Проекти

Онлайн модната индустрия обръща поглед към AI

Мария Динкова

Глобалната модна търсачка GLAMI залага на автоматична категоризация и система за персонализирано търсене на продукти

Напоследък много често се говори за възможностите на изкуствения интелект и как той може да подобри нашия живот. Въпреки това все още сякаш възприемаме технологията като явление от бъдещето и не си даваме сметка, че тя вече присъства и улеснява в огромна степен ежедневието ни. Един такъв пример е използването на AI в сферата на електронната търговия и по-конкретно онлайн бизнеса с дрехи и модни аксесоари. Конкуренцията в сектора е голяма и въвеждането на иновации позволява на компаниите да се отличат.За да бъде в крак с тенденциите, по този път тръгва и глобалната модна търсачка GLAMI, която събира и организира в своя каталог средно до 30 милиона продукта в 17 държави, а хиляди нови продукти се добавят на ежедневна база.

Намирането на желаната стока сред толкова голям асортимент определено не би било лесно без възможностите на новите технологии. Именно и затова последният мащабен проект на компанията обхваща създаването на автоматична категоризация, както и разработката на система за персонализация на база на машинно обучение и изкуствен интелект.

"GLAMI започва работа с машинното обучение през 2007 с невронна мрежа за автоматична категоризация и тагване. Този модел е пряк предшественик на един от нашите настоящи модели, който продължава да работи всеки ден. Другата основна стъпка беше направена през миналата година, когато създадохме наш собствен AI екип и значително разширихме използването на машинното обучение в GLAMI", отбелязва Антонин Хосковец, ръководител на AI отдела в GLAMI.

По думите му компанията се насочва към инвестиране в изкуствения интелект, защото за нея това е една логична стъпка. "При огромния брой продукти в нашия каталог е наистина очевидно как разпознаването на изображения, препоръките или обработката на естествен език могат да генерират приходи за нашите партньорски онлайн магазини, а впоследствие и за нас. Висококачествената категоризация помага да се сортира огромен обем модни продукти, така че потребителите да могат лесно да намерят това, което искат. След това препоръките опростяват допълнително процеса и предлагат едно приятно изживяване при търсенето на продукти", споделя експертът. Той допълва, че честа грешка, която много организации допускат при работата с изкуствен интелект, е да изберат интересен проект, който обаче не пасва на конкретния бизнес модел и не помага за бързото генериране на приходи. При GLAMI ситуацията обаче определено не е такава, а двете нови решения значително улесняват работата на служителите и допринасят за по-добро потребителско изживяване.

Трите етапа в AI проектите

Реализацията на AI проекта в GLAMI преминава през три основни етапа: проучване, разработка и обновяване, а всеки от тях крие собствени предизвикателства и ако бъде пропуснат или неглижиран, може да обрече на провал цялото начинание. "В общи линии всеки AI проект винаги има 3 фази, чиито резултати и продължителност се различават, но обикновено са подобни: проучване, внедряване и подобряване. Макар че фазите изискват различен набор от умения, ние установихме, че има един общ аспект при всички тях. За да бъдем успешни, ние трябва да бъдем прецизни. Ако се пренебрегне проучването, за да се премине по-бързо към разработката и внедряване, има голяма вероятност това да доведе до необходимост от преправяне на цялата система заради по-добър модел за много кратко време. Ако пишем объркан код, защото това е "само проучване", ще придобием технически дълг, което ще превърне внедряването в кошмар. Ако организираме внедряването така, че някой да трябва да прекарва цялото си време, като ръчно настройва всеки аспект от него, няма да има време за подобрения и проектът за машинно обучение много бързо ще остарее и ще загуби актуалността си", обяснява Хосковец.


Антонин Хосковец, ръководител на AI отдела в GLAMI

Антонин Хосковец, ръководител на AI отдела в GLAMI



Поради тази причина AI екипът на GLAMI още от самото начало подхожда изключително внимателно към задачите във всеки един от етапите. По време на проучването експертите поставят приоритет върху качеството на написания код, а не толкова върху бързината. "Това може да ви забави малко, но резултатът ще си струва. Ако имате добър код, то неговото пренаписване ще бъде лесно и ще протече гладко", посочва експертът. Също така екипът му при разработката непрекъснато мисли как впоследствие системата ще може да се подобри и актуализира, за да се избегне ситуация, в която поддръжката в бъдеще се оказва невъзможна или неизгодна.

"Ние започнахме да обновяване оригиналните решения за категоризация и тагване, като на практика трябваше да ги пренапишем, тъй като за период от две години никой не беше работил по тях или не беше обновявал всички свързани пакети. Така че когато трябваше да започнем внедряването, се наложи изцяло да пренапишем кода, а това можеше да бъде предотвратено, ако по-рано беше определен екип за поддръжка", разказва Хосковец. В тази връзка в новия проект на компанията се поставя фокус върху автоматизацията на голяма част от работата. Това ще позволи на екипа да разполага в крайна сметка с повече време за ъпгрейдване и подобряване на моделите, така че да отговарят на модерните тенденции.

Функционалности и ползи

AI екипът на GLAMI успешно създава и въвежда две основни иновации. Първата включва използването на автоматизации за категоризиране на артикулите в сайта въз основа на продуктова снимка и описание. Когато даден продукт е свързан с правилния текст, това позволява на потребителите много бързо да го намират сред голямото разнообразие. За илюстрация българският сайт на компанията включва почти 100 сътрудничещи си електронни магазина, които събират над 550 хил. артикула. Филтрирането през толкова голям обем продукти би било изключително трудна задача без използването на изкуствен интелект.

