Внедрение виртуальной примерочной — опыт ecom.tech (ex Samokat.tech).
«Не все бизнес-идеи в сфере ИИ имеют высокий потенциал, важно выделить те, что позволят увеличить эффективность и помогут отстроиться от конкурентов. Многие сервисы на базе генеративных технологий можно собрать «из коробки», однако чаще всего они всё равно будут требовать адаптации под ваши уникальные бизнес-реалии. Где и как применить ИИ, чьими силами разработать решение, — три главных вопроса, правильные ответы на которые позволят получить заметный эффект от внедрения и снизить риски», — Петр Лукьянченко, руководитель департамента машинного обучения в ecom.tech (ex Samokat.tech).
По мнению исследователей из Accenture, компании, применяющие генеративный искусственный интеллект в клиентских продуктах и сервисах, могут рассчитывать на увеличение дохода на 25% через пять лет по сравнению с теми компаниями, которые сосредотачиваются только на повышении производительности.
Вокруг ИИ сегодня много шума: согласно недавнему отчету той же исследовательской компании, 75% технических директоров из сферы розничной торговли считают генеративный искусственный интеллект инструментом роста доходов своего бизнеса. Из этого возникает дилемма — в какое решение из области ИИ стоит вложить инвестиции и внутренние ресурсы команды разработки, а какие технологии можно переиспользовать или заказать стороннюю аутсорс-разработку.
Хоть новые варианты применения ИИ появляются ежедневно, в фокусе внимания у многих компаний всё ещё превалируют решения, ориентированные на производительность и автоматизацию.
Если разложить наиболее известные варианты использования ИИ в стандартной цепочке создания стоимости, то решения для персонализации, динамического ценообразования и прогнозной аналитики пока ещё не применяются повсеместно. Вероятно, это связано с тем, что они более сложные, но именно они потенциально могут дать устойчивое конкурентное преимущество.
Согласно рекомендациям от BCG нужно проанализировать 2 аспекта, которые помогут определиться, разрабатывать ли сложные сервисы самостоятельно или достаточно использовать готовые открытые решения.
1. Уникальный опыт. Подойдёт ли вам распространенная модель или требуется что-то уникальное для отрасли, в которой работает компания?
2. Собственные данные. Имеет ли компания значительные объемы своих уникальных данных? Или большая часть этих данных является общедоступной?
Слева в матрице обозначены те типы сервисов, которые будет невыгодно разрабатывать самостоятельно: это общие решения, они либо уже есть на рынке в виде готовых продуктов/платформ, или в скором времени так или иначе появятся. Справа находятся решения, которые потребуют использования собственных обширных данных, они предполагают высокую персонализацию сервисов. В таких случаях собственная разработка будет более желательной. В зависимости от того, насколько инновационным является продукт, у разработчиков есть выбор — дообучить и адаптировать модель с открытым исходным кодом под свои нужды, либо написать сервис с нуля.
Технологии генеративного ИИ в e-commerce на практике:
Виртуальная примерочная — как разработать новый клиентский сервис на базе open source решений
Разберём один из примеров внедрения технологий генеративного ИИ из правого блока матрицы Boston Consulting Group на практическом кейсе разработки виртуальной примерочной одежды для сервиса «Мегамаркет», который был реализован компанией ecom.tech (ex Samokat.tech).
Ecom.tech (ex Samokat.tech) — ИТ-компания, разрабатывающая решения для ритейла реального времени, чьи технологии работают «под капотом» сервисов «Самокат», «Мегамаркет» и логистической инфраструктуры.
«В Мегамаркете есть много типов клиентов и сотни пользовательских сценариев. Так, например, продавцы на площадке — это наши клиенты, задачи которых мы решаем так же, как и задачи конечных покупателей на маркетплейсе. Мы задумались, какие услуги могут помочь продавцам быть более эффективными и увеличивать продажи. Среди многих идей возникла идея создания виртуальной примерочной одежды внутри личного кабинета продавца».
