AI-шоппинг - процесс покупки в онлайн с применением Искусственного Интеллекта (ИИ). Способов применения ИИ в e-commerce много. Я хочу рассказать о том, как мы к этому пришли, почему решили разрабатывать нейронную сеть для одежды и каких результатов достигли.
Материалов о распознавании одежды написано достаточно, как и кейсов. Интернет полон примерами и стартапами в этой области (речь о Западе). Поэтому складывается ошибочное впечатление: создать и обучить нейронную сеть, чтобы она отличала синий пуховик от голубой куртки, легко. На самом деле, практического опыта не так много, особенно в России. И мы поняли почему, когда год назад начали разрабатывать собственную нейронную сеть.
Распознавание одежды - процесс не легкий. Мы не хотели только находить одежду на фотографии. Наша задача - знать максимум деталей о ней: длина, наличие и тип рукава, форма выреза и т.д. С учетом такой детализации растет глубина нейронной сети и, как следствие, падает ее точность. Сейчас мы прошли 60+ эпох и протестировали несколько видов архитектур. На пути обучения мы теряли точность рамок и возвращали ее, атрибуты одежды начинали определяться верно, но терялись классы. Сейчас достигнутая точность распознавания нас устраивает, и мы двигаемся дальше.
Зачем вообще понадобилось заниматься детальным распознаванием одежды? В силу своей деятельности я часто сталкивалась с e-commerce проектами. И заметила, что люди много серфят в Интернет-магазинах, но редко покупают. Если не брать во внимание стандартный функционал, то одно из очевидных предположений: люди не находят то, что ищут. Если с покупкой техники в онлайн дело обстоит проще и товар выбирают по поиску конкретной модели (холодильник Bosch, например), то одежду мы выбираем визуально по принципу нравится-не нравится. Мы предположили, что если уж человек перешел в карточку голубого платья, то давайте ему покажем в рекомендуемых товарах платья той же длины, фасона, оттенка.
К слову сказать, подбор товаров по атрибутам отличается от класса к классу. Так, длина изделия крайне важна в платьях и не существенна в рубашках. Или капюшон - обязательный атрибут худи - и не встречается в пальто.
Сопоставление одежды можно делать не только по атрибутам. Есть еще ряд методик по визуальному поиску в машинном обучении.
Итак, мы обучили нейронную сеть, разработали рекомендательный модуль. Сценариев рекомендаций несколько. Они учитывают не только предпочтения пользователя, но и KPI Интернет-магазина. Запустили тест. Наша задача была понять насколько чаще люди будут кликать по рекомендованным товарам, подобранным нашей нейронной сетью, чем по товарам, подобранные внутри категории того же бренда. Тесты показали разницу в 8% в пользу нашего модуля. Уверена, это далеко не предел, и результаты во многом зависят от качества трафика, особенностей карточки товара и других показателей.Что еще мы заметили? Пользователи не просто чаще переходили по товарам, рекомендованным ИИ, они это делали 3-4-10 раз подряд (привет росту показателя - глубина просмотров!).
Что хочу сказать в заключении? Применение Искусственного Интеллекта в e-commerce - это следующая веха в развитии онлайн-торговли. Особенно его использование актуально в такой не простой и изменчивой нише, как мода и одежда, где товары обновляются часто, а вкусы людей сложно прогнозировать.