Maisa Benatti, AIUTA:n toimitusjohtaja – Haastattelusarja

Maísa Benatti AIUTA:n toimitusjohtaja on visionäärinen johtaja muotiteknologiassa ja generatiivisessa tekoälyssä, ja hän johtaa tällä hetkellä yrityksen tehtävää digitaalisten muotikokemusten vallankumouksellistamisessa Lontoosta lähtien joulukuusta 2024. Toimitusjohtajana hän keskittyy rakentamaan skaalautuvia tekoälyratkaisuja, jotka auttavat brändejä tuottamaan premium-visuaalista sisältöä, parantamaan asiakaspolkuja ja avaamaan kasvumahdollisuuksia, hyödyntäen syvää asiantuntemustaan tuotedesignista, UX-tutkimuksesta ja tekoälystä aiemmasta työstään AIUTA:n tuotejohtajana ja senioripuolen johtajana yrityksissä kuten FARFETCH ja Amazon (AMZN ). Taustansa kattaa generatiivisen tekoälyn henkilökohtaisuutta ja löytämistä, suuret kielimallit ja sähköisen kaupan innovaatiot, jatkuvasti edistäen tekoälyn sovelluksia, jotka tekevät muotin ostamisesta intuitiivisempaa ja viihdyttävämpää.

AIUTA on modulaarinen tekoälyinnovaatioplatformi, joka muuttaa tapaa, jolla muotibrändit ja -jälleenmyyjät vuorovaikuttavat verkkokaupassa integroimalla edistyneitä teknologioita, kuten virtuaalikokeilua, henkilökohtaista tyyliä ja tekoälyohjattua sisällönluontia suoraan verkkokauppoihin. Yrityksen ratkaisujen sarja mahdollistaa immersiiviset ja interaktiiviset ostokokemukset, jotka parantavat muunnostapaa ja vähentävät palautuksia, sillä ne antavat asiakkaille mahdollisuuden visualisoida vaatteita itseensä reaaliajassa, samalla kun ne antavat brändeille mahdollisuuden skaalata studio-laatuista visuaalista sisältöä ja asuvaihtoehtoja omilla tekoälymallilla, jotka hallitsevat realistista renderöintiä, kehon säilyttävää virtuaalista sopivuutta ja vaivatonta luettelointegrointia.

Uranne alkoivat muotisuunnittelusta ja trenditutkimuksesta ennen siirtymistä asiakaspalveluun ja tuotejohtajuuteen Farfetchissä ja Amazon Fashionissa. Miten nuo varhaiset kokemukset muodissa muovasivat näkemyksesi siitä, missä tekoäly voi luoda merkittävimmän vaikutuksen kaupassa?

En tullut muotiin, koska halusin suunnitella kauniita asioita — tulin muotiin, koska olin utelias siitä, miten teollisuus toimii. Jo varhain olin paljon enemmän kiinnostunut kysymyksistä kuten: Miten tämä skaalautuu? Miksi tämä on kallista? Miksi se hajoaa, kun se saapuu asiakkaalle?

Kun siirryin asiakas- ja tuoterooleihin Farfetchissä ja myöhemmin Amazon Fashionissa, se uteliaisuus muuttui konkreettiseksi. Näin, miten paljon verkkokaupan kokemus riippuu visuaalisuudesta, ja miten vähän visuaalisuus kertoo asiakkaalle, miten vaate istuu tai käyttäytyy keholla.

Sinä oli tekoälylle merkityksellistä minulle, ei luovana temppuna, vaan keinona sulkemaan kuilu brändien näyttämän ja asiakkaiden todellisen vastaanottaman välillä. Jos tekoäly voisi auttaa edustamaan vaatteita rehellisemmin ja skaalautuvasti, se voisi parantaa luottamusta, vähentää jätteitä ja tehdä kaupasta toimivamman kaikille osapuolille.

Teollisuudessa on paljon huhuja tekoälystä. Mitkä ovat suurimmat väärinkäsitykset, joita brändit tekevät soveltamalla tietokoneen näköä ja generatiivista tekoälyä vähittäiskauppaan, ja missä kohdissa useimmat aloitteet epäonnistuvat?

Suurin väärinkäsitys on, että jos jokin näyttää vaikuttavalta demoissa, se on valmis tuotantoon. Todellisuudessa nämä ovat kaksi eri asiaa.

