Les collections

L'apprentissage automatique alimente l'avenir du commerce de détail

L'apprentissage automatique alimente l'avenir du commerce de détail

Les marques et les détaillants avant-gardistes se tournent vers la reconnaissance d'image et l'apprentissage automatique pour analyser d'énormes ensembles de données (catalogues en ligne) avec de vastes assortiments de fonctionnalités visuelles (ajustement / couture / etc.) jusqu'à un seul produit. Les résultats alimentent un nouveau niveau de personnalisation pour une meilleure expérience client.

Le problème avec les achats en ligne actuels est que les expériences sont davantage axées sur les performances que sur les services. Alors que les marques et les détaillants enregistrent très probablement les données d'interaction des utilisateurs et de parcours de clics, ces données ne capturent pas la complexité des détails qui influencent les décisions d'achat des clients ... comme la perception corporelle par exemple.

Lily AI est une entreprise qui propulse une nouvelle révolution de la vente au détail en utilisant la reconnaissance d'image et l'apprentissage automatique pour aider les marques et les détaillants à comprendre le «pourquoi» derrière ce que leurs clients achètent. La pile technologique de l'entreprise (qui est propriétaire pour «l'hyper-personnalisation») a été conçue et mise en œuvre par Sowmiya Chocka Narayanan, cofondatrice et CTO de Lily AI.

Narayanan est titulaire d'une maîtrise en génie électrique et informatique de l'UT Austin et d'un baccalauréat en informatique du PSG College of Technology (Inde). Elle a travaillé dans divers domaines de la pile technologique pour de grands joueurs comme Yahoo! et Box, se sont alors passionnés pour l'intersection de l'intelligence émotionnelle et de l'intelligence artificielle.

Le co-fondateur et PDG de Lily AI, Purva Gupta, venait de l'agence de publicité Saatchi & Saatchi. Dès le début de sa vie, Gupta avait appris comment trouver le bon vêtement pouvait l'aider à surmonter le doute de soi et lorsque les chemins des deux fondatrices se sont croisés, Gupta venait de terminer une montagne de recherches en personne sur une entreprise construite sur la prémisse à New York. Les recherches de Gupta ont montré que les femmes recherchent des vêtements par type de corps, pour trouver ce dans quoi elles se sentent le plus à l'aise.

Une femme peut choisir un chemisier spécifique car la coupe cache un ventre plus rond par exemple. Les deux se sont mis à travailler sur la création d'une entreprise qui guiderait les marques et les détaillants sur ces préférences dans le domaine numérique. Narayanan a convaincu Gupta que le meilleur moyen de créer le type de service d'achat personnalisé axé sur les préférences qu'elle souhaitait était d'utiliser l'apprentissage automatique.

Lily AI utilise désormais la vision par ordinateur et l'intelligence artificielle pour identifier les attributs les plus granulaires de chaque SKU dans le portefeuille d'un détaillant. En commençant par ces dizaines d'attributs par article, les marques et les détaillants peuvent ensuite hyper-personnaliser l'expérience de leurs clients en ligne en exploitant l'affinité de leurs clients pour ces attributs de produit spécifiques et très granulaires.

Les balises profondes jouent un rôle essentiel dans l'amélioration de la navigation sur le site en améliorant les filtres et les facettes pour affiner les résultats, améliorer la précision de la recherche sur le site, etc. Pour y parvenir, Narayanan a empilé un ensemble de modèles d'apprentissage profond créés à partir de réseaux de neurones convolutifs avec différentes architectures et formés avec près d'un milliard de points de données gérés manuellement par des experts humains.

Les premiers modèles personnalisés ont été créés à l'aide d'une plate-forme tierce d'apprentissage profond en tant que service et de plus de 100 000 images étiquetées. Les co-fondateurs ont rapidement réalisé que s'ils voulaient des attributs plus granulaires et axés sur le style, ils devaient expérimenter et affiner les modèles eux-mêmes. Gupta et Narayanan ont convenu qu'il était temps de rejeter l'approche tierce et de créer des modèles d'IA en interne.

Pour donner une idée de l’échelle, Lily AI a maintenant créé des dizaines de millions de balises pour un seul des clients détaillants de la société. Ils continuent de ravir leurs clients en identifiant les articles achetables dans une image, puis en prédisant les méta-balises à partir d'une base de données de milliers d'attributs allant de la couleur et de la coupe aux embellissements les plus infimes tels que les coutures et le poids du matériau.

La boucle de rétroaction humaine qui a été intégrée dans le pipeline de formation permet à l'équipe d'ajouter plusieurs millions de points de données par jour pour augmenter la précision de ces détails plus fins, et les modèles sont organisés hiérarchiquement de sorte que chaque niveau de prédiction ajoute des balises plus fines.

