Maisa Benatti, CEO AIUTA – Seria wywiadów

Maísa Benatti CEO w AIUTA to wizjonerski lider w dziedzinie fashion-tech i generatywnego AI, który obecnie stoi na czele misji firmy mającej na celu rewolucjonizowanie cyfrowych doświadczeń modowych w Londynie od grudnia 2024 roku. W swojej roli jako Dyrektor Generalny koncentruje się na tworzeniu skalowalnych rozwiązań AI, które pomagają markom produkować wysokiej jakości treści wizualne, poprawiać doświadczenia klientów i odblokowywać możliwości wzrostu, korzystając z głębokiej wiedzy w dziedzinie projektowania produktów, badań UX i AI ze swojej poprzedniej roli jako Chief Product Officer w AIUTA oraz seniora roli kierowniczej w firmach takich jak FARFETCH i Amazon (AMZN ). Jej doświadczenie obejmuje generatywne AI do personalizacji i odkrywania, duże modele językowe i innowacje w e-commerce, stale napędzając aplikacje AI, które sprawiają, że zakupy modowe są bardziej intuicyjne i angażujące.

AIUTA to modułowa platforma innowacji AI, która zmienia sposób, w jaki marki i detaliści modowi angażują się z klientami online, integrując zaawansowane technologie, takie jak wirtualne przymierzanie, personalizowane stylizowanie i tworzenie treści napędzanych przez AI, bezpośrednio do cyfrowych sklepów. Rozwiązania firmy umożliwiają immersyjne, interaktywne doświadczenia zakupowe, które zwiększają konwersję i redukują zwroty, pozwalając konsumentom wizualizować odzież na sobie w czasie rzeczywistym, a także umożliwiając markom skalowanie wizualizacji studialnych i rekomendacji outfitów za pomocą modeli AI, które obsługują realistyczne renderowanie, wirtualne dopasowanie i bezproblemową integrację katalogu.

Twoja kariera zaczęła się w projektowaniu mody i badaniach trendów, zanim przeszłaś do ról zorientowanych na klienta i produkty w Farfetch i Amazon Fashion. Jak te wczesne doświadczenia w modzie ukształtowały Twoją perspektywę na temat tego, gdzie AI może stworzyć najbardziej znaczący wpływ w handlu?

Nie weszłam do mody, bo chciałam tworzyć piękne rzeczy — weszłam do niej, bo byłem ciekawa, jak ta branża naprawdę działa. Nawet na początku byłem bardziej zainteresowana pytaniami takimi jak: Jak to skaluje się? Dlaczego jest to drogie? Dlaczego się psuje, gdy trafia do klienta?

Gdy przeniosłam się do ról zorientowanych na klienta i produkty w Farfetch i później Amazon Fashion, ta ciekawość przekształciła się w coś bardzo konkretnego. Mogłam zobaczyć, jak wiele doświadczenia online zależy od wizualizacji, i jak mało te wizualizacje naprawdę mówią o tym, jak ubranie będzie pasować lub zachowywać się na ciele.

To właśnie tam AI zaczęło mieć dla mnie sens, nie jako sztuczka kreatywna, ale jako sposób na zamknięcie luki między tym, co marki pokazują, a tym, co klienci naprawdę otrzymują. Jeśli AI mogłoby pomóc w bardziej uczciwej reprezentacji odzieży i w skali, mogłoby to poprawić zaufanie, zmniejszyć marnowanie i sprawić, że handel będzie działał lepiej dla wszystkich zaangażowanych.

AI w modzie jest często otoczony hiperem. Jakie są największe nieporozumienia, jakie marki mają na temat zastosowania komputerowego widzenia i generatywnego AI w handlu detalicznym, i gdzie większość inicjatyw zawodzi?

Największe nieporozumienie polega na tym, że jeśli coś wygląda imponująco w demo, jest gotowe do produkcji. W rzeczywistości są to dwie bardzo różne rzeczy.

