Майса Бенатті, генеральний директор AIUTA – Серія інтерв’ю

Майса Бенатті генеральний директор AIUTA – видатний лідер у сфері fashion-tech та генерації штучного інтелекту, який зараз очолює місію компанії з революціонізування цифрових модних trải nghiệm з Лондона з грудня 2024 року. На посаді генерального директора вона зосереджена на створенні масштабованих рішень штучного інтелекту, які допоможуть брендам створювати преміум-візуальний контент, покращувати досвід клієнтів та розблоковувати можливості зростання, використовуючи свій глибокий досвід у сфері дизайну продукції, дослідження користувачів та штучного інтелекту з попередньої посади головного офіцера продукції у AIUTA та старших посад керівництва продукції у компаніях типу FARFETCH та Amazon (AMZN ). Її досвід охоплює генерацію штучного інтелекту для персоналізації та відкриття, великі мовні моделі та інновації електронної комерції, постійно рухаючи вперед застосування штучного інтелекту, яке робить модне шопінг більш інтуїтивним та привабливим.

AIUTA – це модульна платформа інновацій штучного інтелекту, яка трансформує спосіб, яким модні бренди та ритейлери взаємодіють з клієнтами в Інтернеті, інтегруючи передові технології, такі як віртуальна спроба, персоналізована стилізація та генерація контенту штучним інтелектом, прямо у цифрові магазини. Суїт рішень компанії дозволяє створювати іммерсивні, інтерактивні trải nghiệm шопінгу, які підвищують конверсію та зменшують повернення, дозволяючи клієнтам візуалізувати одяг на собі в реальному часі, а також наділяючи бренди можливістю масштабувати візуальні рекомендації зі студійної якості з власними моделями штучного інтелекту, які обробляють реалістичне відтворення, збереження віртуальної посадки та безшовну інтеграцію каталогу.

Ваша кар’єра почалася у сфері модного дизайну та дослідження трендів, перш ніж перейти на клієнто-орієнтовані та керівні посади у FARFETCH та Amazon Fashion. Як ці ранні trải nghiệm у моді сформували вашу перспективу щодо того, де штучний інтелект може створити найбільш значущий вплив у комерції?

Я не вступила у моду, тому що хотіла створювати красиві речі – я вступила у неї, тому що була цікава щодо того, як ця галузь насправді працює. Навіть на ранньому етапі, я була значно більш цікава щодо питань типу: Як це масштабується? Чому це дорого? Чому це ламається, коли досягає клієнта?

Коли я перейшла на клієнто-орієнтовані та керівні посади у FARFETCH та пізніше Amazon Fashion, ця цікавість перетворилася на щось дуже конкретне. Я могла бачити, як сильно онлайн-шопінг залежить від візуального контенту, та як мало ці візуальні елементи насправді розповідають про те, як одяг пасує або поводиться на тілі.

Саме там штучний інтелект почав відчуватися значущим для мене, не як творчий трюк, а як спосіб закрити розрив між тим, що бренди показують, та тим, що клієнти насправді отримують. Якщо штучний інтелект міг би допомогти представити одяг більш чесно та у масштабі, він міг би покращити довіру, зменшити відходи та зробити комерцію більш ефективною для всіх учасників.

Штучний інтелект у моді часто оточений гіпером. Які найбільші помилкові уявлення брендів про застосування комп’ютерного зору та генерації штучного інтелекту до ритейлу, та де більшість ініціатив провалюються?

Найбільшим помилковим уявленням є те, що якщо щось виглядає вражаюче у демонстрації, воно готове до виробництва. Насправді, ці дві речі дуже різні.

Мода повна винятків: різні типи тіла, тканини, конструкції та бренд-стандарти. Багато інструментів штучного інтелекту не створені для обробки цієї складності послідовно. Вони можуть згенерувати щось, що виглядає добре один раз, але руйнується, коли ви спробуєте застосувати це до всього каталогу.

Інша проблема полягає в тому, що мода часто розглядається як загальна візуальна проблема. Насправді це не так. Одяг – це фізичний об’єкт, та якщо ваша система не розуміє, як одяг поводиться у реальному світі, вихід може виглядати привабливо, але не буде довірчим. Вплив цього розриву значущий – близько 40% онлайн-замовлень моди повертаються, що шкодить як ритейлерам, так і довірчістю клієнтів. Коли візуальні елементи неправильно представляють посадку або зовнішній вигляд, невизначеність збільшується, та саме там ініціативи штучного інтелекту часто провалюються.

