هوش مصنوعی در صنعت پوشاک

چگونه یک شرکت پوشاک، هوش مصنوعی و تخصص انسانی را باهم ترکیب می کند؟

Stitch-Fix یک نگاهی اجمالی در مورد نحوه استفاده برخی مشاغل از هوش مصنوعی را ارائه میدهد، که بر مبنای Machine-Learning ، برای همکاری با کارمندان و یافتن راه حل های موثر است. موفقیت یک خرده فروش آنلاین لباس در مدت پنج سال نشان می دهد، که چگونه هوش مصنوعی و افراد می توانند با یکدیگرکار کنند و هر یک از طرفین توانایی این را دارند که، روی نقاط قوت منحصر به فرد خود تمرکز کنند.

در واقع کاربران این سرویس لباس را نمیخرند، زیرا Stitch Fix حتی یک فروشگاه آنلاین هم ندارد. مشتریان اندازه و سایزهایشان را با اپلیکیشن  Pintrest Boards  به شرکت ارائه می دهند . الگوریتم های Machine-Learning همه این اطلاعات بدون ساختار را، گلچین و خلاصه می کنند. یک رابط، نتایج الگوریتم ها را به همراه داده های بیشتر، به شرکتهای طراحی مد ارائه می دهد، سپس شرکت ها پنج مورد از برند های مختلف را برای مشتریان ارسال می کنند تا مشتریان آنچه را که دوست دارند انتخاب کنند و هر کدام را که مناسب آنها نباشد پس می فرستند.

عملکرد Stitch-Fix سه مورد از نحوه ترکیب کردن، تخصص انسانی با سیستم های هوش مصنوعی را نشان می دهد، اول اینکه، مهم است که انسان ها را در حلقه فرایند تجارت نگه داشت چون ماشین ها به تنهایی نمی توانند این کار را انجام دهند. دوم اینکه، شرکت ها می توانند از ماشین آلات برای بالا بردن بهره وری و اثر بخش تر کردن کارگران از روش های جدید استفاده کنند. و سوم اینکه، تکنیک های مختلف Machine-Learning باید باهم ترکیب شوند، تا به طور موثر، فهم و پرورش نوآوری را شناسایی کنند.

تحقیقات در صنعت و دانشگاه ها نشان داده است که شرکت ها فرصت بی نظیری دارند تا بتوانند پیشرفت های جاری در هوش مصنوعی و تحقیقات  Machine-Learning را، به منظور اختراع فرایندهای تجاری مورد استفاده قرار دهند.

برای مثال، در تجزیه و تحلیل یک نمونه به مدت پنج سال، حداقل 12 تکنیک را شناسایی کردند که به راحتی می توانند در یک فرایند استفاده و ترکیب شوند. این تکنیک ها عبارتند از: بهینه سازی، شبکه های عصبی، پسرفت، رگرسیون/ مدل سازی ، شناخت گفتاری، دسته بندی کردن، تجزیه و تحلیل شبکه، تجزیه و تحلیل فیلم، تجزیه و تحلیل متن، سیستم پیشنهادی، تشخیص تصویر، پیش بینی و طبقه بندی.

برخی از شرکت های بسیار موفق برای افزایش فروش یا بهبود رضایت مشتری از سیستم های پیشنهادی استفاده کرده اند.

شرکت ها به هر نحو ممکن اطلاعاتی را به دو صورت، ساختار یافته و بدون ساختار در مورد مشتری جمع آوری می کنند. داده های ساختار یافته شامل نظرسنجی با اطلاعات شخصی، شامل اندازه های بدن و سایز افراد و برند موردنظر مشتریان است. داده های بدون ساختار می توانند از طریق اکانت های شبکه های اجتماعی، مانند پینترست یا از طریق یادداشت های آنلاین از سوی افراد در مورد دلیل خرید لباس های جدید، به عنوان مثال برای یک مناسبت خاص، تغییر فصل یا به دلیل اینکه سبک جدید خاصی نظرشان را جلب کرده است، حاصل می شوند.

سیستم پیشنهادی، هنگام برخورد با داده های ساختار یافته، در بهترین حالت ممکن است. اما برای درک داده های بدون ساختار، مردم و قضاوت آنها لازم است.

این سیستم پیشنهادی ، از اطلاعات متعدد برای کمک به بهبود آن استفاده می کند. این الگوریتم بازخوردها را مستقیما از مشتریان دریافت می کند. و استایل از روی نشانه هایی که از یادداشت های مشتری و تعامل های قبلی با او گرفته شده است، تنظیم می شود.

شرکت یادداشت های مشتریان و بازخوردهای مثبت و منفی را دریافت و طبقه بندی می کند. از آنجا که الگوریتم ها هرگز از نظارت انسان فاصله ندارند Stitch-Fix میتواند با اطمینان از آزمایش فناوری های جدید Machine-Learning، بدون نگرانی از اینکه آزمایش ها باعث اختلال در تجربه مشتری شوند، استفاده کند.

