Sammlungen

Maschinelles Lernen für die Zukunft des Einzelhandels

Maschinelles Lernen für die Zukunft des Einzelhandels


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.

Zukunftsorientierte Marken und Einzelhändler setzen auf Bilderkennung und maschinelles Lernen, um riesige Datensätze (Online-Kataloge) mit einer Vielzahl visueller Merkmale (Passform / Stich / etc.) Bis hin zu einem einzigen Produkt zu analysieren. Die Ergebnisse ermöglichen eine neue Ebene der Personalisierung für ein besseres Kundenerlebnis.

Das Problem beim aktuellen Online-Shopping ist, dass Erlebnisse eher leistungsorientiert als serviceorientiert sind. Während Marken und Einzelhändler höchstwahrscheinlich Benutzerinteraktion und Clickstream-Daten speichern, erfassen diese Daten nicht die Komplexität von Details, die die Kaufentscheidungen der Kunden beeinflussen ... wie zum Beispiel die Körperwahrnehmung.

Lily AI ist ein Unternehmen, das eine neue Revolution im Einzelhandel vorantreibt, indem es Bilderkennung und maschinelles Lernen einsetzt, um Marken und Einzelhändlern zu helfen, das „Warum“ hinter dem, was ihre Kunden kaufen, zu verstehen. Der Technologie-Stack des Unternehmens (der für „Hyper-Personalisierung“ proprietär ist) wurde von Sowmiya Chocka Narayanan, Mitbegründerin und CTO bei Lily AI, erstellt und implementiert.

Narayanan hat einen Master in Elektrotechnik und Informationstechnik von UT Austin und einen Bachelor in IT vom PSG College of Technology (Indien). Sie arbeitete in verschiedenen Bereichen des Tech-Stacks für Big Player wie Yahoo! und Box wurde dann leidenschaftlich über die Schnittstelle von emotionaler Intelligenz und künstlicher Intelligenz.

Die Mitbegründerin und CEO von Lily AI, Purva Gupta, kam von der Werbeagentur Saatchi & Saatchi. Schon früh im Leben hatte Gupta gelernt, wie das Finden des richtigen Kleidungsstücks ihr helfen konnte, Selbstzweifel zu überwinden, und als sich die Wege der beiden Gründerinnen kreuzten, hatte Gupta gerade einen Berg persönlicher Recherchen abgeschlossen, in denen ein aufgebautes Geschäft untersucht wurde die Prämisse in New York. Guptas Forschung zeigte, dass Frauen nach Kleidung nach Körpertyp suchen, um herauszufinden, wo sie sich am wohlsten fühlen.

Eine Frau könnte sich für eine bestimmte Bluse entscheiden, weil der Schnitt zum Beispiel einen runderen Bauch verbirgt. Die beiden machten sich daran, ein Geschäft aufzubauen, das Marken und Einzelhändler über diese Präferenzen im digitalen Bereich informiert. Narayanan überzeugte Gupta, dass der beste Weg, um die Art von präferenzgesteuertem personalisiertem Einkaufsservice aufzubauen, den sie wollte, das maschinelle Lernen war

Lily AI verwendet jetzt Computer Vision und künstliche Intelligenz, um die detailliertesten Attribute jeder SKU im Portfolio eines Einzelhändlers zu identifizieren. Wenn Sie mit diesen Dutzenden von Attributen pro Artikel beginnen, können Marken und Einzelhändler das Online-Erlebnis ihrer Kunden hyper-personalisieren, indem sie die Affinität ihrer Kunden zu diesen spezifischen, sehr detaillierten Produktattributen nutzen.

Tiefe Tags spielen eine entscheidende Rolle bei der Verbesserung der Site-Navigation, indem Filter und Facetten verbessert werden, um die Ergebnisse einzugrenzen, die Genauigkeit der Site-Suche zu verbessern und vieles mehr. Um dies zu erreichen, stapelte Narayanan ein Ensemble von Deep-Learning-Modellen, die aus Faltungs-Neuronalen Netzen mit unterschiedlichen Architekturen erstellt und mit fast 1 Milliarde Datenpunkten trainiert wurden, die von menschlichen Experten manuell 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 die Modelle selbst experimentieren und optimieren mussten, wenn sie tiefere granulare und stilgetriebene Attribute wollten. Gupta und Narayanan waren sich einig, dass es an der Zeit war, den Ansatz von Drittanbietern zu verwerfen und KI-Modelle im eigenen Haus zu bauen.

Um eine Vorstellung von der Skalierbarkeit zu vermitteln, hat Lily AI jetzt zig Millionen Tags für nur einen der Einzelhandelskunden des Unternehmens erstellt. Sie erfreuen ihre Kunden weiterhin, indem sie die einkaufbaren Artikel in einem Bild identifizieren und dann Meta-Tags aus einer Datenbank mit Tausenden von Attributen vorhersagen, die von Farbe und Schnitt bis zu kleinsten Verzierungen wie Nähten und Materialgewicht reichen.

Die menschliche Rückkopplungsschleife, die in die Trainingspipeline integriert wurde, ermöglicht es dem Team, mehrere Millionen Datenpunkte pro Tag hinzuzufügen, um die Genauigkeit dieser feineren Details zu erhöhen. Die Modelle sind hierarchisch so organisiert, dass jede Vorhersageebene feinere Tags hinzufügt.