Постановка задачи:
Представьте себя продавцом одежды на маркетплейсе. Каждый день у вас пополнения в каталоге, а каждый квартал — новая коллекция. Помня о том, что фотографии товара, а ещё лучше фотографии людей, использующих эти товары, повышают конверсию в покупку, вам просто необходимо проводить качественные фотосессии с участием моделей на регулярной основе.
Решение:
Так появилась идея виртуальной примерочной одежды. Принцип работы такого сервиса прост — на вход подаются исходное фото человека-модели и фото предмета одежды. На выходе необходимо получить фото человека с надетым на него предметом одежды.
Выбор модели:
На рынке существуют готовые алгоритмы для препроцессинга исходного изображения: Self correction human parsing, OpenPose, также доступна генерация на основе технологии Stable Diffusion — OOTDiffusion, TryOnDiffusion, StableVTON, DCI-VTON.
Однако просто взять и внедрить такие модели не получится.
Как показывает практика, для решения конкретных задач открытые решения надо адаптировать под особенности компании, учитывая множество факторов при разработке финального решения:
– Модели подходят не для всех доменов
– Имеют невысокое качество на определенных типах данных
– Могут галлюцинировать, медленно работать
– Могут не соответствовать инфраструктуре и возможностям по «железу»
– Не в полной мере решают этические аспекты и т.д.
* — готовая модель “из коробки” справляется с простыми задачами
* — результат работы недообученной модели
Поэтому при внедрении любой генеративной технологии мы сталкиваемся с необходимостью дообучения и адаптации модели. Помимо этого, нельзя раз и навсегда дообучить модель, этот процесс будет постоянным.
Особенности адаптации моделей:
Именно здесь происходит основная работа специалистов по генеративному ИИ и ML-инженеров. Для контроля над данными и последующего развития модели желательно использовать ресурсы внутренней команды разработки.
1. Для задачи дообучения модели виртуальной примерочной необходимо 2-3 тысячи изображений по каждой категории одежды. Источниками могут быть датасеты из различных открытых источников и собственные данные.
2. Необходимо учесть наличие различных артефактов у результирующего фото:
– Исходные цвета одежды могут изменяться (освещение, окружение на фото)
– Одежда может не подстраиваться под физическую форму человека
– У моделей всё ещё есть проблемы с точной прорисовкой конечностей
– Может потребоваться корректировка силуэта внутри модели (если будут новые фото с разными позами и окружением)
3. На каждом этапе нужно предусмотреть модерацию изображений в соответствии с определенными правилами (недопустимы изображения с присутствием признаков насилия, логотипов и тд). Для этого в итоговый сервис необходимо добавить технологию автомодерации изображений на базе компьютерного зрения.
Выводы:
– Не все бизнес-идеи в сфере ИИ имеют высокий потенциал, важно выделить те, что позволят увеличить вашу дифференциацию и помогут отстроиться от конкурентов. Многие сервисы на базе генеративных технологий можно собрать «из коробки», не прибегая к дорогостоящей разработке, всё зависит от располагаемых вами данных, масштаба бизнеса и возможности вложиться в унификацию и персонализацию клиентского сервиса.
– Если нужно быстро протестировать идею и сделать прототип, для этого достаточно использовать доступные open-source модели: только по примерке одежды есть десятки доступных решений. Однако для реализации полноценного работающего на больших масштабах сервиса понадобится существенная доработка имеющихся моделей.
Для решения данных вопросов необходимо оценить:
– Человеческие и технологические ресурсы
– Наличие необходимого объема
– Собственную экспертизу
– Уровень рисков
– Желаемые сроки реализации
О том, в какие инновации в ритейле и e-commerce готовы инвестировать игроки рынка, как генеративные технологии ИИ внедряются уже сегодня — поговорим 5 сентября в 10:00 на Открывающей дискуссии в рамках IT&Innovations Forum – проходите бесплатную регистрацию!
