Maisa Benatti, CEO της AIUTA – Σειρά Συνεντεύξεων

Maísa Benatti CEO στην AIUTA είναι ένας οραματιστής ηγέτης στη fashion-tech και τη γεννητική AI, που目前 ηγείται της αποστολής της εταιρείας για τη революτιποίηση των ψηφιακών εμπειριών μόδας από το Λονδίνο από τον Δεκέμβριο του 2024. Στο ρόλο της ως Διευθύνων Σύμβουλος, επικεντρώνεται στην κατασκευή αναλογικών λύσεων AI που βοηθούν τις μάρκες να παράγουν premium οπτικό περιεχόμενο, να βελτιώσουν τις πορείες των πελατών και να ξεκλειδώσουν ευκαιρίες ανάπτυξης, αξιοποιώντας την sâuρή της εμπειρία στη σχεδίαση προϊόντων, έρευνα UX και AI από την προηγούμενη της θητεία ως Chief Product Officer στην AIUTA και σε ανώτερες θέσεις προϊόντος σε εταιρείες όπως η FARFETCH και η Amazon (AMZN ). Το υπόβαθρό της καλύπτει τη γεννητική AI για προσωποποίηση και ανακάλυψη, μεγάλους μοντέλους γλωσσών και καινοτομία ηλεκτρονικού εμπορίου, οδηγώντας συνεχώς τα εφαρμογής της AI που κάνουν τις αγορές μόδας πιο直觀 και ελκυστικές.

AIUTA είναι μια modulaire πλατφόρμα καινοτομίας AI που μεταμορφώνει τον τρόπο με τον οποίο οι μάρκες και οι λιανικοί εμπόροι αλληλεπιδρούν με τους αγοραστές online, ενσωματώνοντας προηγμένες τεχνολογίες όπως εικονική δοκιμή, προσωποποιημένη στυλ και δημιουργία περιεχομένου με AI trực tiếp στα ψηφιακά καταστήματα. Η συλλογή λύσεων της εταιρείας επιτρέπει αισθητικές, διαδραστικές εμπειρίες αγορών που αυξάνουν τη μετατροπή και μειώνουν τις επιστροφές, επιτρέποντας στους καταναλωτές να οραματιστούν ενδυμασία σε πραγματικό χρόνο, ενώ επίσης ενδυναμώνουν τις μάρκες να κλιμακώσουν οπτικά στούντιο και συστάσεις ενδυμάτων με ιδιοκτησιακά μοντέλα AI που χειρίζονται πραγματικές αναπαραστάσεις, διατηρούν τις σωματικές προσαρμογές και ομαλή ενοποίηση καταλόγου.

Η καριέρα σας ξεκίνησε στη σχεδίαση μόδας και την έρευνα τάσεων πριν μεταβείτε σε customer-facing και product leadership ρόλους στη Farfetch και την Amazon Fashion. Πώς οι πρώτες αυτές εμπειρίες στη μόδα διαμόρφωσαν την προοπτική σας για το πού η AI μπορεί να έχει την πιο σημαντική επίδραση στο εμπόριο;

Δεν ήμουν στη μόδα επειδή ήθελα να σχεδιάσω όμορφα πράγματα — ήμουν στη μόδα επειδή ήμουν περίεργος για το πώς λειτουργεί η βιομηχανία. Ακόμη και από νωρίς, ήμουν πολύ πιο ενδιαφερμένος σε ερωτήσεις όπως: Πώς κλιμακώνεται αυτό; Γιατί είναι αυτό ακριβό; Γιατί σπάει μια φορά που φτάνει στον πελάτη;

Όταν μεταβήκα σε customer και product ρόλους στη Farfetch και αργότερα στην Amazon Fashion, αυτή η περιέργεια μετατράπηκε σε κάτι πολύ συγκεκριμένο. Μπορούσα να δω πώς πολύ από την online εμπειρία αγορών εξαρτάται από οπτικά, και πώς λίγα αυτά τα οπτικά σας λένε για το πώς θα ταιριάξει ή θα συμπεριφερθεί ένα ενδυμάσιο στο σώμα σας.