Moda pełna jest przypadków granicznych: różne typy ciała, tkaniny, konstrukcje i standardy marek. Wiele narzędzi AI nie jest zaprojektowanych do radzenia sobie z tą złożonością w sposób ciągły. Mogą one generować coś, co wygląda dobrze raz, ale rozpadają się, gdy próbuje się je zastosować do całego katalogu.

Inny problem polega na tym, że moda jest często traktowana jako ogólny problem wizualny. Nie jest. Odzież jest przedmiotem fizycznym, a jeśli system nie rozumie, jak zachowują się ubrania w świecie rzeczywistym, wyjście może wyglądać atrakcyjnie, ale nie będzie godne zaufania. Wpływ tej luki jest znaczący — około 40% zamówień online jest zwracanych, co szkodzi zarówno detalistom, jak i środowisku. Gdy wizualizacje nieodpowiednio reprezentują dopasowanie lub wygląd, niepewność rośnie, i to zwykle tam, gdzie inicjatywy AI zawodzą.

Wiele detalistów wymienia niepewność co do dopasowania i wyglądu jako główny czynnik powodujący zwroty. Z Twojego doświadczenia w pracy nad rozmiarem i dopasowaniem w Farfetch i Amazon, co tak naprawdę wymaga się, aby AI zmniejszyło zwroty w sposób mierzalny?

Zmniejszanie zwrotów nie polega na dodawaniu funkcji, ale na zwiększaniu zaufania w momencie zakupu.

Rozmiar i dopasowanie oznaczają różne rzeczy w różnych regionach. Oczekiwania dotyczące dopasowania są kulturowe. „Idealne dopasowanie” na jednym rynku może wydawać się za ciasne lub za luźne na innym. AI może mapować te wzorce i personalizować rekomendacje na podstawie regionalnego zachowania i indywidualnych preferencji, a nie tylko pomiarów.

Istnieje również problem strukturalny w modzie. Większość produktów jest fotografowana w jednym rozmiarze próbnym, często w studiu, aby wyglądać bardziej korzystnie. To tworzy nierzeczywiste oczekiwania. Zdjęcie każdego ubrania na wielu typach ciała byłoby idealne, ale dla większości firm jest to operacyjnie złożone i ekonomicznie nieopłacalne.

To właśnie tam AI staje się przełomowe. Pozwala markom pokazywać, jak ubrania zachowują się na różnych typach ciała i kolorach skóry w skali, z realizmem.

Realizm jest kluczowy. Jeśli to, co widzą klienci, wydaje się prawdziwe i spójne w całym katalogu, zaufanie rośnie. Gdy zaufanie rośnie, zwroty maleją.

Wirtualne przymierzanie w demo może wyglądać imponująco w izolacji, ale skalowanie ich na tysiące SKU jest innym wyzwaniem. Jakie techniczne lub operacyjne przeszkody pojawiają się w skali katalogu, i jak AIUTA rozwiązała te problemy?

W skali szybko się okazuje, że dobre demo nie jest wystarczające. Z mojego doświadczenia w prowadzeniu inicjatyw wirtualnego przymierzania i dopasowania w Farfetch i Amazon, największymi wyzwaniami nie były tylko kwestie dokładności. Były to koszty, prędkość i złożoność operacyjna. Systemy, które działały w pilotażu, stawały się zbyt drogie, zbyt wolne lub zbyt ręczne, gdy próbowano je wdrożyć w całym katalogu.

Opóźnienie jest dużą częścią tego. Jeśli wirtualne przymierzanie zajmuje zbyt dużo czasu, klienci po prostu nie będą go używać, niezależnie od tego, jak dokładne jest. Dlatego wydajność była podstawowym ograniczeniem projektowym dla nas od samego początku. Dziś wirtualne przymierzanie AIUTA ładuje się w około 4 do 7 sekund w produkcji, co jest znacznie szybsze niż większość rozwiązań na rynku.

