Zukunftsorientierte Marken und Einzelhändler suchen nach Bilderkennung und maschinellem Lernen, um riesige Datensätze Online-Kataloge mit einer großen Auswahl an visuellen Merkmalen Passform/Stich/etc. bis hin zu einem einzigen Produkt zu analysieren. Die Ergebnisse treiben aneue Ebene der Personalisierung für ein besseres Kundenerlebnis.
Das Problem beim aktuellen Online-Shopping besteht darin, dass Erfahrungen eher leistungs- als serviceorientiert sind. Während Marken und Einzelhändler höchstwahrscheinlich Benutzerinteraktionen und Clickstream-Daten speichern, erfassen diese Daten nicht die Komplexität der Details, die die Kaufentscheidungen der Kunden beeinflussen...wie zum Beispiel die Körperwahrnehmung.
Lily KI ist ein Unternehmen, das eine neue Revolution im Einzelhandel vorantreibt, indem es Bilderkennung und maschinelles Lernen verwendet, um Marken und Einzelhändlern zu helfen, das „Warum“ hinter dem, was ihre Kunden kaufen, zu verstehen. Der Technologie-Stack des Unternehmens der für die „Hyper-Personalisierung“ proprietär ist wurde entwickeltund umgesetzt von Sowmiya Chocka Narayanan, Mitbegründer und CTO bei Lily AI.
Narayanan hat einen Master in Elektro- und Computertechnik von der UT Austin und einen Bachelor in IT vom PSG College of Technology Indien. Sie arbeitete in verschiedenen Bereichen des Tech-Stack für Big Player wie Yahoo! und Box und wurde dann leidenschaftlich fürder Schnittpunkt von emotionaler Intelligenz und künstlicher Intelligenz.
Mitbegründer und CEO von Lily AIPurva Gupta kam von der Werbeagentur Saatchi & Saatchi. Gupta hatte schon früh gelernt, wie das richtige Kleidungsstück ihr helfen kann, Selbstzweifel zu überwinden und als sich die Wege der beiden Gründerinnen kreuzten, hatte Gupta gerade einen Berg fertig gestelltvon persönlichen Recherchen zu einem Unternehmen, das auf dem Gelände in New York aufgebaut wurde. Guptas Recherchen ergaben, dass Frauen nach Kleidung nach Körpertyp suchen, um herauszufinden, worin sie sich am wohlsten fühlen.
Eine Frau könnte sich für eine bestimmte Bluse entscheiden, weil der Schnitt beispielsweise einen runderen Bauch verbirgt. Die beiden machten sich daran, ein Geschäft aufzubauen, das Marken und Händlern diese Vorlieben im digitalen Bereich vermitteln würde. Narayanan überzeugte Gupta, wie es am besten gehtdie Art von präferenzgesteuerten personalisierten Einkaufsservice aufzubauen, die sie wollte, war maschinelles Lernen
Lily AI verwendet jetzt Computer Vision und künstliche Intelligenz, um die granularsten Attribute jeder SKU im Portfolio eines Einzelhändlers zu identifizieren. Indem sie mit diesen Dutzenden von Attributen pro Artikel beginnen, können Marken und Einzelhändler dann das Erlebnis ihrer Kunden online hyperpersonalisieren, indem siedie Affinität ihrer Kunden für diese spezifischen, sehr granularen Produktattribute zu nutzen.
Deep Tags spielen eine entscheidende Rolle bei der Verbesserung der Site-Navigation, indem sie Filter und Facetten verbessern, um die Ergebnisse einzugrenzen, die Genauigkeit der Site-Suche zu verbessern und mehr. Um dies zu erreichen, hat Narayanan ein Ensemble von Deep-Learning-Modellen gestapelt, die aus konvolutionellen neuronalen Netzwerken mit verschiedenenArchitekturen und trainiert mit fast 1 Milliarde Datenpunkten, die manuell von menschlichen Experten kuratiert wurden.
Die ersten benutzerdefinierten Modelle wurden mit einer Deep-Learning-as-a-Service-Plattform von Drittanbietern und über 100.000 beschrifteten Bildern erstellt. Die Mitbegründer erkannten schnell, dass sie experimentieren mussten, wenn sie tiefere granulare und stilorientierte Attribute wollten.Feinabstimmung der Modelle selbst. Gupta und Narayanan waren sich einig, dass es an der Zeit war, den Ansatz von Drittanbietern zu verwerfen und KI-Modelle intern zu erstellen.
Um eine Vorstellung von der Größe zu geben, hat Lily AI jetzt zig Millionen von Tags für nur einen der Einzelhändler des Unternehmens erstellt. Sie erfreuen ihre Kunden weiterhin, indem sie die einkaufbaren Artikel in einem Bild identifizieren und dann Meta-Tags von vorhersageneine Datenbank mit Tausenden von Attributen, die von Farbe und Schnitt bis hin zu kleinsten Verzierungen wie Nähten und Materialgewicht reichen.
Die menschliche Feedback-Schleife, die in die Trainingspipeline integriert wurde, ermöglicht es dem Team, mehrere Millionen Datenpunkte pro Tag hinzuzufügen, um die Genauigkeit dieser feineren Details zu erhöhen, und die Modelle sind hierarchisch organisiert, sodass jede Vorhersageebene feinere Tags hinzufügt.
Durch das Einspeisen der Produktattribute und Clickstream-Daten der Benutzer in die Empfehlungsalgorithmen von Lily AI extrahiert das Team die Affinität und Sensibilität des Benutzers zu verschiedenen Produktelementen und -funktionen und wendet sie an und kann dann empfohlen werden.