Εκεί είναι που η AI άρχισε να feels σημαντική για μένα, όχι ως μια δημιουργική τεχνική, αλλά ως ένας τρόπος για να κλείσει το χάσμα μεταξύ του τι οι μάρκες δείχνουν και τι οι πελάτες πραγματικά λαμβάνουν. Αν η AI μπορούσε να βοηθήσει να αντιπροσωπεύσει τα ενδύματα πιο ειλικρινά και σε κλίμακα, θα μπορούσε να βελτιώσει την εμπιστοσύνη, να μειώσει τους αποβλήτους και να κάνει το εμπόριο να λειτουργεί καλύτερα για όλους τους εμπλεκόμενους.

Η AI στη μόδα συχνά περιβάλλεται από υπερβολική προώθηση. Ποια είναι οι μεγαλύτερες λανθασμένες αντιλήψεις που έχουν οι μάρκες για την εφαρμογή της υπολογιστικής όρασης και της γεννητικής AI στο λιανικό εμπόριο, και πού περισσότερες πρωτοβουλίες αποτυγχάνουν;

Η μεγαλύτερη λανθασμένη αντίληψη είναι ότι αν κάτι φαίνεται εντυπωσιακό σε μια demo, είναι έτοιμο για παραγωγή. Στην πραγματικότητα, αυτά είναι δύο πολύ διαφορετικά πράγματα.

Η μόδα είναι γεμάτη με edge cases: διαφορετικά σώματα, υφάσματα, κατασκευές και προτύπους μάρκας. Πολλά εργαλεία AI δεν είναι κατασκευασμένα για να χειρίζονται αυτή τη复雑ность συνεχώς. Μπορούν να δημιουργήσουν κάτι που φαίνεται καλό μια φορά, αλλά καταρρέει όταν προσπαθείτε να το εφαρμόσετε σε ολόκληρο τον κατάλογο.

Ένα άλλο ζήτημα είναι ότι η μόδα συχνά αντιμετωπίζεται ως ένα γενικό οπτικό πρόβλημα. Δεν είναι. Τα ενδύματα είναι φυσικά αντικείμενα, και αν το σύστημα σας δεν καταλαβαίνει πώς τα ενδύματα συμπεριφέρονται στον πραγματικό κόσμο, η έξοδος μπορεί να φαίνεται ελκυστική αλλά δεν θα είναι αξιόπιστη. Η επίδραση αυτού του χάσματος είναι σημαντική — γύρω στο 40% των online παραγγελιών μόδας επιστρέφονται, το οποίο βλάπτει τόσο τους λιανικούς εμπόρους όσο και το περιβάλλον. Όταν τα οπτικά αντιπροσωπεύουν λανθασμένα το φίτ ή την εμφάνιση, η αβεβαιότητα αυξάνεται, και αυτό είναι συνήθως εκεί που οι πρωτοβουλίες AI σταματάνε.

Πολλοί λιανικοί εμπόροι αναφέρουν την αβεβαιότητα του φίτ και της εμφάνισης ως einen σημαντικό οδηγό επιστροφών. Από την εμπειρία σας στη δουλειά με το μέγεθος και το φίτ στη Farfetch και την Amazon, τι χρειάζεται πραγματικά για να μειώσει η AI τις επιστροφές με ένα μετρήσιμο τρόπο;

Η μείωση των επιστροφών δεν είναι για να προστεθεί μια λειτουργία, αλλά για να αυξηθεί η εμπιστοσύνη στο σημείο της αγοράς.