Złożoność operacyjna jest równie ważna. Wiele rozwiązań wymaga dużych przygotowań, szczegółowych danych wejściowych lub ciągłej ręcznej pracy ze strony zespołów marek. AIUTA jest zaprojektowana tak, aby działać od bardzo prostych danych wejściowych, z minimalnym wysiłkiem wymaganym od detalistów, przy jednoczesnym zachowaniu dokładności ubrań. W rezultacie możemy przenieść się od generowania setek obrazów tygodniowo do tysięcy obrazów dziennie, pozwalając markom na skalowanie wirtualnego przymierzania w dużych katalogach bez dodawania złożoności operacyjnej.

W końcu jest spójność. Wiele systemów zaczyna deformować tkaniny lub proporcje, gdy się je skaluje. Kontrolując cały potok od przechwytywania i adnotowania ubrań do szkolenia modeli i wdrożenia, jesteśmy w stanie utrzymać tożsamość i realizm ubrań w skali, w jakiej działają detaliści.

AIUTA łączy potoki komputerowego widzenia z generatywnymi modelami. Jak zapewniasz realizm i dokładność ubrań, jednocześnie dostarczając dane wyjściowe wystarczająco szybko dla przepływów pracy przedsiębiorstw?

Jesteśmy bardzo intencjonalni w tym, na co optymalizujemy. Prędkość ma znaczenie, ale dokładność jest na pierwszym miejscu.

Nasze systemy są szkolone specjalnie na danych modowych, a ta różnica jest ważna. Nie polegamy na standardowych zestawach danych e-commerce, które mają tendencję do powtarzania tych samych wąskich typów ciała raz za razem — mówimy o typowych, wysokich modelach. Zamiast tego posiadamy i stworzyliśmy syntetyczny, bardzo zróżnicowany zestaw danych zbudowany wokół realistycznych reprezentacji ludzkich, z różnymi kształtami ciała, proporcjami i konstrukcjami ubrań.

Ponieważ modele są szkolone na tej różnorodności, rozumieją rzeczy takie jak tekstura tkaniny, układ i konstrukcja w sposób znacznie bardziej realistyczny. W rezultacie nie musimy „naprawiać” danych wyjściowych po fakcie. Realizm jest wbudowany w system od samego początku.

Na stronie infrastruktury również zainwestowaliśmy dużo w wydajność. Efektem jest to, że marki mogą generować dane wyjściowe wysokiej jakości w sekundach, a nie minutach, co sprawia, że technologia jest użyteczna w środowiskach produkcyjnych, a nie tylko w eksperymentach.

Jakie są największe wyzwania, przed którymi stają przedsiębiorstwa przy integrowaniu narzędzi AI z istniejącymi kreatywnymi, merchandisingowymi i procesami produkcji treści?

Większość przedsiębiorstw już ma złożone systemy i procesy na miejscu. Największym wyzwaniem jest to, że wiele narzędzi AI jest budowanych jako produkty samodzielne, a nie jako część szerszego przepływu pracy.

Dla AI, aby było naprawdę przyjęte, musi ono integrować się czysto, zarówno technicznie, jak i operacyjnie. Oznacza to API, zgodność z zabezpieczeniami, przewidywalną jakość i jasną odpowiedzialność, gdy coś pójdzie nie tak.

Istnieje również element zaufania. Marki są słusznie ostrożne, gdy pozwala się generatywnym systemom dotykać ich podstawowych aktywów wizualnych. Dlatego niezawodność i kontrola jakości mają takie same znaczenie jak innowacje.

Prowadziłaś inicjatywy AI i personalizacji wewnątrz dużych platform. Jak budowanie AI w ramach dużej platformy różni się od budowania firmy deep-tech skupionej wyłącznie na infrastrukturze AI modowej?

Wewnątrz dużej platformy AI jest jednym z wielu ruchomych części. Często optymalizujesz w ramach istniejących ograniczeń i równoważysz konkurencyjne priorytety.

Budowanie AIUTA jest bardzo różne, ponieważ cała firma jest skoncentrowana na jednym problemie: wizualizacjach modowych. Ta koncentracja pozwala nam iść głębiej, zarówno technicznie, jak i kreatywnie, i poruszać się szybciej, gdy widzimy, że coś się łamie w produkcji.