En alimentant les attributs du produit et les données de parcours des utilisateurs vers les algorithmes de recommandation de Lily AI, l'équipe extrait l'affinité et la sensibilité de l'utilisateur aux différents éléments et fonctionnalités du produit et les applique, et peut ensuite être recommandée.

Dans ce processus, ils évaluent et intègrent également tous les autres styles et caractéristiques du produit qui seraient flatteurs pour l'utilisateur (ou non) pour éviter la mauvaise recommandation.

De cette façon, deux femmes qui ont le même type de corps et les mêmes mesures, qui peuvent toutes deux regarder un jean, mais ont des préférences différentes pour les courbes et les coutures visibles, obtiendront des résultats différents.

Interrogé sur les options disponibles dans le commerce d'Amazon et de Microsoft pour essayer de recréer les résultats, Narayanan a toujours trouvé qu'il était préférable de créer en interne.

«Le meilleur cas d’utilisation pour nous était celui de l’infrastructure d’applications - création d’un pipeline de streaming, ETL sur des gigaoctets de données, API sans serveur, etc. Nous pourrions nous concentrer sur la partie algorithme de base sans consacrer trop de temps et de ressources à la construction du reste. l'infrastructure requise pour prendre en charge les applications de vente au détail », déclare Narayanan. «En raison de la nature de notre industrie étant la vente au détail, nous avons décidé d'être indépendant du cloud.»

Pour se différencier, la plate-forme Lily AI fournit une solution de bout en bout qui peut être appliquée à un large éventail d'applications au fil du temps. L'équipe a personnalisé les modèles d'apprentissage profond (couches et filtres) pour leur permettre d'approfondir et de prévoir plus de milliers d'attributs de produit granulaires avec une forte attente de précision minimale dans l'identification des attributs. De même, ils alimentent les algorithmes de recommandation avec des attributs utilisateur personnalisés extraits de leurs affinités de flux de clics et de fonctionnalités, puis expérimentent en assemblant différentes approches. Celles-ci sont impossibles à faire avec des plates-formes standard.

Selon Narayanan, l'apprentissage automatique traditionnel a jeté les bases de l'apprentissage des règles logiques à partir des données d'entrée sans être explicitement programmé pour cela, et l'apprentissage en profondeur fournit la puissance nécessaire pour extraire des fonctionnalités d'ensembles de données massifs non structurés et apprendre sans intervention humaine.

Inspiré par la structure biologique du cerveau humain, l'apprentissage en profondeur utilise des réseaux neuronaux pour analyser des modèles et trouver des corrélations dans des données non structurées telles que des images, de l'audio, de la vidéo et du texte.

«Le pouvoir prédictif de l'apprentissage en profondeur dans la perception visuelle, la compréhension du langage naturel et la capacité de prédire l'intention d'achat permet à Lily AI de fournir des recommandations hautement personnalisées, d'optimiser la stratégie de prix et la planification des stocks, des assistants d'IA entre autres applications», a déclaré Narayanan.

Afin de fournir l'expérience la plus pertinente, un détaillant doit capturer et stocker chaque interface avec l'utilisateur - ce que l'utilisateur a fait dans la boutique en ligne, comment il a acheté l'article, s'il a renvoyé le produit en magasin, s'est-il connecté avec le service client, quelles étaient leurs principales préoccupations, etc. Ils doivent être en mesure d'identifier les interactions hors ligne d'un utilisateur en ligne, un utilisateur en ligne se connectant à partir d'un autre appareil, un utilisateur en ligne faisant des achats pour quelqu'un d'autre.

Cette étape est la plus critique pour garantir que tout apprentissage automatique est effectué sur le bon jeu de données; plusieurs CDP (plateformes de données clients) promettent de le faire. De l'autre côté, ils ont également besoin de données granulaires sur les produits pour servir non seulement de recommandations, mais aussi pour analyser les tendances et aider à prévoir la demande. Il est très important pour le détaillant de faire le bon choix d'outils et de plates-formes qui les aideront à capturer et à interpréter les énormes données générées par les consommateurs.

Les attentes des acheteurs en matière d'expériences en ligne pertinentes et engageantes sur tous les canaux continueront d'inciter les détaillants à adopter et à mettre en œuvre des solutions basées sur l'IA pour le service client, la recherche plus intelligente, la navigation numérique, les recommandations, les assistants virtuels, etc.

L'adoption de services basés sur l'intelligence artificielle comme Lily AI améliorera non seulement les points de contact avec les clients, mais peut également avoir un impact positif sur d'autres domaines tels que la gestion des stocks, les prévisions des ventes, les problèmes de rupture de stock et des plans marketing mieux optimisés. Cela aide les détaillants non seulement à augmenter leurs ventes et leur efficacité opérationnelle, mais d'une manière que les clients apprécient et récompensent avec fidélité.


Voir la vidéo: Le machine learning, un apprentissage automatique. Futura (Novembre 2021).