Το μέγεθος και το φίτ σημαίνουν επίσης διαφορετικά πράγματα σε διαφορετικές περιοχές. Οι προσδοκίες του φίτ είναι πολιτισμικές. Ένα “τέλειο φίτ” σε μια αγορά μπορεί να feels πολύ στενό ή πολύ χαλαρό σε μια άλλη. Η AI μπορεί να χαρτογραφήσει αυτά τα μοτίβα και να προσωπικεύσει τις συστάσεις με βάση την περιφερειακή συμπεριφορά και τις ατομικές προτιμήσεις, όχι μόνο τα μέτρα.

Υπάρχει επίσης ένα δομικό ζήτημα στις εικόνες μόδας. Τα περισσότερα προϊόντα φωτογραφούνται σε ένα δείγμα μεγέθους, συχνά.cliped στο στούντιο για να φαίνονται πιο ελκυστικά. Αυτό δημιουργεί απραγματοποίητες προσδοκίες. Η φωτογράφηση κάθε ενδυμάτων σε πολλά σώματα θα ήταν ιδανική, αλλά για τις περισσότερες επιχειρήσεις, είναι λειτουργικά σύνθετο και προιόνως ακριβό.

Εκεί είναι που η AI γίνεται μεταμορφωτική. Επιτρέπει στις μάρκες να δείχνουν πώς τα ενδύματα συμπεριφέρονται σε διαφορετικά σώματα και χρώματα δέρματος σε κλίμακα, με ρεαλισμό.

Ο ρεαλισμός είναι κλειδί. Αν ό,τι βλέπουν οι αγοραστές feels αληθινό και συνεπές σε όλο τον κατάλογο, η εμπιστοσύνη αυξάνεται. Όταν η εμπιστοσύνη αυξάνεται, οι επιστροφές μειώνονται.

Οι demos της εικονικής δοκιμής possono φαίνουν εντυπωσιακές σε απομόνωση, αλλά η κλιμάκωση τους σε χιλιάδες SKU είναι ένα διαφορετικό πρόκληση. Ποια είναι τα τεχνικά ή λειτουργικά εμπόδια που εμφανίζονται σε κλίμακα καταλόγου, και πώς έχει αντιμετωπίσει η AIUTA αυτά τα εμπόδια;

Σε κλίμακα, συνειδητοποιείτε γρήγορα ότι μια καλή demo δεν είναι αρκετή. Από την εμπειρία μου στη διεύθυνση πρωτοβουλίων εικονικής δοκιμής και φίτ στη Farfetch και την Amazon, τα μεγαλύτερα προκλήματα δεν ήταν μόνο σχετικά με την ακρίβεια. Ήταν το κόστος, η ταχύτητα και η λειτουργική πολυπλοκότητα. Συστήματα που δούλευαν σε πιλότους έγιναν πολύ ακριβά, πολύ αργά ή πολύ χειροκίνητα μια φορά που προσπαθούσατε να τα κυκλοφορήσετε σε έναν πραγματικό κατάλογο.

Η.latency είναι ένα μεγάλο μέρος αυτού. Αν η εικονική δοκιμή παίρνει πολύ χρόνο για να φορτώσει, οι πελάτες απλά δεν θα τη χρησιμοποιήσουν, όσο ακριβής και αν είναι. Αυτός είναι ο λόγος για τον οποίο η απόδοση ήταν ένας βασικός περιορισμός για μας από την αρχή. Σήμερα, η εικονική δοκιμή της AIUTA φορτώνει σε περίπου 4 έως 7 δευτερόλεπτα σε παραγωγή, το οποίο είναι σημαντικά γρηγορότερο από τις περισσότερες λύσεις στην αγορά.