Pozwala to również na budowanie długoterminowej infrastruktury zamiast krótkoterminowych funkcji. Nie rozwiązujemy tylko przypadków użycia dzisiejszych, ale projektujemy systemy, które mogą ewoluować wraz z technologią.

Jak balansujesz personalizację z prywatnością, gdy pracujesz z danymi o rozmiarach, reprezentacjach ciała i sygnałach zachowania klienta?

Prywatność musi być wbudowana w system od samego początku. Nie można ją traktować jako dodatek później.

W AIUTA koncentrujemy się na poprawie reprezentacji, a nie na zbieraniu więcej danych osobowych. Poprzez lepsze zrozumienie ubrań i różnorodności ciała w agregacie, możemy dostarczyć bardziej istotne doświadczenia bez polegania na wrażliwych informacjach indywidualnych.

Ten balans jest krytyczny — szczególnie w modzie, gdzie zaufanie odgrywa tak dużą rolę w decyzjach zakupowych.

AI-generowane wizualizacje budzą obawy dotyczące uatrakcyjniania ciał lub nieodpowiedniego reprezentowania ubrań. Jak podchodzisz do autentyczności i integralności marek, gdy wdrażasz systemy generatywne w skali?

To jest coś, o czym myślimy ciągle, i dla mnie stało się to również bardzo osobiste.

Podczas mojej ciąży stałam się bardziej świadoma, jak ograniczone są większość systemów AI, gdy chodzi o reprezentowanie ciał, które nie mieszczą się w wąskie normy. Ciąża jest tymczasowa, ale jest to bardzo realny stan fizyczny, a jednak często jest całkowicie nieobecny w danych szkoleniowych. Mogłam zobaczyć na własne oczy, jak łatwo AI zawodzi, gdy ciała zmieniają się, nawet nieznacznie, od tego, co system uważa za „standard”.

Wiele systemów generatywnych jest zaprojektowanych tak, aby sprawiać, że rzeczy „wyglądają lepiej”, co dla wielu może oznaczać gładkie, smukłe lub bardziej ideałowe. Ale w modzie ten podejście szybko łamie zaufanie. Jeśli ciało jest uatrakcyjnione lub ubranie jest subtelnie zmienione, klienci kończą z produktem, który nie odpowiada temu, co im pokazano.

W AIUTA celowo projektujemy z myślą o realizmie. Naszym celem jest pokazywanie odzieży na prawdziwych ciałach, w tym ciałach, które nie pasują do wąskich oczekiwań branży, czy to są różne rozmiary, proporcje czy bardziej złożone anatomie, takie jak ciąża. Projektujemy również AI z kontrolą jakości ludzkiej, aby złapać przypadki graniczne i zapewnić, że każde dane wyjściowe są zgodne z standardami marek.

Autentyczność nie jest tylko wartością dla nas, jest niezbędna dla długoterminowego przyjęcia. Jeśli klienci i marki nie ufają temu, co widzą, technologia po prostu nie będzie działać.

Spójrzając w przyszłość, jak widzisz, że generatywne AI zmieniają cały ekosystem modowy, w tym cyfrowe bliźniaki, modele monetyzacji i przyszłość produkcji kreatywnej?

Myślę, że poruszamy się w stronę świata, w którym wizualizacje nie są już statycznymi aktywami, ale żywymi systemami.

Cyfrowe bliźniaki, zarówno dla ubrań, jak i modeli, staną się znacznie bardziej powszechne. To otwiera nowe modele monetyzacji i pozwala na skalowanie pracy kreatywnej w sposób, który wcześniej nie był możliwy.

Bardziej ogólnie, produkcja kreatywna stanie się szybsza, bardziej elastyczna i bardziej responsywna. Ostatecznie marki, które odniosą sukces, będą tymi, które użyją AI w sposób przemyślany i wdrożą je jako infrastrukturę, która wspiera dokładność, kreatywność i zaufanie.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić AIUTA.