه‌های پیشرو را در یک محیط خرده‌فروشی که از قبل دارای اعتماد تثبیت‌شده و تخصص درون‌فروشگاهی در زمینه تناسب عینک است، یکپارچه می‌کند.
برای دسته‌ای که در آن ارزیابی فیزیکی یک نیاز عملکردی است تا یک ترجیح، این ترکیب از انتخاب غربال‌شده، امتحان فیزیکی و کارکنان آگاه، شکاف کشف را به‌طور مستقیم‌تر از هر پیکربندی آنلاین یا جدول مقایسه‌ای برطرف می‌کند.
این فقط یک مشاهده درباره استراتژی خرده‌فروشی نیست. این یک مشاهده درباره اکوسیستم اینترنت اشیا است. در دسته‌هایی که انتخاب خرده‌فروشی در مراحل اولیه وجود نداشت یا ضعیف بود (مانند هاب‌های خانه هوشمند اولیه و نسل اول مچ‌بندهای سلامتی مستقل)، پذیرش کندتر و پراکنده‌تری نسبت به دسته‌هایی دیده شد که در آن‌ها یک کانال خرده‌فروشی قابل اعتماد کار انتخاب فعال را برای مصرف‌کنندگان انجام داد.
این موضوع برای دسته عینک‌های هوش مصنوعی چه معنایی دارد
بازار عینک‌های هوش مصنوعی در نقطه‌ای قرار دارد که کیفیت فنی به اندازه کافی بالا است تا پذیرش مصرف‌کننده تسریع شود، اما زیرساخت کشف هنوز در حال رسیدن به آن است. شرکت گلوبال‌دیتا (GlobalData) عینک‌های هوشمند را به عنوان سریع‌ترین بخش در حال رشد پوشیدنی‌ها تا سال ۲۰۳۰ معرفی می‌کند که هم پذیرش سازمانی و هم مصرف‌کننده در آن نقش دارند. اینکه آیا جنبه مصرف‌کننده این پیش‌بینی محقق شود تا حدی به این بستگی دارد که اکوسیستم چقدر خوب مشکل ارزیابی و کشف را حل کند.
الگوی تاریخی در اینترنت اشیای مصرفی نشان می‌دهد که پاسخ بیشتر شامل خرده‌فروشی فیزیکی خواهد بود تا آنچه غریزه صنعت نسبت به کانال‌های مستقیم به مصرف‌کننده پیشنهاد می‌کند. دسته‌هایی که برای تصمیم‌گیری خرید خوب به ارزیابی فیزیکی نیاز دارند (و عینک‌های هوش مصنوعی به‌وضوح به لایه خرده‌فروشی نیاز دارند تا کار غربالگری اساسی را انجام دهد)، نباید فقط به عنوان یک نقطه توزیع عمل کنند.
برای متخصصان اینترنت اشیا که به این فکر می‌کنند که چگونه دسته‌های سخت‌افزاری متصل از پذیرش اولیه به نفوذ در جریان اصلی منتقل می‌شوند، بازار عینک‌های هوش مصنوعی مورد خوبی برای تماشا است. این بازار به اندازه کافی بزرگ است که اهمیت داشته باشد، به اندازه کافی خاص است که پویایی‌های پذیرش آن قابل خواندن باشد، و در حال حاضر دقیقا در نقطه عطفی قرار دارد که در آن زیرساخت خرده‌فروشی و کشف تعیین می‌کند آیا مسیر به سمت جریان اصلی خم می‌شود یا متوقف می‌گردد.
نتیجه‌گیری
داستان فنی عینک‌های هوش مصنوعی تا حد زیادی نوشته شده است. سخت‌افزار کار می‌کند. معماری اتصال درست است. تفکیک لبه (Edge) و ابر (Cloud) برای مورد استفاده مناسب است. آنچه باقی می‌ماند مشکل پذیرش اینترنت اشیای مصرفی است که اصلا یک مشکل فناوری نیست.
این یک مشکل کشف، ارزیابی و انتخاب است که اکوسیستم هنوز در حال حل کردن آن است. اینکه لایه خرده‌فروشی چقدر خوب از عهده این کار برآید، چیزهای زیادی درباره جایگاه این دسته در سه سال آینده خواهد گفت.
منبع: AI Glasses and the Consumer IoT Adoption Problem: Why Specs Aren’t Enough — IoT For All؛ نویسنده: Ben Hartwig
منبع: iotforall