Η λειτουργική πολυπλοκότητα είναι εξίσου σημαντική. Πολλά συστήματα απαιτούν βαριά προετοιμασία, λεπτομερείς εισαγωγές ή συνεχείς χειροκίνητες εργασίες από τις ομάδες των μαρκών. Η AIUTA είναι σχεδιασμένη για να λειτουργεί από πολύ απλές εισαγωγές, με ελάχιστη προσπάθεια που απαιτείται από τους λιανικούς εμπόρους, ενώ διατηρεί ακόμη την ακρίβεια του ενδυμάτων. Ως αποτέλεσμα, μπορούμε να μεταβούμε από τη δημιουργία εκατοντάδων εικόνων την εβδομάδα σε χιλιάδες εικόνες την ημέρα, επιτρέποντας στις μάρκες να κλιμακώσουν την εικονική δοκιμή σε μεγάλους καταλόγους χωρίς να προσθέτουν λειτουργική υπερβολική εργασία.

Τέλος, υπάρχει η συνεπότητα. Πολλά συστήματα αρχίζουν να διαστρεβλώνουν τα υφάσματα ή τις αναλογίες μια φορά που κλιμακώνετε. Ελέγχοντας το πλήρες pipeline από την καταγραφή και την αναnotation του ενδυμάτων μέχρι την εκπαίδευση και την ανάπτυξη του μοντέλου, μπορούμε να διατηρήσουμε την ταυτότητα και τον ρεαλισμό του ενδυμάτων σε κλίμακα που οι λιανικοί εμπόροι λειτουργούν πραγματικά.

Η AIUTA συνδυάζει pipelines υπολογιστικής όρασης με γεννητικά μοντέλα. Πώς διασφαλίζετε τον ρεαλισμό και την ακρίβεια του ενδυμάτων ενώ παράλληλα παραδίδετε εξόδους αρκετά γρήγορες για τις εργασίες της επιχείρησης;

Είμαστε πολύ προηγμένοι για το τι βελτιώνουμε. Η ταχύτητα μετράει, αλλά η ακρίβεια έρχεται πρώτα.

Τα συστήματά μας εκπαιδεύονται ειδικά σε δεδομένα μόδας, και αυτή η διάκριση είναι σημαντική. Δεν βασίζουμε σε τυποποιημένα datasets εμπορίου που έχουν την τάση να αναπαράγουν το ίδιο στενό σώμα again και again — μιλάμε για τυπικά ψηλά, λεπτά μοντέλα. Αντίθετα, κατέχουμε και έχουμε συνθετικά δημιουργήσει ένα πολύ διαφοροποιημένο dataset που βασίζεται σε ρεαλιστικές ανθρώπινες αναπαραστάσεις, με διαφορετικά σώματα, αναλογίες και κατασκευές ενδυμάτων.

Επειδή τα μοντέλα εκπαιδεύονται σε αυτή τη διαφοροποίηση, καταλαβαίνουν πράγματα όπως η υφή, η πτύση και η κατασκευή των υφασμάτων με πολύ πιο ρεαλιστικό τρόπο. Ως αποτέλεσμα, δεν χρειάζεται να “διορθώσουμε” τις εξόδους μετά. Ο ρεαλισμός είναι χτισμένος στο σύστημα από την αρχή.

Στην πλευρά της υποδομής, έχουμε επίσης επενδύσει πολύ στην απόδοση. Το αποτέλεσμα είναι ότι οι μάρκες μπορούν να παράγουν υψηλής ποιότητας εξόδους σε δευτερόλεπτα, όχι λεπτά, το οποίο κάνει την τεχνολογία χρηστική σε πραγματικά περιβάλλοντα παραγωγής και όχι μόνο σε πειραματισμούς.

Τι είναι τα μεγαλύτερα προκλήματα που αντιμετωπίζουν οι επιχειρήσεις όταν ενσωματώνουν εργαλεία AI στις υπάρχουσες δημιουργικές, merchandising και παραγωγικές διαδικασίες;

Οι περισσότερες επιχειρήσεις έχουν ήδη σύνθετα συστήματα και διαδικασίες σε λειτουργία. Το μεγαλύτερο πρόκλημα είναι ότι πολλά εργαλεία AI κατασκευάζονται ως αυτόνομα προϊόντα, όχι ως μέρος μιας ευρύτερης διαδικασίας.

