在餐饮行业竞争白热化的当下，面对中餐制作流程复杂、人工管理成本攀升等难题，标准化品控已成为品牌生存的核心命题。
AI如何解决传统人工稽查的标准化难题？在动态后厨环境中部署AI视觉系统时，团队采取了哪些技术手段应对门店环境差异？未来该企业在AI技术应用方面规划了哪些延伸方向？
当传统稽查遇上AI视觉，这场极简数字化的降维打击，不仅为餐饮业提供了一份低成本技术落地的中国方案，更揭示了AI时代管理革命的底层逻辑——用数据透明性终结人性侥幸，让每碗小面都经得起算法审视。
在竞争异常激烈的餐饮行业中，优质的品控无疑是赢得顾客信任的关键。随着AI大模型等技术的不断发展，越来越多的餐饮企业开始借助AI技术寻求突破与创新。
在这方面，遇见小面已经积累了一些宝贵的经验。在其面馆中，一碗红碗豌杂面被自动抓拍，AI摄像头在短短0.3秒内完成了包括“出餐速度”“菜品品相”等检测。检测数据实时传输至总部，同时反馈给门店，从而实现对品质的持续优化。
这一举措的背后，是一场关于“技术信仰”与“成本控制”的博弈。当整个行业普遍依赖第三方服务商时，这家川渝面食连锁品牌却选择了一条“极简数字化”的独特发展路径。
近日，我们与遇见小面的数字化团队进行了深入交流，围绕其在品控环节的AI应用展开了探讨，呈现如何通过AI视觉识别等技术实现对出餐速度、菜品品相等多个维度品质的把控管理，希望能够为餐饮行业提供一些有价值的启发和借鉴。
以下是对话部分：
痛点突围：从“人海战术”到“AI品控”
1、虎嗅智库：据您观察的话，当下整个餐饮行业运用AI视觉识别做得比较好的企业有哪些？
遇见小面：据我所知，目前采用这种技术的商家并不多。走在前列的是某披萨品牌，在其点餐系统中，顾客可以通过一个带有 AI 识别功能的小程序进行点餐。这套系统主要识别披萨的配料和参数。中餐领域的某连锁饺子品牌也运用了视觉识别技术，用于检测饺子皮是否有破损，以及饺子的尺寸和形状是否符合标准。
2、虎嗅智库：遇见小面启动“AI视觉品控项目”的核心驱动力是什么？
遇见小面：其实引入 AI 视觉品控这套方案之前，我们已经建立了一套较为体系化的品控稽查制度。每个月，总部的稽查团队会到各门店进行一到两次的现场稽查，并且一定会随机进行额外抽查，来确保检查的全面性，也会通过厨房的监控摄像头进行视频抽查，监控门店在产品制作和备餐过程中的卫生与品控情况，同时关注大众点评等外部评价。这几方面的稽查体系已经相对完善。
但伴随着企业的迅速扩张，对我们的标准化管理提出了更加严峻的考验，传统依赖人力的管理方式的局限性日益突出。
与西式快餐及其他餐饮形式相比，小面餐品的制作过程更为繁复，很大程度上依赖于餐厅员工的手工操作。确保员工能够执行标准化流程，从而在不同门店为顾客提供一致的用餐体验，是我们研究的核心问题，也是推动我们前进的动力。与此同时，随着AI技术的迅猛发展和相关技术生态的成熟和完善，让我们找到了新的方法和思路。
3、虎嗅智库：当时选择自研都有哪些考虑？
遇见小面：对于遇见小面而言能够投入到此项目中的预算有限，也研究了很多优秀企业案例，并与市场上领先的解决方案供应商进行了沟通。但经过评估，普遍存在成本过高、改造复杂、实施周期长等问题，这并不符合遇见小面的现状。因此决定自主开发低成本、高适配的解决方案。
在数字化建设历程中，遇见小面一直坚持小步快跑的策略，也积累了很多成功经验。所以在自研方案时，还有以下几个考虑：
第一，可以高度复用现有数字化基础设施。毕竟经过多年建设，遇见小面已建立一套完善的数字化体系。
