然後我們遇到了Caper Labs，才談了十分鐘就讓我們猛拍額頭：「對啊！幹嘛像Amazon Go那樣搞得那麼複雜？」
Amazon Go或者類似系統的最大挑戰，是在於開放的環境中，客戶、商品和時間軸的所有變數互相影響，因此呈現指數成長的複雜度。開發這樣的高度複雜系統就跟開發谷歌Alpha Go一樣，是所有機器學習工程師的夢想，但根據不同場景實際上到底有沒有這樣的必要，其實有檢討的空間。
Caper Labs的解決方案就直接反向思考：如果開放空間的各種變數互相影響導致系統過於複雜，與其花一大多腦筋和運算能力去把資料壓縮和降維（dimension reduction），不如一開始就限縮可能的資料變易度和維度。根據這個簡單直覺的想法，以及現有美國超市和超商的使用情境，Caper Labs開發出了以購物車為根基的自動結帳系統。
在Caper Labs的思考中，在超市中購物車是美國消費者幾乎都會使用的工具，一個消費者推一台購物車，因此只要在該購物車上裝置機器視覺系統，追蹤置入和移出該台購物車的商品，就能夠輕鬆判斷該消費者採購的商品。
如果以上面數學運算的例子來看，相較於Amazon Go用一個龐大系統試圖判斷組合超過四億組的「哪個客戶總共拿取了哪三種商品」，Caper Labs的購物車結帳系統移除了客戶的變異數部分，只需解決從五百種商品中擷取三種的、總數為兩千萬種的組合。
尤有甚者，Amazon Go的單一客戶三種商品，可能會在不同地點取下貨架，但又在不同地點放上貨架，而且未必是原本的貨架，追蹤單一客戶的位置和貨架，分析其行為（取和放），都是運算非常沈重的任務。反觀Caper Labs的系統，因為將分析空間限縮在單一購物車內，機器視覺系統只要分析被丟入和移出購物車的商品外觀來判斷出商品種類和數量就可以，不需要考慮到其他的客戶行為的變異性，這也讓這樣的類神經網路遠比Amazon Go的宏觀網路小很多，可以直接在購物車的計算硬體上執行。而在這樣的系統下，客戶推著購物車走出門就可以立刻收到帳單，不會有五分鐘到四十分鐘不等的差異，這部分使用者經驗當然會較Amazon Go好。
當然和Amazon Go的全方位「監視」系統比起來，這樣的系統讓使用者有可能作弊，比方說部分商品不丟入購物車，而是夾在腋下或者放入自己攜帶的購物袋，又或者故意阻擋攝影機鏡頭⋯⋯等。但這些「偷竊」行為在傳統超市本來就存在，零售產業的術語稱為「縮水」（shrinkage）。取決於不同的零售業差異，零售縮水可能介於1%到 3%，對於淨利率長年盤旋在低個位數百分比的零售業來說，的確是一個恨不得除之而後快的痛點。
