艾莎·贝纳蒂，AIUTA 首席执行官 – 采访系列

Maísa Benatti 是 AIUTA 的首席执行官，她是一位时尚科技和生成式人工智能领域的先驱，目前正在领导公司的使命，以革新数字时尚体验。作为首席执行官，她专注于构建可扩展的人工智能解决方案，以帮助品牌生产高级视觉内容，增强客户体验，并解锁增长机会。她的背景包括生成式人工智能、个性化和发现、大型语言模型和电子商务创新，始终推动人工智能应用，使时尚购物更加直观和吸引人。

AIUTA 是一个模块化的人工智能创新平台，通过将先进技术如虚拟试穿、个性化造型和人工智能驱动内容创作直接集成到数字商店中，改变了时尚品牌和零售商与在线购物者的互动方式。该公司的解决方案集使得沉浸式和交互式的购物体验成为可能，提高了转化率和降低了退货率，允许消费者实时在自己身上可视化服装，同时也赋予品牌使用专有的人工智能模型来扩展工作室级别的视觉效果和服装推荐，这些模型可以处理逼真渲染、身体保护的虚拟试穿和无缝的产品目录集成。

您在时尚设计和趋势研究领域开始了您的职业生涯，然后转入Farfetch和Amazon Fashion的客户面向和产品领导角色。这些早期的时尚经验如何塑造了您对人工智能在商业中最有意义的影响的看法?

我没有因为想设计漂亮的东西而进入时尚行业，我是因为对这个行业的运作方式感到好奇。即使在早期，我也更感兴趣于诸如“它如何扩展？”、“为什么它这么贵？”和“为什么它一到顾客手里就坏了？”等问题。

当我在Farfetch和后来的Amazon Fashion担任客户和产品角色时，那种好奇心变成了具体的东西。我可以看到在线购物体验有多大程度上依赖于视觉效果，以及这些视觉效果实际上能告诉你关于服装如何合身或在你的身体上表现的信息有多少。

那就是人工智能开始对我有意义的地方，不是作为一个创造性的技巧，而是作为一种方法来弥合品牌展示的东西和顾客实际收到的东西之间的差距。如果人工智能可以帮助以更诚实和可扩展的方式代表服装，它可以提高信任，减少浪费，并使商业对所有相关人员都更有效率。

时尚领域的人工智能经常被夸大。品牌在将计算机视觉和生成式人工智能应用于零售时最大的误解是什么，以及大多数计划在哪里失败?

最大的误解是，如果某件事情在演示中看起来令人印象深刻，它就已经准备好投入生产。实际上，这两者是非常不同的。

时尚领域充满了边缘情况：不同的体型、面料、结构和品牌标准。许多人工智能工具都不能一致地处理这种复杂性。它们可能会生成看起来不错的东西，但当你尝试将其应用于整个产品目录时，它就会崩溃。

另一个问题是，时尚往往被视为一个通用的视觉问题。它不是这样的。服装是一种物理对象，如果你的系统不理解服装在现实世界中的行为方式，输出可能看起来很吸引人，但不会可靠。这种差距的影响很大——大约40%的在线时尚订单被退回，这既伤害了零售商的盈利能力，也伤害了环境。当视觉效果误代表服装的合身度或外观时，顾客的不确定性就会增加，这通常是人工智能计划停滞不前的原因。

许多零售商认为尺寸和外观的不确定性是退货的主要驱动因素。在Farfetch和Amazon工作过之后，您认为人工智能需要满足什么条件才能在可衡量的方式上减少退货?

减少退货并不仅仅是添加一个功能，而是提高购买时的信心。

尺寸和合身度在不同地区有不同的含义。合身度期望是文化的。在一个市场中，“完美的合身度”可能在另一个市场中感觉太紧或太松。人工智能可以绘制这些模式，并根据区域行为和个人偏好进行个性化推荐，而不仅仅是根据测量值。

时尚图像中还有一个结构性问题。大多数产品都在一个样品尺寸上拍摄，通常在工作室中剪辑以使其看起来更有吸引力。这会产生不切实际的期望。拍摄每件衣服在多个身体类型上将是理想的，但对于大多数企业来说，这在运营上是复杂的，并且成本高昂。

这就是人工智能变得变革性的地方。它使品牌能够以真实的方式在多个身体类型和肤色上展示服装，并且可以扩展。

真实性是关键。如果顾客看到的东西感觉真实且在整个产品目录中保持一致，信心就会提高。当信心提高时，退货就会减少。

虚拟试穿演示可能在孤立中看起来令人印象深刻，但将它们扩展到成千上万的SKU是一个不同的挑战。在目录规模上，哪些技术或运营挑战出现了，AIUTA如何解决它们?