第二，方案能够充分利用门店的 IOT 环境相关设备，包括数据中台边缘设备以及整个监控体系，确保其能够无缝对接并融合。
第三，尽量减少对运营伙伴的干扰，避免因实施项目而导致运营出现重大变动，从而影响支持力度。到现在为止，近400家门店已全部应用这套方案。
4、虎嗅智库：AI视觉品控这套方案具体是怎么在门店推行的？
遇见小面：经过对门店出餐流程的深入研究，在出餐口安装人工智能摄像头来收集数据，同时结合人工智能视觉识别技术，对采集图片中的菜品进行检测。
同时，利用图像模型，训练相应的图形算法来识别菜品中的物料特征及进行指标计算，从而实现对出餐品质的评估，并与自研的点餐系统结合，和对出品速度进行评估，最终输出相应的评测结果。
这套系统实施的核心目标，是确保我们能够严格把控产品的出品标准。通过 AI 视觉识别，全面监控诸如是否漏加料、出餐品质以及速度等问题，从而实现对产品质量的管控和优化。
技术拆解：300元摄像头背后的“极简主义”
5、虎嗅智库：项目采用“一菜多算法”系统、归一化、低成本图像采集等创新技术。能否具体说明这些技术如何协同解决传统人力稽查的局限性（如效率低、数据失真）？
遇见小面：我们在培训期间发现，稽查人员对菜品合格性的判断标准存在差异。然而，通过“归一化”训练出的模型，展现了跨店一致性、统一标准和高度泛化能力，能够有效替代人工执行标准时的差异性、主观性和经验依赖等弊端。此外，也彻底解决了依赖人力采集稽查数据时的准确性和主观评分偏差问题。
同时，对于同一菜品，我们希望扩展标准维度的考核，例如出餐速度、原料遗漏、碗边清洁等。如果依赖稽查人员，很难在执行过程中全面覆盖所有考核指标，效率也极低。而模型则能轻松实现这一点，同一个样本数据可以进行多维度考核指标的覆盖。
以一菜多算法为例，店员在完成菜品呈递后，会继续准备面食，包括加浇头和小料等动作。这些加料动作都会对厨房出品判断产生影响。因此，安装在出餐口上方的摄像头会静默地记录下这些细节。在后续的算法研发中，需要区分出加小料和未加小料的标准产品。这要求记录整个制作过程，这也是项目中最具挑战性的部分之一。不仅要能够识别出未加小料的标准产品，还要能够辨识出在制作过程中添加了部分小料以及已经完成加料的产品。在算法模型的训练过程中，还需要利用多门店的数据进行归一化，以确保在不同门店的灯光照度、背景以及摄像头高度变化下，仍能准确地进行识别。
6、虎嗅智库：在动态复杂的后厨环境中部署AI视觉系统时，最大的技术或运营挑战是什么？例如如何解决不同门店设备布局差异导致的识别偏差？
遇见小面：在项目实施的全过程中，算法必须适应众多门店中灯光亮度的差异、摄像头安装高度的不统一以及门店背景的多样性，这些因素都会对最终结果产生影响。因此，提升模型的泛化能力至关重要，以确保能够适应各种不同的门店环境。例如，在安装过程中，我们为不同门店定制了特定的摄像头安装配件，并对那些受射灯影响较大的门店进行了调整或贴膜处理，以防止照片过曝的情况。同时，我们也针对不同门店对算法进行了相应的优化。
在面对门店运营挑战时，目标是确保门店现有的操作流程不受影响，不需要门店为了适应AI品质识别项目而做出特别的操作调整。在项目实施前，我们研究了市场上现有的相关产品，发现大多数现有产品都需要店员手动触发拍照或进行简单的单菜品识别，这要求门店进行大量的运营调整，结果导致难以实施落地。这也是我们下决心去解决这些问题的原因。