In diesem Prozess werden auch alle anderen Stil- und Produktmerkmale bewertet und integriert, die für den Benutzer schmeichelhaft wären oder nicht, um falsche Empfehlungen zu vermeiden.
Auf diese Weise werden zwei Frauen mit dem gleichen Körpertyp und den gleichen Maßen, die sich möglicherweise beide eine Jeans ansehen, aber unterschiedliche Vorlieben für Kurven und sichtbare Nähte haben, unterschiedliche Ergebnisse erzielen.
Auf die Frage nach Standardoptionen von Amazon und Microsoft, um die Ergebnisse zu reproduzieren, hat Narayanan immer festgestellt, dass es am besten ist, intern zu bauen.
"Der beste Anwendungsfall für uns war auf der Seite der Anwendungsinfrastruktur - Ausgliederung einer Streaming-Pipeline, ETL auf Gigabytes an Daten, serverlose APIs usw. Wir konnten uns auf den Kern des Algorithmus konzentrieren, ohne zu viel Zeit und Ressourcen für den Aufbau des Algorithmus aufwenden zu müssenRest der Infrastruktur, die erforderlich ist, um die Einzelhandelsanwendungen zu unterstützen", sagt Narayanan. "Wegen der Natur unserer Branche der Einzelhandel ist, haben wir uns entschieden, Cloud-agnostisch zu sein."
Zur Differenzierung bietet die KI-Plattform von Lily eine End-to-End-Lösung, die im Laufe der Zeit auf eine Vielzahl von Anwendungen angewendet werden kann. Das Team hat die Deep-Learning-Modelle Schichten und Filter angepasst, damit sie tief in die Tiefe gehen könnenlernen und prognostizieren mehr als Tausende von granularen Produktattributen mit der hohen Erwartung einer minimalen Genauigkeit bei der Identifizierung der Attribute. In ähnlicher Weise füttern sie die Empfehlungsalgorithmen mit benutzerdefinierten Benutzerattributen, die aus ihrem Clickstream und ihren Feature-Affinitäten extrahiert wurden, und experimentieren dann, indem sie verschiedene Ansätze zusammenstellenmit handelsüblichen Plattformen nicht möglich.
Laut Narayanan legte traditionelles maschinelles Lernen den Grundstein, um logische Regeln aus Eingabedaten zu lernen, ohne explizit dafür programmiert zu werden, und Deep Learning liefert die Leistung, um Funktionen aus massiven unstrukturierten Datensätzen zu extrahieren und ohne menschliches Eingreifen zu lernen.
Inspiriert von der biologischen Struktur des menschlichen Gehirns verwendet Deep Learning neuronale Netze, um Muster zu analysieren und Korrelationen in unstrukturierten Daten wie Bildern, Audio, Video und Text zu finden.
"Die Vorhersagekraft von Deep Learning in Bezug auf visuelle Wahrnehmung, natürliches Sprachverständnis und die Fähigkeit, Kaufabsichten vorherzusagen, ermöglicht es Lily AI, hochgradig personalisierte Empfehlungen zu geben, Preisstrategien und Bestandsplanung zu optimieren, KI-Assistenten unter anderen Anwendungen", sagteNarayanan.
Um das relevanteste Erlebnis zu bieten, muss ein Einzelhändler jede einzelne Schnittstelle mit dem Benutzer erfassen und speichern – was der Benutzer im Online-Shop getan hat, wie er den Artikel gekauft hat, ob er das Produkt im Geschäft zurückgegeben hat, was er getan hatSie verbinden sich mit der Kundenbetreuung, was waren ihre Hauptanliegen usw. Sie müssen in der Lage sein, die Offline-Shop-Interaktionen eines Online-Benutzers, Online-Benutzers, die sich von einem anderen Gerät aus anmelden, eines Online-Benutzers, der für jemand anderen einkauft, zu identifizieren.
Dieser Schritt ist am wichtigsten, um sicherzustellen, dass maschinelles Lernen mit dem richtigen Datensatz durchgeführt wird; mehrere CDPs Customer Data Platforms versprechen dies. Auf der anderen Seite benötigen sie auch granulare Daten über die Produkte, um nicht nurdienen in Empfehlungen, aber auch zur Analyse von Trends und zur Vorhersage der Nachfrage. Es ist sehr wichtig für den Händler, die richtigen Tools und Plattformen auszuwählen, die ihm helfen, die riesigen Daten, die von den Verbrauchern generiert werden, zu erfassen und zu interpretieren.
Die Erwartungen der Käufer an relevante und ansprechende Online-Erlebnisse über alle Kanäle hinweg werden Einzelhändler weiterhin dazu bringen, KI-gesteuerte Lösungen für Kundenservice, intelligentere Suche, digitale Navigation, Empfehlungen, virtuelle Assistenten usw. anzunehmen und zu implementieren.
Die Einführung von KI-gestützten Diensten wie Lily AI wird nicht nur die Kundenkontaktpunkte verbessern, sondern kann sich auch positiv auf andere Bereiche wie Bestandsverwaltung, Verkaufsprognosen, Probleme mit Lagerbeständen und besser optimierte Marketingpläne auswirken. Dies hilftEinzelhändler steigern nicht nur ihren Umsatz und ihre operative Effizienz, sondern auch auf eine Weise, die Kunden schätzen und mit Loyalität belohnen.