Indem das Team die Produktattribute und Clickstream-Daten der Benutzer in die Empfehlungsalgorithmen von Lily AI einspeist, extrahiert es die Affinität und Empfindlichkeit des Benutzers für verschiedene Produktelemente und Funktionen und wendet sie an. Diese können dann empfohlen werden.

In diesem Prozess bewerten und integrieren sie auch alle anderen Stile und Produktmerkmale, die für den Benutzer schmeichelhaft wären (oder nicht), um die falsche Empfehlung zu verhindern.

Auf diese Weise werden zwei Frauen mit demselben Körpertyp und denselben Maßen, die möglicherweise beide eine Jeans betrachten, aber unterschiedliche Vorlieben für Kurven und sichtbare Nähte haben, unterschiedliche Ergebnisse erzielen.

Als Narayanan nach Standardoptionen von Amazon und Microsoft gefragt wurde, um zu versuchen, die Ergebnisse neu zu erstellen, war es immer am besten, sie intern zu erstellen.

„Der beste Anwendungsfall für uns war auf der Seite der Anwendungsinfrastruktur - Ausgliederung einer Streaming-Pipeline, ETL auf Gigabyte Daten, serverlose APIs usw. Wir konnten uns auf den Kernalgorithmus konzentrieren, ohne zu viel Zeit und Ressourcen für den Rest aufzuwenden die Infrastruktur, die zur Unterstützung der Einzelhandelsanwendungen erforderlich ist “, erklärt Narayanan. "Aufgrund der Natur unserer Branche als Einzelhandel haben wir uns entschieden, Cloud-unabhängig zu sein."

Zur Unterscheidung bietet die Lily AI-Plattform eine End-to-End-Lösung, die im Laufe der Zeit auf eine breite Palette von Anwendungen angewendet werden kann. Das Team hat die Deep-Learning-Modelle (Ebenen und Filter) so angepasst, dass sie mehr als Tausende detaillierter Produktattribute lernen und vorhersagen können, wobei eine hohe Erwartung einer minimalen Genauigkeit bei der Identifizierung der Attribute zu erwarten ist. In ähnlicher Weise versorgen sie die Empfehlungsalgorithmen mit benutzerdefinierten Benutzerattributen, die aus ihren Clickstream- und Feature-Affinitäten extrahiert wurden, und experimentieren dann, indem sie verschiedene Ansätze zusammenstellen. Dies ist mit Standardplattformen nicht möglich.

Laut Narayanan legte das traditionelle maschinelle Lernen den Grundstein für das Lernen logischer Regeln aus Eingabedaten, ohne explizit dafür programmiert zu sein, und Deep Learning liefert die Leistung, um Merkmale 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 des tiefen Lernens in der visuellen Wahrnehmung, das Verständnis der natürlichen Sprache und die Fähigkeit, Kaufabsichten vorherzusagen, ermöglichen es Lily AI, hochgradig personalisierte Empfehlungen abzugeben, die Preisstrategie und die Bestandsplanung zu optimieren, unter anderem AI-Assistenten", sagte Narayanan.

Um die relevanteste Erfahrung 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, wenn er das Produkt im Geschäft zurückgegeben hat, hat er eine Verbindung hergestellt mit der Kundenbetreuung, was waren ihre Hauptanliegen usw. Sie müssen in der Lage sein, die Offline-Store-Interaktionen eines Online-Benutzers zu identifizieren, sich von einem anderen Gerät aus online anzumelden und einen Online-Benutzer für eine andere Person einzukaufen.

Dieser Schritt ist äußerst wichtig, um sicherzustellen, dass maschinelles Lernen mit dem richtigen Datensatz durchgeführt wird. Dies versprechen mehrere CDPs (Kundendatenplattformen). Auf der anderen Seite benötigen sie außerdem detaillierte Daten zu den Produkten, um nicht nur Empfehlungen abzugeben, sondern auch Trends zu analysieren und die Nachfrage vorherzusagen. Für den Einzelhändler ist es sehr wichtig, die richtige Auswahl an Tools und Plattformen zu treffen, mit deren Hilfe er die von den Verbrauchern generierten Daten erfassen und interpretieren kann.

Die Erwartungen der Kunden an relevante und ansprechende Online-Erlebnisse über Kanäle hinweg werden Einzelhändler weiterhin dazu veranlassen, AI-gesteuerte Lösungen für Kundenservice, intelligentere Suche, digitale Navigation, Empfehlungen, virtuelle Assistenten usw. zu nutzen und zu implementieren.

Die Einführung von AI-gestützten Diensten wie Lily AI verbessert nicht nur die Kontaktpunkte der Kunden, sondern kann sich auch positiv auf andere Bereiche auswirken, z. B. Bestandsverwaltung, Umsatzprognosen, Probleme mit nicht vorrätigen Produkten und besser optimierte Marketingpläne. Dies hilft Einzelhändlern nicht nur, ihren Umsatz und ihre betriebliche Effizienz zu steigern, sondern auch auf eine Weise, die Kunden schätzen und mit Loyalität belohnen.


Schau das Video: viafintech Willkommen in der Zukunft des Einzelhandels! (Kann 2022).