Για να υιοθετηθεί πραγματικά η AI, πρέπει να ενσωματωθεί καθαρά, τεχνικά και λειτουργικά. Αυτό σημαίνει APIs, συμμόρφωση με την ασφάλεια, προβλέψιμη ποιότητα και σαφής ιδιοκτησία όταν κάτι πάει λάθος.

Υπάρχει επίσης ένα στοιχείο εμπιστοσύνης. Οι μάρκες είναι κατανοητά προσεκτικές όταν αφήνουν τα γεννητικά συστήματα να αγγίξουν τα βασικά οπτικά τους περιουσιακά στοιχεία. Αυτός είναι ο λόγος για τον οποίο η αξιοπιστία και ο έλεγχος ποιότητας μετράνε τόσο όσο και η καινοτομία.

Έχετε ηγηθεί πρωτοβουλίων AI και προσωποποίησης μέσα σε μεγάλες αγορές. Πώς είναι να κατασκευάζετε την AI μέσα σε μια μεγάλη πλατφόρμα σε σύγκριση με το να κατασκευάζετε μια εταιρεία που επικεντρώνεται αποκλειστικά στην υποδομή AI μόδας;

Μέσα σε μια μεγάλη πλατφόρμα, η AI είναι ένα από τα πολλά κινούμενα μέρη. Συχνά βελτιώνετε μέσα σε υπάρχοντες περιορισμούς και ισορροπείτε ανταγωνιστικές προτεραιότητες.

Η κατασκευή της AIUTA είναι πολύ διαφορετική επειδή όλη η εταιρεία επικεντρώνεται σε ένα πρόβλημα: τις οπτικές της μόδας. Αυτή η εστίαση μας επιτρέπει να πηγαίνουμε πιο βαθιά, τεχνικά και δημιουργικά, και να κινηθούμε γρηγορότερα όταν βλέπουμε κάτι να σπάσει στην παραγωγή.

Επιτρέπει επίσης να κατασκευάζουμε μακροπρόθεσμη υποδομή αντί για βραχυπρόθεσμες λειτουργίες. Δεν λύνουμε μόνο τις σημερινές περιπτώσεις χρήσης, αλλά σχεδιάζουμε συστήματα που μπορούν να εξελιχθούν καθώς η τεχνολογία εξελίσσεται.

Πώς ισορροπείτε την προσωποποίηση με την ιδιωτικότητα όταν εργάζεστε με δεδομένα μεγέθους, αναπαραστάσεις σωμάτων και σήματα συμπεριφοράς αγοραστών;

Η ιδιωτικότητα πρέπει να είναι χτισμένη στο σύστημα από την αρχή. Δεν μπορείτε να την αντιμετωπίζετε ως ένα πρόσθετο αργότερα.

Στην AIUTA, επικεντρωνόμαστε στην βελτίωση της αναπαράστασης αντί να συλλέγουμε περισσότερα προσωπικά δεδομένα. Βελτιώνοντας την κατανόηση των ενδυμάτων και της σωματικής ποικιλότητας σε σύνολο, μπορούμε να παραδώσουμε πιο σχετικές εμπειρίες χωρίς να βασίζουμε σε ευαίσθητες ατομικές πληροφορίες.

Αυτή η ισορροπία είναι κρίσιμη — ειδικά στη μόδα, όπου η εμπιστοσύνη παίζει τόσο σημαντικό ρόλο στις αποφάσεις αγοράς.

Οι οπτικές AI που παράγονται από την AI προκαλούν ανησυχίες για τις ομορφωμένες σώματα ή τις λανθασμένες αναπαραστάσεις ενδυμάτων. Πώς αντιμετωπίζετε την αυθεντικότητα και την ακεραιότητα της μάρκας όταν αναπτύσσετε συστήματα γεννήτριας σε κλίμακα;

Αυτός είναι κάτι που σκεφτόμαστε συνεχώς, και για μένα επίσης έγινε πολύ προσωπικό.

