Samlingar

Maskininlärning som driver framtiden för detaljhandeln

Maskininlärning som driver framtiden för detaljhandeln


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Framåtblickande varumärken och återförsäljare vill bildigenkänning och maskininlärning för att analysera enorma datamängder (online-kataloger) med stora sortiment av visuella funktioner (passform / söm / etc.) ner till en enda produkt. Resultaten driver en ny nivå av personalisering för bättre kundupplevelse.

Problemet med nuvarande online-shopping är att upplevelser är mer prestandadrivna än serviceinriktade. Medan varumärken och återförsäljare med största sannolikhet sparar användarinteraktion och data från klickströmmen, fångar den informationen inte komplexiteten i detaljer som påverkar kundernas köpbeslut ... till exempel kroppsuppfattning.

Lily AI är ett företag som driver en ny detaljhandelsrevolution genom att använda bildigenkänning och maskininlärning för att hjälpa varumärken och återförsäljare att förstå "varför" bakom vad deras kunder köper. Företagets teknologistack (som är proprietär för "hyperpersonalisering") byggdes och implementerades av Sowmiya Chocka Narayanan, medgrundare och CTO på Lily AI.

Narayanan har en magisterexamen i elektroteknik från UT Austin och en kandidatexamen i IT från PSG College of Technology (Indien). Hon arbetade inom olika delar av tech stacken för stora spelare som Yahoo! och Box, blev sedan passionerad om skärningspunkten mellan emotionell intelligens och artificiell intelligens.

Lily AI: s medgrundare och VD Purva Gupta kom från reklambyrån Saatchi & Saatchi. Tidigt i livet hade Gupta lärt sig hur att hitta rätt klädesplagg kunde hjälpa henne att övervinna självtvivel och när de två kvinnliga grundarnas vägar korsade, hade Gupta precis avslutat ett berg av personlig forskning som undersökte ett företag byggt på förutsättningen i New York. Guptas forskning visade att kvinnor letar efter kläder efter kroppstyp för att hitta vad de känner sig mest bekväma i.

En kvinna kan bestämma sig för en specifik blus eftersom snittet till exempel gömmer en rundare mage. De två började arbeta med att skapa ett företag som skulle vägleda varumärken och återförsäljare om dessa preferenser i den digitala världen. Narayanan övertygade Gupta om att det bästa sättet att bygga den typ av preferensdriven personlig shoppingtjänst hon ville var att använda maskininlärning

Lily AI använder nu datorsyn och artificiell intelligens för att identifiera de mest detaljerade attributen för varje SKU i en återförsäljares portfölj. Genom att börja med dessa dussintals attribut per artikel kan varumärken och återförsäljare sedan hyperpersonalisera sina kunders upplevelse online genom att utnyttja deras kunders affinitet för dessa specifika, mycket detaljerade produktattribut.

Djupa taggar spelar en avgörande roll för att förbättra webbplatsnavigering genom att förbättra filter och aspekter för att begränsa resultaten, förbättra noggrannheten för webbplatsens sökning och mer. För att uppnå detta staplade Narayanan en ensemble av djupinlärningsmodeller som skapats från fackliga neurala nätverk med olika arkitekturer och utbildats med nästan en miljard datapunkter manuellt kuraterade av mänskliga experter.

De första anpassade modellerna skapades med en tredjeparts deep learning-as-a-service-plattform och över 100 000 märkta bilder. Medgrundarna insåg snabbt att om de ville ha djupare detaljerade och stildrivna attribut måste de experimentera och finjustera modellerna själva. Gupta och Narayanan kom överens om att det var dags att kasta ut tredje partens strategi och bygga AI-modeller internt.

För att ge en uppfattning om skalan har Lily AI nu skapat tiotals miljoner taggar för bara en av företagets återförsäljarkunder. De fortsätter att glädja sina kunder genom att identifiera de inköpbara artiklarna i en bild och sedan förutsäga metataggar från en databas med tusentals attribut som sträcker sig från färg och klipp till de allra minsta utsmyckningar som sömmar och materialvikt.

Den mänskliga återkopplingsslingan som har integrerats i träningspipelinen gör det möjligt för teamet att lägga till flera miljoner datapunkter per dag för att öka noggrannheten i dessa finare detaljer, och modellerna är hierarkiskt organiserade så att varje förutsägelsesnivå lägger till finare taggar.

Genom att mata produktattributen och klickströmdata från användarna till Lily AIs rekommendationsalgoritmer extraherar teamet användarnas affinitet och känslighet för olika produktelement och funktioner och tillämpar dem och kan sedan rekommenderas.

I den här processen utvärderar och införlivar de också alla andra stilar och produktfunktioner som skulle vara smickrande för användaren (eller inte) för att förhindra fel rekommendation.