Stitch Fix بیش از 2800 استایلیست را در سراسر کشور استخدام کرده است که همه آنها از خانه کار می کنند و ساعات کارشان معین است. در این نیروهای کار توزیع شده، استایل ها با توجه به معیارهای متنوعی از جمله، میزان پولی که مشتری هزینه می کند و رضایت مشتری، سنجیده میشود. اما یکی از مهمترین فاکتورها این است که، استایلیست چه مجموعه ای از لباس را برای مشتری انتخاب کرده است.

بنابراین سرعت نیز، مانند دقت اهمیت دارد. برای این که یک استایلیست بتواند سریع تصمیم گیری کند، صفحه ای را در اختیار دارد و مشاهده می کند که اطلاعات مربوط به مشتری نظیر، سابقه پوشاک و اندازه گیری های مشتری در آن وجود دارد.

به منظور اطمینان از انتخاب استایل ها، سیستم Stitch-Fix می تواند اطلاعات را تنوع بدهد. به عنوان مثال، اینکه چگونه یک تصویر از مشتری می تواند بر روی انتخاب یک استایل تاثیر بگذارد، یا دانستن در مورد سن مشتری نیز می تواند تاثیرگذار باشد، یا اینکه آیا دانستن درباره ی محل زندگی مشتری برای انتخاب استایل کمک کننده است یا خیر.

طبق آمارهای داخلی، با نظارت مداوم و الگوریتم هایی که تصمیم گیری را هدایت می کنند، بیشتر استایلیست های Stitch-Fix از کارشان راضی هستند. این نوع کار، پیرامون خلاقیت و برنامه های زمانبندی انعطاف پذیر ساخته شده است که نقش مهمی در نیروی کار آینده خواهد داشت.

صنعت مد با چرخه های سریع یادگیری بیگانه نیست. یکی از مزایای بسیار خوبی که Stitch-Fix از جمع آوری و تجزیه و تحلیل داده ها می داند، توانایی پیش بینی ترند و تمایلات روز است.

به عنوان مثال مهندسان این شرکت در حال توسعه و طبقه بندی Machine-Learning برای یافتن ترندها هستند، تا با استفاده از تصمیم بله یا خیر ساده که مشتری هنگام خرید یا ارسال مجدد آن می گیرد، ترند را پیدا کنند. از این داده های به ظاهر ساده، تیم توانسته است کشف کند که با توجه به فصل ها کدام ترندها تغییر می کند و کدام مدها از سبک خارج می شوند.

از دیگر مزایای این داده ها، تحقیقاتی با هدف توسعه سیستم رایانه ای است که می تواند استایل را تفسیر کند و به نوعی اندازه گیری استایل را از تصاویر لباس ها استخراج کند.

خود سیستم تحت یادگیری بدون نظارت قرار می گیرد و تعداد زیادی از تصاویر را گرفته و سپس الگوها یا ویژگی ها را استخراج می کند و در مورد اینکه چه استایل هایی به یکدیگر شبیه هستند تصمیم میگیرد. این “auto-styler” می تواند برای مرتب سازی خودکار موجودی و بهتر کردن انتخاب ها برای مشتریان استفاده شود.

علاوه بر ایجاد یک بخش الگوریتمی و یک auto-styler، Stitch-Fix در حال توسعه استایل و سبک های جدید است.

شرکت استایل های جدیدش را با استفاده از الگوریتمی، به نام الگوریتم ژنتیکی ایجاد کرده است. الگوریتم ژنتیکی شرکت، استایل های موجود را به طور تصادفی اصلاح و شبیه سازی می کند. به طور مثال، یک مدل آستین از یک لباس را با یک الگو از لباس دیگر و با یک رنگ جدید ترکیب می کند و به یک پیراهن کاملا جدید تبدیل می کند.

در نتیجه، Stitch-Fix زاییده ی یک شرکت بومی Machine-Learning است. Forbes تخمین زد که شرکت در سال 2015، 250 میلیون دلار درامد کسب کرده است و این میزان را در سال 2016، با 50% افزایش پیش بینی کرد. Stitch-Fix طی دو سال گذشته نیروی کار خود را سه برابر کرده است. رویکرد این شرکت نشان می دهد که،  انسان و ماشین آلات می توانند یکدیگر را تقویت کنند تا نتایج بهتری در فرایند صورت پذیرد، تا اینکه هر یک بخواهند به تنهایی فرایند را پیش ببرند.

در حال حاضر ما در ابتدای عصر هوش مصنوعی هستیم و تحولات بیشتری در پیش رویمان می باشد. هوش مصنوعی به راحتی می تواند صنایع را تغییر دهد و بهره وری را بالا ببرد.

منبع:

https://hbr.org/2016/11/how-one-clothing-company-blends-ai-and-human-expertise