Багато ритейлерів цитують невизначеність щодо посадки та зовнішнього вигляду як основну причину повернення. З вашого досвіду роботи з розмірами та посадкою у FARFETCH та Amazon, що насправді потрібно штучному інтелекту, щоб зменшити повернення у вимірюваному вигляді?

Зменшення повернення не полягає у додаванні функції, а у збільшенні довіри на момент покупки.

Розміри та посадка також означають різні речі у різних регіонах. Очікування посадки культурні. “Ідеальна посадка” на одному ринку може відчуватися занадто тісно або занадто вільно на іншому. Штучний інтелект може відображати ці закономірності та персоналізувати рекомендації на основі регіональної поведінки та індивідуальних переваг, а не лише розмірів.

Є також структуральна проблема у модній фотографії. Більшість продукції фотографується у одному зразковому розмірі, часто кліпується у студії, щоб виглядати більш привабливо. Це створює нереалістичні очікування. Знімання кожної речі на різних типах тіла було б ідеальним, але для більшості бізнесів це операційно складно та фінансово недоцільно.

Саме там штучний інтелект стає трансформаційним. Він дозволяє брендам показувати, як одяг поводиться на різних типах тіла та кольорах шкіри у масштабі, з реалізмом.

Реалізм – це ключ. Якщо те, що клієнти бачать, відчувається чесно та послідовно у всьому каталозі, довіра збільшується. Коли довіра збільшується, повернення зменшуються.

Віртуальна спроба у демонстрації може виглядати вражаюче у ізоляції, але масштабування її на тисячі SKU – це інша проблема. Які технічні чи операційні перешкоди виникають у масштабі каталогу, та як AIUTA подолала їх?

У масштабі ви швидко розумієте, що хороша демонстрація недостатня. З мого досвіду проведення ініціатив віртуальної спроби та посадки у FARFETCH та Amazon, найбільшими проблемами були не лише питання точності. Це були витрати, швидкість та операційна складність. Системи, які працювали у пілотних проєктах, ставали занадто дорогими, повільними або ручними, коли ви спробували розгорнути їх у реальному каталозі.

Латентність – це велика частина цього. Якщо віртуальна спроба займає занадто багато часу на завантаження, клієнти просто не будуть її використовувати, незалежно від того, наскільки вона точна.

Операційна складність рівнозначна. Багато рішень вимагають великої підготовки, детальних входів або постійної ручної роботи від бренд-команд. AIUTA розроблена для роботи з дуже простими входами, з мінімальними зусиллями, необхідними від ритейлерів, при збереженні точності одягу. Таким чином, ми можемо перейти від генерації сотень зображень на тиждень до тисяч зображень на день, дозволяючи брендам масштабувати віртуальну спробу у великих каталогах без додавання операційної надбудови.

Нарешті, є питання послідовності. Багато систем починають спотворювати тканини або пропорції, коли ви масштабуєте. Контролюючи весь трубопровід від захоплення та анотації одягу до навчання моделі та розгортання, ми здатні підтримувати ідентичність одягу та реалізм у масштабі, у якому працюють ритейлери.

AIUTA поєднує трубопроводи комп’ютерного зору з генераційними моделями. Як ви забезпечуєте реалізм та точність одягу, одночасно доставляючи виходи досить швидко для підприємствських робочих процесів?

Ми дуже намагаємось оптимізувати те, за що ми оптимізуємо. Швидкість важлива, але точність має першочергове значення.

Наші системи тренуються конкретно на даних моди, і ця відмінність важлива. Ми не покладаємось на стандартні набори даних електронної комерції, які схильні реплікувати ті самі вузькі типи тіла знову і знову – ми говоримо про зазвичай високих, худих моделей. Замість цього ми володіємо та створили синтетичний набір даних, побудований навколо реалістичних людських представлень, з різними формами тіла, пропорціями та конструкціями одягу.

Через те, що моделі тренуються на цьому різноманітті, вони розуміють речі, такі як текстура тканини, драпірування та конструкція у значно більш реалістичному вигляді. Як результат, нам не потрібно “виправляти” виходи після факту. Реалізм закладений у систему з самого початку.

На інфраструктурній стороні ми також вклали великі зусилля у продуктивність. Результатом є те, що бренди можуть генерувати високоякісні виходи у секундах, а не хвилинах, що робить технологію придатною для використання у реальних виробничих середовищах, а не лише для експериментів.

Які найбільші перешкоди, з якими підприємства стикаються при інтегруванні інструментів штучного інтелекту до існуючих творчих, мерчандайзингових та контент-орієнтованих робочих процесів?

Більшість підприємств вже мають складні системи та процеси на місці. Найбільшим викликом є те, що багато інструментів штучного інтелекту розроблені як самостійні продукти, а не як частина більш широкого робочого процесу.