Muoti on täynnä reunatapauksia: eri kehotyypit, kankaat, rakenteet ja brändien standardit. Monet tekoälytyökalut eivät ole suunniteltu käsittelemään tätä monimuotoisuutta johdonmukaisesti. Ne voivat generoida jotain, joka näyttää hyvältä kerran, mutta hajoaa, kun yrität soveltaa sitä koko luetteloon.

Toinen ongelma on, että muotia usein kohdellaan geneerisenä visuaalisena ongelmana. Se ei ole. Vaatteet ovat fyysisiä esineitä, ja jos järjestelmä ei ymmärrä, miten vaatteet käyttäytyvät todellisessa maailmassa, tuloste voi näyttää viehättävältä mutta ei ole luotettavaa. Tämän kuilun vaikutus on merkittävä — noin 40 % verkkomuotitilauksista palautetaan, mikä satuttaa sekä vähittäiskaupan taseita että ympäristöä. Kun visuaaliset edustukset väärin esittävät sopivuutta tai ulkonäköä, epävarmuus lisääntyy, ja siinä vaiheessa tekoälyaloitteet usein tyrehtyvät.

Monet vähittäiskaupan yritykset mainitsevat sopivuuden ja ulkonäön epävarmuuden merkittävänä palautusten aiheuttajana. Kokemuksestasi työskennellessäsi koon ja sopivuuden parissa sekä Farfetchissä että Amazonissa, mitä se vaatii tekoälyltä, jotta se voi vähentää palautuksia merkittävällä tavalla?

Palautusten vähentäminen ei ole lisäämisen asia, vaan luottamuksen lisääminen ostohetkellä.

Koko ja sopivuus tarkoittavat eri asioita eri alueilla. Sopivuusoletukset ovat kulttuurisia. “Täydellinen sopivuus” yhdessä markkinassa voi tuntua liian tiukalta tai liian löysältä toisessa. Tekoäly voi kartoittaa näitä malleja ja personoida suosituksia alueellisen käyttäytymisen ja yksilöllisten preferenssien perusteella, eikä pelkästään mittojen perusteella.

On myös rakenteellinen ongelma muotikuvissa. Useimmat tuotteet valokuvataan yhdellä näytekoolle, usein leikattuna studiotilassa näyttämään houkuttelevammalta. Se luo epärealistisia odotuksia. Jokaisen vaaten valokuvaaminen useilla kehotyypeillä olisi ihanteellista, mutta useimmille liiketoimille se on toiminnallisesti monimutkaista ja kustannuksiltaan estettävää.

Sinä on vaihe, jossa tekoäly muuttuu transformatiiviseksi. Se mahdollistaa brändeille näyttää, miten vaatteet käyttäytyvät eri kehotyypeillä ja ihonväreillä skaalautuvasti ja realistisesti.

Realismi on avainasemassa. Jos se, mitä asiakkaat näkevät, tuntuu totuudenmukaiselta ja johdonmukaiselta koko luettelon yli, luottamus kasvaa. Kun luottamus kasvaa, palautukset vähenevät.

Virtuaalikokeilun demoissa voi näyttää vaikuttavalta eristyneinä, mutta skaalautuminen tuhansiin SKU:iin on toinen haaste. Mitkä ovat suurimmat tekniset tai operatiiviset esteet skaalautumisessa, ja miten AIUTA on ratkaissut ne?

Skaalautumisessa huomaa nopeasti, että hyvä demo ei riitä. Kokemukseni perusteella virtuaalikokeilu- ja sopivuusaloitteiden johtamisesta Farfetchissä ja Amazonissa suurimmat haasteet eivät olleet pelkästään tarkkuuteen liittyviä, vaan kustannuksia, nopeutta ja operatiivista monimutkaisuutta. Järjestelmät, jotka toimivat pilottitesteissä, muuttuivat liian kalliiksi, hitaiksi tai manuaaliseksi, kun yritti roll-outia oikeaan luetteloon.

Latenssi on suuri osa siitä. Jos virtuaalikokeilu kestää liian kauan latautumisessa, asiakkaat eivät vain käytä sitä, riippumatta siitä, kuinka tarkka se on. Siksi suorituskyky oli yksi pääsuunnittelurajoitteista meille alusta alkaen. Nykyään AIUTA:n virtuaalikokeilu latautuu noin 4-7 sekunnissa tuotannossa, mikä on merkittävästi nopeampaa kuin useimmat markkinoilla olevat ratkaisut.