在规模上，你很快就会意识到一个好的演示是不够的。从我在Farfetch和Amazon运行虚拟试穿和合身度计划的经验来看，挑战不仅仅是与准确性相关的。它们是成本、速度和运营复杂性。那些在试点中有效的系统一旦尝试在真正的目录中推出，就变得太昂贵、太慢或太手动。

延迟是其中的一个大部分。如果虚拟试穿需要太长时间来加载，顾客就不会使用它，无论它有多准确。这就是为什么性能是我们从一开始就设计的一个核心约束。今天，AIUTA的虚拟试穿在生产中大约需要4到7秒来加载，这比市场上的大多数解决方案都要快得多。

运营复杂性同样重要。许多解决方案需要品牌团队进行大量准备、详细输入或持续的手动工作。AIUTA的设计使其可以从非常简单的输入开始，需要最少的努力来自零售商，同时仍然保持服装的准确性。因此，我们可以从每周生成数百张图像转变为每天生成数千张图像，使品牌能够跨大型目录扩展虚拟试穿，而无需增加运营开销。

最后，还有一个一致性的问题。许多系统一旦扩展就会开始扭曲面料或比例。通过控制从服装捕获和注释到模型训练和部署的整个流水线，我们能够在企业零售商实际运营的规模上保持服装身份和真实性。

AIUTA结合了计算机视觉管道和生成模型。您如何在保持真实性和服装准确性的同时，仍然能够快速地交付输出以满足企业工作流程的需求?

我们在优化什么方面非常有意图。速度很重要，但准确性更重要。

我们的系统专门针对时尚数据进行训练，这一点很重要。我们不依赖于标准的电子商务数据集，这些数据集往往反复复制相同的狭窄身体类型——我们说的是通常高瘦的模型。相反，我们拥有并合成了一个高度多样化的数据集，围绕着真实的人体表现，包括不同的身体形状、比例和服装结构。

由于模型是在这种多样性上训练的，它们以更现实的方式理解诸如面料纹理、垂落和构造等事物。因此，我们不需要在事后“修复”输出。真实性从一开始就被构建到系统中。

在基础设施方面，我们也大量投资于性能。结果是品牌可以在几秒钟内生成高质量的输出，而不是几分钟，这使得技术在真正的生产环境中可用，而不仅仅是实验。

企业在将人工智能工具集成到现有的创意、商品和内容生产工作流程中时面临的最大挑战是什么?

大多数企业已经有复杂的系统和流程。最大的挑战是许多人工智能工具都是作为独立产品构建的，而不是作为更广泛的工作流程的一部分。

为了使人工智能真正被采用，它必须整齐地集成，无论是从技术上还是从运营上讲。这意味着API、安全合规、可预测的质量以及当出现问题时的明确所有权。

还有一个信任因素。品牌理所当然地对让生成系统接触他们的核心视觉资产持谨慎态度。因此，可靠性和质量控制与创新一样重要。

您曾在大型市场中领导人工智能和个性化计划。构建人工智能在大型平台内与构建专注于时尚人工智能基础设施的深度科技公司有何不同?

在大型平台内，人工智能只是众多移动部件之一。您经常在现有约束内优化，并平衡相互竞争的优先级。

构建AIUTA是不同的，因为整个公司专注于一个问题：时尚视觉。这使我们能够更深入地进行技术和创造性的探索，并在看到某些东西在生产中断裂时更快地行动。

这也使我们能够构建长期的基础设施，而不是短期的功能。我们不仅仅是在解决今天的用例，还在设计能够随着技术的发展而演进的系统。

您如何平衡个性化和隐私，当您处理尺寸数据、身体表现和购物者行为信号时?

隐私必须从一开始就被构建到系统中。你不能把它当作后来添加的东西。

在AIUTA，我们专注于提高表现力，而不是收集更多的个人数据。通过更好地理解服装和身体多样性，我们可以在不依赖敏感个体信息的情况下提供更相关的体验。

这种平衡至关重要——尤其是在时尚领域，信任在购买决策中扮演着如此重要的角色。

人工智能生成的视觉效果引发了人们对美化身体或误代表服装的担忧。您在大规模部署生成系统时如何处理真实性和品牌完整性?

这是我们一直在思考的事情，对我来说也变得非常个人化。

在我怀孕期间，我变得更加意识到大多数人工智能系统在代表身体时的局限性，尤其是当身体超出狭窄的标准时。怀孕是一种暂时的状态，但它是一种真正的身体状态，然而它经常完全缺席于训练数据中。我可以亲眼看到人工智能在身体发生变化时，即使只是稍微变化，也会很容易失败。许多生成系统的设计初衷是使事物看起来“更好”，这通常意味着更光滑、更苗条或更理想化。但在时尚领域，这种方法很快就会破坏信任。如果身体被美化或服装被微妙地改变，顾客最终会得到与他们看到的东西不匹配的产品。

在AIUTA，我们故意设计了真实性。我们的目标是展示服装在真实的身体上，包括那些不符合行业狭窄期望的身体，无论是不同的尺寸、比例还是更复杂的解剖结构，如孕妇。我们还将人工智能与人工质量控制相结合，以捕捉边缘情况，并确保每个输出符合品牌标准。

真实性不仅是一种价值观，对我们来说也是必不可少的。长期采用如果顾客和品牌不信任他们所看到的东西，技术就不会起作用。

展望未来，您认为生成式人工智能将如何重塑更广泛的时尚生态系统，包括数字孪生、盈利模式和创作生产的未来?

我认为我们正在进入一个视觉不再是静态资产，而是活跃系统的世界。

数字孪生，无论是针对服装还是模型，都会变得更加普遍。这将开启新的盈利模式，并允许创造性工作以以前无法实现的方式扩展。

更广泛地说，创作生产将变得更快、更灵活、更响应。最终，成功的品牌将是那些明智地使用人工智能并将其作为支持准确性、创造力和信任的基础设施来部署的品牌。感谢这次精彩的采访，希望了解更多的读者可以访问AIUTA。