在數據驅動的洞察領域，FootfallCam 不斷收集市場反饋，揭示關鍵的改進領域，以實現增量產品改進。
面臨的挑戰：無需配置更新、計數器位置調整、頭頂障礙物、運行和非運行期間的噪音干擾以及具有挑戰性的環境因素的設備搬遷。
認識到人工智能驅動的智能環境學習的重要性，我們解決這些問題以提高準確性和性能。
1.1 自動檢測工作時間
根據下面檢測到的條件，每個設備使用機器學習（隨機森林）從歷史趨勢中學習； 可以準確確定每天準確的開盤和收盤時間（分鐘分辨率）
（一）交通格局
(ii) 照明條件
(iii) 捲簾門狀態（如有）
1.1.1 商店照明開/關
環境光照變化檢測
1.1.2 捲簾門打開/關閉
如果檢測到入口接近則自動發出警報
1.2 架空堵塞警報
使用 3D 成像，如果認為頭頂裝飾堵塞了人行道，就會發送警報以尋求進一步幫助。
1.2.1 架空堵塞檢測
節日裝飾部分遮擋櫃檯實時視野
1.3 步行路徑變更警報
當在步行路徑中檢測到“額外”物體並且檢測到異常交通模式時，設備將發出警報以尋求進一步幫助。
1.3.1 店內家具更換
(i) 產品陳列變更
(ii) 添加/移除店面的家具
1.4 工作人員和警衛排除
計算顧客數量，而不是員工數量。 這對於客流量較低的奢侈品店尤其重要。
1.4.1 員工排除的五種方法
(i) 計數線/區域排除
(ii) 停留時間排除
(iii) 牆壁排除按鈕
(iv) AI員工標籤
(v) 謹慎的織物標籤
1.4.2 守衛排除
基於“懸停”的步行路徑模式； 人工智能算法會將該人歸類為“警衛”。
1.5 設備位置變化檢測
每個設備都在不斷地了解其環境。 如果環境出現全局偏移，則會發出“設備更改位置”警報。
1.5.1 設備感知其環境：
(i) 櫃檯實時視圖顯示不同的入口環境
(ii) 可能反轉進/出方向
1.6 設備搬遷檢測
客戶經常將設備遷移到其他站點而不更新系統。 導致計數數據無效。 新的人工智能算法將檢測環境變化並發送警報以尋求進一步幫助。
之前： 設備已與 分行ID6213
後： 設備仍保留 分行ID6213，但是環境突然發生變化 （由 FootfallCam AI 檢測到）