7、虎嗅智库：前面提到会最大化的复用底层的数字化的基建能力，AI 视觉品控这套系统怎么跟底层数字化基建联动配合？
遇见小面：在前两年遇见小面部署了三大中台，包括技术中台、业务中台以及数据中台。因为每天需要上传大约5到10GB的图片数据，涉及400家门店。
这些门店的数据汇总后，会在模型中进行计算，最终输出结果并汇总到数据中台，数据处理完成后，还需要实时反馈到上层构建的应用中，前面提到我们有一个视觉识别小程序。通过这个应用，可以实时查看数据并快速做出决策，而数据中台在这一过程中起到了关键作用。
此外，去年我们在门店大胆尝试并建设了边缘服务器，引入了边缘计算技术。通过边缘服务器，能够对图片进行预处理。由于摄像头每两秒钟会抓拍一次，因此在边缘服务中，会使用一些轻量级的推理模型先进行预处理。
正如前面提到的，边缘服务首先在硬件方面实现了复用，同时我们整个边缘监控体系也无需重复建设。当然，在过程中还有一些细节方面的复用，例如业务中台的用户体系、组织架构体系以及权限体系等，这些都是可以高度复用的。
日排名PK，激活400门店“自驱力”
8、虎嗅智库：这套方案实施后，怎么形成良性反馈机制，促使团队不断改进？
遇见小面：我们曾深入思考过这个问题，例如，是否应该将每个产品的结果立即反馈给运营团队。立即反馈可能会导致运营效率降低，因为他们需要等待每个结果。同时也会给技术支持带来更大压力，因为每张照片都需要处理时间，从而降低整体效率。
最终，我们选择了一种事后监控的方式，即以日为单位，查看门店的出品情况，并告知其合格率。这样一来，门店可以像往常一样专注于自身工作，只需确保产品处理得当。合格率将通过系统进行排名，并通过排名情况督促排名靠后的门店及时改进对产品的了解。
在组织应用方面，我们也开发了一些小程序，通过这些小程序可以及时发现问题，并反馈给总部。例如，如果不合格率较高，可能是因为操作流程的标准或工具存在问题。那么，我们就需要在总部后台对这些问题进行优化。
总的来说，我们的目标是将提高产品质量变成一个前后一致的行为，而不是仅仅依靠总部的检查或抽查。通过这种方式，最终更好地服务于顾客，确保他们获得更优质的产品。
9、虎嗅智库：系统上线后，关键指标有何变化？
遇见小面：最显著的变化在于，过去门店因认为稽查仅限于随机抽查，便心存侥幸，对产品出品质量的管理不够严格。项目上线后，员工意识到我们能够实现全面覆盖和实时监控，从而提升了产品的质量。产品品质评估由原来的不合格占比0.13%，下降到0.05%。产品出餐速度，由原来的超时率占比0.58%，下降到0.15%。目前，这一数据还在持续下降。
10、虎嗅智库：未来在AI方面还有哪些优化？
遇见小面：在AI方面，我们正在同步积极的完善和构建自己的多模态AI中台体系，并正在调研和开发智能订货、智能排班、智能点评分析、智能营运助理、智能运维、智能陪练等项目。
在视觉品控项目，我们会继续深耕，保持快速迭代，持续推进整个稽查体系的智能化建设。另外，考虑到公共大模型的数据安全以及业务的特殊性，我们已构建了自己的本地通用大模型，并通过小面知识库进行训练，让模型学习并适应我们的业务，为职能伙伴服务。我们的职能伙伴也在积极拥抱AI，在工作中大量运用AI技术，全面提升工作效率。
结语
总的来说，随着AI的不断发展，餐饮企业相继采用视觉分析技术，借助AI开放平台训练的场景化AI算法，将实现对后厨场景识别、预警、处置、统计等一体化的远程智能“把控”，实现更加高效、安全、个性化的服务，为顾客带来更加美好的用餐体验。
文章来源：虎嗅智库服务