"Към момента наследникът на оригиналния модел за категоризация и тагване разпределя около 13,5 млн. етикета в каталога всяка седмица и може да го прави на 19 езика. Има всякакви различни филтри, които нашите потребители могат да приложат, докато разглеждат каталога, започвайки с категории и продължавайки с критерии като стил, материал, цвят и други. Основният резултат е, че много по-лесно се намира това, което се търси", уверява Хосковец.

Другата основна функционалност е възможността за персонализация въз основа на историята на търсенията и потребителското поведение на всеки клиент. На база на събраните данни сайтът започва да подбира предпочитаните от конкретния потребител продукти във всяка категория - например показва дрехи в определен стил - като те се появяват сред топ продуктите. "Новата персонализация разчита на нов модел за препоръки, който сега отговаря за част от съдържанието, показвано на потребителите на началната страница и при подредбата на каталозите. Всеки потребител, след като прекара известно време в GLAMI, вижда страницата малко по-различно. Ние се опитваме да разберем вашите предпочитания и да се адаптираме спрямо тях", заявява експертът и изразява надежда, че опцията ще даде възможност на клиентите да откриват по-лесно повече нови продукти по свой вкус в GLAMI.

Предизвикателствата

Постигнатите успехи обаче не идват и без своите предизвикателства, а AI екипът на компанията е трябвало да се справи с няколко сериозни трудности. Първоначално е трябвало да се разреши проблемът, свързан с моделите за категоризация и тагване, които не са били обновявани от години. За тази цел остарелите версии се е наложило да бъдат актуализирани и изчистени.

"След това се сблъскахме с проблемите с така наречените ML-Ops. Цялата част на оригиналния код за ML-Ops беше доста остаряла. За да преодолеем тази трудност, ние мигрирахме към проекта Cortex, като разработихме пакет с отворен код, нареченCortex Serving Client, който позволява на всички да разчитат на Cortex, но от Python", обяснява ръководителят на AI екипа. Чрез публикувания пакет с отворен код експертите могат да внедряват модели директно от Python, без да им се налага да пишат сложен код. По този начин сътрудничеството с Cortex им позволява да спестят много време работа и да постигнат по-бързи резултати.
От друга страна, при създаването на системата за персонализация предизвикателствата се оказват от съвсем различно естество, тъй като нейната разработка започва от нулата. На първо място екипът е трябвало да намери моделите, които ще работят най-добре. За тази цел въпреки опита на част от експертите GLAMI инвестира време в проучвания и проверка чрез исторически записи. Впоследствие се преминава към разработката, внедряването и тестването, а след това започва и подобряването чрез серия от АВ проверки.

Друго голямо предизвикателство през AI екипа е свързано с бързината при изготвянето на препоръките. "Сайтът на GLAMIзарежда бързо и добавянето на препоръки при зареждането на страницата на практика би забавило работата, тъй като се включва още едно запитване към системата. Всъщност трябваше в крайна сметка да можем да генерираме препоръка за под 80 милисекунди за всеки потребител, а това е много бързо", посочва Хосковец, като подчертава, че обикновено подобни задачи отнемат около 250 милисекунди.

AI и служителите

В крайна сметка резултатите от проекта определено са впечатляващи, не само от гледна точка на потребителите, но и от страна на служителите. За Хосковец автоматичната категоризация в най-голяма степен улеснява екипа, отговарящ за съдържанието. Например самото изготвяне на висококачествен списък от продукти за всеки един клиент без прилагането на изкуствен интелект би изисквало труда на 100 служители на пълен работен ден, които да категоризират ръчно всички артикули.

Сега обаче експертите могат да се фокусират върху обучението на моделите и подготвянето на прогнозите. "Смятам, че ние променихме ежедневния живот в GLAMI, тъй като поехме отговорности, които преди са претоварвали другите екипи. Пример за това е класифицирането - в един идеален свят персонализацията би се правила по време на подреждането. Но това не е възможно поради няколко технически причини. Сега ние сме отговорни за персонализацията и класифицирането не трябва да бъде съпътствано от трудоемка ръчна работа", изтъква Хосковец. В допълнение благодарение на новия проект AI системите се отличават с по-голяма стабилност, което улеснява тяхната поддръжка. Преди оригиналният модел за категоризация е бил изключително нестабилен, а това е изисквало на свой ред повече усилия, за да гарантира неговата работа.

Системата за персонализация също значително допринася за улесняването на вътрешните процеси в компанията. Например служителите вече не трябва да взимат решение на какъв принцип да се извършва подборът на продукти за всеки клиент. "Преди всичко се подреждаше на база на набор от правила след класифицирането. Имаше правило, че ако преди сте посетили дадена марка, то сайтът ще ви показва повече от нея. С изкуствения интелект ние автоматизирахме тези решения, така че екипът, който беше отговорен за персонализацията, е значително улеснен. Само трябва да се обучи моделът и той ще отговаря на тези въпроси.

Решението за това дали стилът, цената или марката за дадения клиент са по-важни е субективно и е различно за всеки човек. Някой ще търси определен стил на по-ниска цена, друг ще държи само на марката или само на стила. Трудно е да се измисли набор от правила, който да бъде оптимален", разкрива експертът.
В заключение той съветва компаниите, които се захванат с AI проекти, да бъдат изключително внимателни и прецизни във всеки етап от реализацията, а също така да създават сплотени екипи, защото взаимното доверие и комуникацията са съществени за крайния успех.


X