Важно оставаться впереди отрасли. Хотя омниканальность, электронная коммерция и физическая розничная торговля важны, важно не останавливаться на достигнутом. Вот где отраслевой стандарт — чтобы быть в авангарде розничной торговли, вам нужно делать больше. Франсуа Шоле, авторитетный исследователь в области искусственного интеллекта, считает, что «каждый должен создавать интеллектуальные приложения… которые имеют смысл в данных, сгенерированных пользователями», поскольку эти приложения станут новым стандартом, подобно тому, как сегодня каждому бизнесу нужен веб-сайт просто для того, чтобы выжить. [1].

В настоящее время искусственный интеллект может показаться модным словом, но это не значит, что уже слишком поздно внедрять его в розничную торговлю. Развертывание хорошо написанных, творческих решений ИИ для каждой возможной проблемы в отрасли повлияет на эту область больше, чем мы думаем [1]. Если бы все простые задачи можно было упростить, люди могли бы тратить свое время более эффективно: сотрудники розничной торговли могли бы тратить время на помощь клиентам, инженеры-программисты могли бы сосредоточиться на внедрении новых решений — каждый мог бы тратить свое время более эффективно.

Итак, как вы можете использовать ИИ в своей розничной торговле? Хотя существует много возможностей, давайте не будем думать слишком широко — ИИ и машинное обучение не могут решить все [2]. В связи с нынешним уровнем интереса технологической отрасли к глубокому обучению, в этом сообщении в блоге будет специально рассмотрено, как глубокое обучение может применяться в розничной торговле.

Что такое глубокое обучение?

Глубокое обучение — это область машинного обучения, которая распознает представления в данных. Глубокая часть глубокого обучения относится к архитектуре этих моделей — они имеют несколько уровней в модели [1]. По сути, эти слои позволяют моделям распознавать сложные детали и закономерности в данных. Я не буду слишком подробно рассказывать о том, как работает глубокое обучение, но есть много ресурсов от известных людей в отрасли, которые могут помочь вам в этом. Эта книга Франсуа Шолле, исследователя, которого я цитировал ранее, представляет собой отличный учебник для начинающих, который содержит легко читаемые объяснения, но также включает технические детали для тех, кому это интересно. В качестве базового объяснения модель глубокого обучения можно рассматривать как простую функцию, которую мы все изучали в базовой математике: y = f(x). Мы можем дать нашей модели, которая является функцией f, данные x. Результатом этой функции/модели будет информация относительно данных, вокруг которых мы обучили функцию.

Как глубокое обучение используется в моде

Как человек, интересующийся модой, я прочитал и изучил пространство глубокого обучения и моды. Поскольку глубокое обучение все еще находится на относительно ранней стадии, важно не только открывать новые модели, но и воспроизводить их с использованием той же или новой архитектуры. Следовательно, этот раздел будет кратким изложением возможных реализаций глубокого обучения и предметов, связанных с одеждой. Однако обратите внимание, что эти концепции можно абстрагировать и использовать для любого объекта в торговом зале. Затем эти концепции можно комбинировать для улучшения розничного опыта.

Часто реализуемый проект в области глубокого обучения и моды заключается в том, чтобы оценивать наряды и рекомендовать дополнительные предметы одежды для ношения с учетом существующего набора одежды. В проекте, проведенном людьми из Университета Рочестера и Yahoo Research, им удалось создать модель для оценки нарядов с точностью 85% [3]. Эта модель захватила визуальные компоненты экипировки с помощью сверточной нейронной сети — для тех, кто знаком с известными архитектурами глубокого обучения, команда использовала AlexNet, но обучила ее с помощью собственных данных и нескольких модификаций гиперпараметров. Модель также принимает текстовую информацию об элементах, такую ​​как название элемента и категория элемента. С помощью текста они категорически встраивают информацию — по сути, берут словесное описание этих объектов и присваивают им значения. Для каждого предмета одежды его информация из сверточной модели и встраивания объединяется и отправляется через рекуррентную нейронную сеть. Затем конечное состояние RNN используется в плотном слое с сигмовидной активацией для оценки снаряжения [3].

Если вы не слишком много знаете о моделях глубокого обучения и читаете это, потому что хотите улучшить свои впечатления от розничной торговли, это может быть очень важно. По сути, они использовали глубокое обучение для извлечения информации из изображений одежды. предметов в наряде, затем объединили эту информацию с описанием каждого предмета и передали всю эту информацию в окончательную функцию, которая будет оценивать наряд [3].

В другом проекте, проведенном исследователями из Японии, они смогли порекомендовать пользователю одежду на основе набора предметов. Эта модель берет изображения комплекта одежды и создает комбинации этих предметов, представляя наряд. Каждый наряд и его компоненты проходят через свёрточную нейронную сеть для извлечения подробностей о предметах. Для тех, кому интересно, эта исследовательская группа использовала ResNet-50 и захватила встраивание из 5-го слоя пула. После этого комбинация предметов в наряде и информация о его характеристиках передаются в модель, которая прогнозирует рейтинг для всех сгенерированных нарядов. Под экипировкой с наивысшим рейтингом можно понимать экипировку, рекомендованную системой [4].

Как использовать Deep Learning в розничной торговле?

Вам может быть интересно, конечно, глубокое обучение может работать в индустрии моды, но как насчет розничной торговли? Что ж, как я упоминал ранее, эти модели можно абстрагировать для любого типа элементов. Вместо оценщика снаряжения вы можете создать оценщика диеты/приема пищи. Вместо системы рекомендаций по экипировке вы можете создать систему рекомендаций по комплектам электроники. Есть много возможностей — все, что нужно, это данные для обучения. Вот почему я постоянно подчеркиваю, что данные важныв розничной торговле.

Затем подобные модели можно внедрить в вашу розничную торговлю. Покупатели могут получить отзывы об одежде, которую они рассматривают, в магазине, не спрашивая мнения других. Покупатели в продуктовом магазине могут получить рекомендацию о том, что готовить, исходя из того, что они купили. При правильном внедрении каждая модель может улучшить и оптимизировать микропользовательский опыт для всех клиентов. В совокупности эти модели могут создать гораздо более персонализированный интерактивный пользовательский интерфейс макросов.

Существует множество возможностей применения глубокого обучения в вашей розничной торговле. Тем не менее, существует еще больше форм искусственного интеллекта, которые можно внедрить — не просто ищите решения, использующие глубокое обучение! В настоящее время концепция ИИ для многих остается новой. Для розничных продавцов лучше внедрить системы до того, как новинка исчезнет и станет новым стандартом.

Цитаты

[1] Шолле, Ф. (2017). Глубокое обучение с Python. Публикации Мэннинга.

[2] Полонски, В. (2018). Почему ИИ не может решить все. Разговор.

[3] Ли, Ю. Цао, Л. Чжу, Дж. и Луо, Дж. (2017). Составление майнинговой одежды с использованием сквозного подхода к глубокому обучению на заданных данных. ArXiv.

[4] Тансенг, П. Ямагути, К. и Окатани, Т. (2017). Рекомендую наряды из личного гардероба. IEEE.