Κατά τη διάρκεια της εγκυμοσύνης μου, έγινα πολύ πιο συνειδητός για το πώς περιορισμένα είναι τα περισσότερα συστήματα AI όταν πρόκειται για την αναπαράσταση σωμάτων που βρίσκονται έξω από τα στενά πρότυπα. Η εγκυμοσύνη είναι προσωρινή, αλλά είναι μια πολύ πραγματική σωματική κατάσταση, και όμως είναι συχνά πλήρως απουσιάζουσα από τα δεδομένα εκπαίδευσης. Μπορούσα να δω προσωπικά πώς εύκολα η AI αποτυγχάνει όταν τα σώματα αλλάζουν, ακόμη και ελαφρά, από ότι το σύστημα θεωρεί “πρότυπο”.

Πολλά συστήματα γεννήτριας είναι σχεδιασμένα για να κάνουν τα πράγματα να φαίνονται “καλύτερα”, το οποίο, για πολλούς, μπορεί να σημαίνει λείο, λεπτό ή πιο ιδεατό. Αλλά στη μόδα, αυτή η προσέγγιση γρήγορα σπάει την εμπιστοσύνη. Αν το σώμα είναι ομορφωμένο ή το ενδυμάσιο είναι υποβλητικά τροποποιημένο, οι πελάτες終止 με ένα προϊόν που δεν ταιριάζει με αυτό που τους δείχθηκε.

Στην AIUTA, σχεδιάζουμε σκόπιμα για τον ρεαλισμό. Ο στόχος μας είναι να δείξουμε τα ενδύματα σε πραγματικά σώματα, συμπεριλαμβανομένων σωμάτων που δεν ταιριάζουν με τα στενά βιομηχανικά πρότυπα, είτε πρόκειται για διαφορετικά μεγέθη, αναλογίες ή πιο σύνθετες ανατομίες όπως η εγκυμοσύνη. Ζευγνύουμε επίσης την AI με ανθρώπινη ποιότητα ελέγχου για να πιάσουμε τις περιπτώσεις άκρων και να διασφαλίσουμε ότι κάθε έξοδος συμμορφώνεται με τα πρότυπα της μάρκας.

Η αυθεντικότητα δεν είναι μόνο μια αξία για μας, είναι απαραίτητη για την μακροπρόθεσμη υιοθέτηση. Αν οι πελάτες και οι μάρκες δεν εμπιστεύονται αυτό που βλέπουν, η τεχνολογία απλά δεν θα λειτουργήσει.

Κοιτάζοντας μπροστά, πώς βλέπετε τη γεννητική AI να αναμορφώνει το ευρύτερο οικοσύστημα μόδας, συμπεριλαμβανομένων ψηφιακών δίδυμων, μοντέλων κερδοφορίας και του μέλλοντος της δημιουργικής παραγωγής;

Νομίζω ότι μετακινούμαστε σε ένα κόσμο όπου τα οπτικά δεν είναι πλέον στατικά περιουσιακά στοιχεία, αλλά ζωντανοί οργανισμοί.

Τα ψηφιακά δίδυμα, για τα ενδύματα και για τα μοντέλα, θα γίνουν πολύ πιο κοινά. Αυτό ανοίγει νέους μοντέλους κερδοφορίας και επιτρέπει τη δημιουργική εργασία να κλιμακωθεί με τρόπους που δεν ήταν δυνατοί πριν.

Πιο ευρύτερα, η δημιουργική παραγωγή θα γίνει γρηγορότερη, πιο ευέλικτη και πιο ανταποκρίσιμη. Τελικά, οι μάρκες που θα επιτύχουν θα είναι αυτές που χρησιμοποιούν την AI με σκέψη και την αναπτύσσουν ως υποδομή που υποστηρίζει την ακρίβεια, τη δημιουργικότητα και την εμπιστοσύνη.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν AIUTA.