Для того, щоб штучний інтелект був фактично прийнятий, він повинен інтегруватися чисто, технічно та операційно. Це означає API, комплаєнс з безпекою, передбачувану якість та чітке володіння, коли щось піде не так.

Є також елемент довіри. Бренди цілком природно обережні щодо того, щоб дозволити генераційним системам торкатися їхніх основних візуальних активів. Саме тому надійність та контроль якості мають таку саму важливість, як і інновації.

Ви очолювали ініціативи штучного інтелекту та персоналізації всередині великих ритейлерів. Як будівництво штучного інтелекту всередині великої платформи відрізняється від будівництва глибоко-технологічної компанії, зосередженої виключно на інфраструктурі штучного інтелекту для моди?

Всередині великої платформи штучний інтелект – це одна з багатьох рухомих частин. Ви часто оптимізуєте всередині існуючих обмежень та балансуєте конкуруючі пріоритети.

Будівництво AIUTA – це зовсім інша справа, оскільки вся компанія зосереджена на одній проблемі: візуальних елементах моди. Ця концентрація дозволяє нам йти глибше, технічно та творчно, та рухатися швидше, коли ми бачимо щось, що ламається у виробництві.

Це також дозволяє нам будувати довгострокову інфраструктуру, а не короткострокові функції. Ми не лише розв’язуємо сьогоднішні випадки використання, а проектуємо системи, які можуть еволюціонувати разом з технологією.

Як ви балансуйте персоналізацію з приватністю при роботі з даними про розміри, представленнями тіла та сигналами поведінки клієнтів?

Приватність повинна бути закладена у систему з самого початку. Ви не можете розглядати її як додаток пізніше.

У AIUTA ми зосереджуємося на покращенні представлення, а не на зборі більшої кількості особистих даних. Покращуючи розуміння одягу та різноманітності тіла в агрегаті, ми можемо доставляти більш актуальні trải nghiệm без залежності від чутливих індивідуальних даних.

Цей баланс критичний – особливо у моді, де довіра грає таку велику роль у процесі покупки.

Генеративні візуальні елементи штучного інтелекту викликають занепокоєння щодо ідеалізованих тіл або неправильно представлених одягу. Як ви підходите до автентичності та цілісності бренду при розгортанні генераційних систем у масштабі?

Це щось, про що ми думаємо постійно, та для мене це також стало дуже особистим.

Під час моєї вагітності я стала ще більш обізнаною щодо того, наскільки обмежені більшість систем штучного інтелекту, коли мова йде про представлення тіл, які виходять за межі вузьких норм. Вагітність – це тимчасовий стан, але це дуже реальний фізичний стан, та все ж часто повністю відсутній у тренувальних даних. Я могла бачити особисто, наскільки легко штучний інтелект провалюється, коли тіла змінюються, навіть трохи, від того, що система вважає “стандартним”.

Багато генераційних систем розроблені для того, щоб зробити речі “кращими”, що для багатьох може означати гладші, тонші або більш ідеалізовані. Але у моді такий підхід швидко руйнує довіру. Якщо тіло ідеалізується або одяг субтильно змінений, клієнти отримують продукт, який не відповідає тому, що їм показували.

У AIUTA ми свідомо проектуємо для реалізму. Наша мета – показувати одяг на реальних тілах, включаючи тіла, які не відповідають вузьким галузевим очікуванням, чи то різні розміри, пропорції або більш складні анатомії, такі як вагітність. Ми також поєднуємо штучний інтелект з людським контролем якості, щоб впіймати виняткові випадки та забезпечити, щоб кожен вихід відповідав стандартам бренду.

Аутентичність – це не лише цінність для нас, а й необхідність для довгострокового прийняття. Якщо клієнти та бренди не довіряють тому, що вони бачать, технологія просто не спрацює.

Оглядаючи вперед, як ви бачите генераційний штучний інтелект, який переробляє ширшу модну екосистему, включаючи цифрові двійники, моделі монетизації та майбутнє творчої продукції?

Я думаю, що ми рухаємось до світу, де візуальні елементи більше не є статичними активами, а живими системами.

Цифрові двійники, як для одягу, так і для моделей, стануть значно більш поширеними. Це відкриє нові моделі монетизації та дозволить творчій роботі масштабуватися способами, які раніше були неможливі.

У ширшому сенсі творча продукція стане швидшою, гнучкішою та більш реакційною. У кінцевому підсумі, бренди, які успішно використовують штучний інтелект, будуть тими, які застосовують його вдумливо та розгортають як інфраструктуру, яка підтримує точність, творчість та довіру.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати AIUTA.