På detta sätt kommer två kvinnor som har samma kroppstyp och mått, som båda kan titta på ett par jeans men som har olika preferenser för kurvor och synliga sömmar, kommer att ge olika resultat.

På frågan om hushållsalternativ från Amazon och Microsoft för att försöka återskapa resultaten har Narayanan alltid funnit det bäst att bygga internt.

”Det bästa användningsfallet för oss var på applikationsinfrastruktursidan - att spinna av en strömmande pipeline, ETL på gigabyte data, serverlösa API: er osv. Vi kunde fokusera på kärnalgoritmdelen utan att spendera för mycket tid och resurser på att bygga resten av infrastrukturen som krävs för att stödja detaljhandeln, säger Narayanan. "På grund av att vår bransch är detaljhandel har vi beslutat att vara molnagnostiska."

För att skilja, tillhandahåller Lily AI-plattformen en helhetslösning som kan tillämpas på en bred uppsättning applikationer över tiden. Teamet har anpassat de djupa inlärningsmodellerna (lager och filter) för att göra det möjligt för dem att gå djupt för att lära sig och förutsäga mer än tusentals granulära produktattribut med hög förväntan på minimal precision för att identifiera attributen. På samma sätt matar de rekommendationsalgoritmerna med anpassade användarattribut extraherade från deras klickström och har affiniteter, sedan experimenterar de genom att sätta ihop olika tillvägagångssätt. Dessa är omöjliga att göra med hylsplattformar.

Enligt Narayanan lade traditionell maskininlärning grunden för att lära sig logiska regler från ingångsdata utan att uttryckligen programmeras för det, och djupinlärning ger hästkrafterna för att extrahera funktioner från massiva ostrukturerade datamängder och lära sig utan mänsklig inblandning.

Inspirerad av den biologiska strukturen i den mänskliga hjärnan använder djupinlärning neurala nätverk för att analysera mönster och hitta korrelationer i ostrukturerad data som bilder, ljud, video och text.

"Den förutsägbara kraften hos djup inlärning i visuell uppfattning, naturlig språkförståelse och förmågan att förutsäga köpintensiv gör det möjligt för Lily AI att leverera mycket personliga rekommendationer, optimera prissättningsstrategi och lagerplanering, AI-assistenter bland andra applikationer", säger Narayanan.

För att ge den mest relevanta upplevelsen måste en återförsäljare fånga och lagra varje enskilt gränssnitt med användaren - vad användaren gjorde i onlinebutiken, hur de köpte varan, om de returnerade produkten i butiken, anslöt de sig med kundvård, vad var deras viktigaste problem, etc. De måste kunna identifiera offlinebutikens interaktioner med en onlineanvändare, onlineanvändare som loggar in från en annan enhet, en onlineanvändare som handlar för någon annan.

Det här steget är mycket viktigt för att säkerställa att maskininlärning utförs i rätt dataset; flera CDP: er (kunddataplattformar) lovar att göra detta. På andra sidan måste de också ha detaljerad information om produkterna för att inte bara fungera som rekommendationer utan också för att analysera trender och hjälpa till att förutsäga efterfrågan. Det är mycket viktigt för återförsäljaren att göra rätt val av verktyg och plattformar som hjälper dem att fånga och tolka de enorma uppgifter som genereras av konsumenterna.

Shopparnas förväntningar på relevanta och engagerande online-upplevelser över kanaler kommer att fortsätta driva återförsäljare att omfamna och implementera AI-drivna lösningar för kundservice, smartare sökning, digital navigering, rekommendationer, virtuella assistenter etc.

Antagandet av AI-drivna tjänster som Lily AI kommer inte bara att förbättra kundens kontaktpunkter, utan kan också positivt påverka andra områden som lagerhantering, försäljningsprognoser, slutsålda frågor och bättre optimerade marknadsföringsplaner. Detta hjälper återförsäljare att inte bara öka sin försäljnings- och driftseffektivitet utan på ett sätt som kunder uppskattar och belönar med lojalitet.


Titta på videon: EY i Almedalen - Har din affärsmodell en plats i detaljhandelns framtida ekosystem? (Juni 2022).


Kommentarer:

  1. Raff

    Exakt, du har rätt

  2. Daicage

    Bravo, what is the right phrase ... great idea

  3. Vudogal

    Jag kan inte delta i diskussionen just nu - det finns ingen ledig tid. Jag kommer tillbaka - jag kommer definitivt att uttrycka min åsikt.

  4. Bourkan

    I det är något också tror jag, vad är det utmärkt idé.

  5. Yash

    Du har fel. Jag föreslår att diskutera det. Maila mig på PM, vi pratar.

  6. Yozshura

    det är omöjligt att argumentera i det oändliga



Skriv ett meddelande