Operatiivinen monimutkaisuus on yhtä tärkeää. Monet ratkaisut vaativat runsasta valmistelua, yksityiskohtaisia syötearvoja tai jatkuvaan manuaalista työtä bränditiimien toimesta. AIUTA on suunniteltu toimimaan hyvin yksinkertaisista syötearvoista, vähäisellä vaivalla brändien puolesta, säilyttäen kuitenkin vaatetuskohteen tarkkuuden. Tuloksena voimme siirtyä sadoista kuvista viikossa tuhansiin kuviin päivässä, mikä mahdollistaa brändeille virtuaalikokeilun skaalauttamisen laajojen luetteloiden yli ilman operatiivisen kuormituksen lisäämistä.

Lopulta on vielä yhdenmukaisuus. Monet järjestelmät alkavat vääristää kankaita tai mittasuhteita skaalautumisen myötä. Hallitsemalla koko putkea vaatetuskohteen havainnosta ja annotaatiosta mallin koulutukseen ja käyttöönottoon, pystymme ylläpitämään vaatetuskohteen identiteettiä ja realismin luonnollisessa skaalassa, jolla suuret vähittäiskaupan yritykset toimivat.

AIUTA yhdistää tietokoneen näön putkistot generatiivisiin malleihin. Miten varmistat realismin ja vaatetuskohteen tarkkuuden, samalla toimittaen tulokset riittävän nopeasti yritysten työvirtoihin?

Olemme hyvin tarkkoja siitä, mihin optimoidaan. Nopeus on tärkeää, mutta tarkkuus tulee ensin.

Järjestelmämme on koulutettu erityisesti muotidataa varten, ja tämä ero on tärkeä. Emme riipu standardisähköisen kaupan aineistoista, jotka usein toistavat samat kapeat kehotyypit toistuvasti — puhumme tässä tyypillisesti pitkistä, hoikista malleista. Sen sijaan omistamme ja olemme luoneet synthetisoidun, hyvin monipuolisen aineiston, joka perustuu realistisiin ihmisesittelyihin, eri kehorakenteilla, mittasuhteilla ja vaatetuskohteen rakenteilla.

Koska mallit on koulutettu tälle monipuolisuudelle, ne ymmärtävät asioita kuten kangasTekstiuria, roikkua ja rakennetta paljon realistisemmin. Tuloksena emme tarvitse “korjata” tuloksia jälkikäteen. Realismi on rakennettu järjestelmään alusta alkaen.

Infrastruktuurin puolella olemme myös investoineet voimakkaasti suorituskykyyn. Tuloksena on, että brändit voivat generoida korkealaatuisia tuloksia sekunneissa, ei minuuteissa, mikä tekee teknologian käytännölliseksi todellisissa tuotantoympäristöissä eikä ainoastaan kokeilussa.

Mitkä ovat suurimmat haasteet, joita suuret yritykset kohtaavat integroidessaan tekoälytyökaluja olemassa oleviin luovaan, myyntiin ja sisällön tuotantoon liittyviin työvirtoihin?

Useimmat suuret yritykset ovat jo kompleksisia järjestelmiä ja prosesseja. Suurin haaste on, että monet tekoälytyökalut on rakennettu itsenäisiksi tuotteiksi, eikä osaksi laajempaa työvirtaa.

Jotta tekoäly voidaan todella omaksua, se on integroitava puhtaasti, sekä teknisesti että operatiivisesti. Se tarkoittaa rajapintoja, tietoturvaan liittyvää vaatimustenmukaisuutta, ennustettavaa laatua ja selkeää omistajuutta, kun jotain menee pieleen.

On myös luottamuselementti. Brändit ovat ymmärrettävästi varovaisia antaessaan generatiivisille järjestelmille koskea keskeisiin visuaalisiin varoihinsa. Siksi luotettavuus ja laadunvalvonta ovat yhtä tärkeitä kuin innovaatio.

Olet johtanut tekoäly- ja henkilökohtaisuusaloitteita suurten markkinoiden sisällä. Miten rakentaminen tekoälyä suuressa platformissa eroaa rakentamisesta syvää tekoälyinfrastruktuuria varten, joka on keskittynyt yksinomaan muotitekoälyyn?

Suurten platformien sisällä tekoäly on yksi monista liikkuvaista osista. Usein optimoit tietyn rajoitusten ja kilpailevien prioriteettien sisällä.

AIUTA:n rakentaminen on erilainen, koska koko yritys on keskittynyt yhteen ongelmaan: muotin visuaaliseen esittelyyn. Tämä keskittyminen antaa meille mahdollisuuden mennä syvemmälle, sekä teknisesti että luovasti, ja liikkua nopeammin, kun näemme jotain menevän rikki tuotannossa.

Se myös antaa meille mahdollisuuden rakentaa pitkän aikavälin infrastruktuuria, eikä vain lyhytaikaisia ominaisuuksia. Emme ratkaise ainoastaan nykyisiä käyttötapoja, vaan suunnittelemme järjestelmiä, jotka voivat kehittyä teknologian mukana.

Miten säilytät tasapainon henkilökohtaisuuden ja yksityisyyden välillä työskennellessäsi kokojen, kehon edustusten ja ostajan käyttäytymisen signaaleiden kanssa?

Yksityisyys on rakennettava järjestelmään alusta alkaen. Et voi käsitellä sitä lisäominaisuutena myöhemmin.

AIUTA:ssa keskitymme edustamisen parantamiseen, eikä keräämään enemmän henkilökohtaista tietoa. Ymmärtämällä vaatteita ja kehon monimuotoisuutta yhteenvetona, voimme tarjota merkityksellisempiä kokemuksia ilman herkän yksilöllisen tiedon käyttämistä.

Tämä tasapaino on kriittinen — etenkin muodissa, jossa luottamus on suuressa roolissa ostospäätöksissä.

Tehtäväsi on herättänyt huolta kauniista kehosta tai vääristyneistä vaatteista. Miten lähestyt aitoa brändi-identiteettiä ja -eheyttä käyttäessäsi generatiivisia järjestelmiä laajassa mittakaavassa?

Tämä on asia, jota pohtimme jatkuvasti, ja minulle se myös tuli henkilökohtaisemmaksi.

Raskauden aikana tulin tietoiseksi siitä, kuinka rajoittuneita useimmat tekoälyjärjestelmät ovat kehon muutosten suhteen, jotka poikkeavat kapeista normeista. Raskaus on väliaikainen, mutta se on todellinen fyysinen tila, ja silti se usein puuttuu koulutusaineistoista. Näin ensimmäisen kerran, kuinka helposti tekoäly epäonnistuu, kun kehot muuttuvat, vaikka vain hieman, siitä, mitä järjestelmä pitää “standardina”.

Monet generatiiviset järjestelmät on suunniteltu tekemään asioita “paremmaksi”, mikä usein tarkoittaa sileämpää, hoikempaa tai idealisoidumpaa. Mutta muodissa tämä lähestymistapa rikkoo nopeasti luottamuksen. Jos keho kaunistetaan tai vaate on häikäisevästi muutettu, asiakkaat saavat lopulta tuotteen, joka ei vastaa sitä, mitä heille näytettiin.

AIUTA:ssa suunnittelemme tarkoituksella realismin. Tavoitteemme on näyttää vaatteita todellisilla kehoilla, mukaan lukien kehot, jotka eivät sovi kapeisiin teollisuuden odotuksiin, kuten eri koot, mittasuhteet tai monimutkaisemmat anatomiat kuten raskaus. Yhdistämme myös tekoälyn ihmisen laadunvalvontaan varmistaaksemme, että jokainen tuloste on linjassa brändien standardien kanssa.

Aitous on meille arvo, joka on välttämätön pitkän aikavälin omaksumiselle. Jos asiakkaat ja brändit eivät luota siinä, mitä he näkevät, teknologia ei vain toimi.

Miten näet generatiivisen tekoälyn muuttavan laajempaa muotiekosysteemiä, mukaan lukien digitaaliset kaksoiskappaleet, rahastusmallit ja luovan tuotannon tulevaisuus?

Luulen, että siirrymme maailmaan, jossa visuaaliset esitykset eivät ole enää statisia varoja, vaan eläviä järjestelmiä.

Digitaaliset kaksoiskappaleet sekä vaatteille että malleille tulevat yleistymään. Tämä avaa uusia rahastusmalleja ja mahdollistaa luovan työn skaalautumisen tavoilla, jotka eivät olleet aiemmin mahdollisia.

Laajemmin luovan tuotannon on tultava nopeammaksi, joustavammaksi ja reagoivammaksi. Lopulta onnistuvat brändit ovat ne, jotka käyttävät tekoälyä tarkoituksenmukaisesti ja käyttöönottoon infrastruktuurina, joka tukee tarkkuutta, luovuutta ja luottamusta.

Kiitos hienosta haastattelusta, lukijoille, jotka haluavat oppia enemmän, suosittelemme vierailemaan AIUTA:ssa.