هوش مصنوعی خرده فروشی

پیشبرد آینده خرده فروشی توسط یادگیری ماشین

برند های پیشرو و خرده فروشان به دنبال شناسایی تصویر و یادگیری ماشین هستند تا مجموعه داده های عظیم (کاتالوگ های آنلاین) را با مجموعه های گسترده ای از ویژگی های بصری (اندازه ، کوک و غیره) تا یک محصول واحد را، تجزیه و تحلیل کنند. نتایج به دست آمده سطح جدیدی از شخصی سازی را برای تجربه بهتر مشتری ارائه می دهد.

مشکلی که در سیستم خرید آنلاین کنونی وجود دارد این است که تجربیات بیشتر عملکردگرا هستند تا  سرویس محور. برند ها و خرده فروشان، بیشتر اطلاعاتی حول تعامل کاربر و داده های مربوط به کلیک کردن کاربران در سایت های مختلف را جمع آوری می کنند در حالی که این داده ها پیچیدگی جزئیاتی را که بر تصمیم برای خرید مشتری تأثیر می گذارد را ثبت نمی کنند … برای مثال درک بدن.

هوش مصنوعی لیلی (Lily AI) شرکتی است که با استفاده از تشخیص تصویر و یادگیری ماشین، انقلاب جدیدی از خرده فروشی به پا می کند تا به برند ها و خرده فروشان کمک کند تا “چرایی” را در پشت آنچه مشتریان خود خریداری می کنند ، بشناسند. پشتوانه تکنولوژی شرکت (که مختص “شخصی سازی فوق العاده” است) توسط سومیا چوکا نارایانان ، یکی از بنیانگذاران و مدیر ارشد فناوری در هوش مصنوعی لیلی (Lily AI) ساخته و پیاده سازی شده است.

سومیا چوکا نارایانان هوش مصنوعی لیلی
سومیا چوکا نارایانان

نارایانان دارای مدرک کارشناسی ارشد مهندسی برق و کامپیوتر از دانشگاه فناوری آستین و لیسانس فناوری اطلاعات در کالج فناوری PSG (هند) است. او در زمینه های مختلف پشتوانه فناوری برای شرکت های قدرتمندی مانند یاهو و باکس کار کرد، سپس به ترکیب هوش حسی و هوش مصنوعی علاقمند شد.

بنیانگذار دیگر و مدیر عامل هوش مصنوعی لیلی (Lily AI)، پوروا گوپتا از آژانس تبلیغاتی Saatchi & Saatchi آمد. در اوایل زندگی ، گوپتا آموخته بود که چطور پیدا کردن یک لباس مناسب می تواند به او در غلبه بر عدم اعتماد به نفسش کمک کند و وقتی مسیر این دو مؤسس زن به هم برخورد ، گوپتا به تازگی کوهی از تحقیقات شخصی در این زمینه را در نیویورک انجام داده بود. تحقیقات گوپتا نشان داد که زنان به دنبال لباس هایی با توجه به نوع بدنشان هستند تا آنچه را که در آن احساس راحتی می کنند پیدا کنند.

ممکن است یک زن در مورد یک بلوز خاص تصمیم بگیرد چون مثلا نوع برش آن، شکم گرد را پنهان می کند. این دو در تلاشند تا در ایجاد شغلی فعالیت کنند که برند ها و خرده فروشان را در مورد این تنظیمات در حوزه دیجیتال راهنمایی کند. نارایانان، گوپتا را متقاعد کرد بهترین راه برای ساختن سرویسی از خرید شخصی عملکردگرا که او می خواست، استفاده از یادگیری ماشین بود.

پوروا گوپتا هوش مصنوعی لیلی
پوروا گوپتا

هوش مصنوعی Lily AI از بینایی رایانه و هوش مصنوعی برای شناسایی ویژگی های هر واحد انبار داری در سابقه ی هر خرده فروشی، استفاده می کند. با شروع از این ده ها ویژگی هر کالا، برند ها و خرده فروشان می توانند تجربه مشتریان خود را بصورت آنلاین و با لمس میل مشتریان خود به این ویژگی های خاص و موشکافانه محصولات، به صورت فوق العاده ای شخصی سازی کنند.

برچسب های عمیق با بهبود فیلترها و جنبه ها برای محدود کردن نتایج ، بهبود دقت جستجوی سایت و موارد دیگر، نقش به سزایی در بهبود پیمایش سایت دارند. برای دستیابی به این هدف ، نارایانان مجموعه ای از مدل های یادگیری عمیق ایجاد شده از شبکه های عصبی کانولوشنی  با معماری های مختلف را جمع آوری کرد و با ۸۰۰ میلیون نقطه داده که به صورت دستی توسط متخصصان انسانی برگزیده شده بودند، آموزش داد.

اولین مدل های سفارشی با استفاده از یک پلتفرم شخص ثالث  یادگیری عمیق به عنوان یک سرویس، و ۱۰۰۰۰۰ تصویر دارای برچسب ایجاد شدند. بنیانگذاران به سرعت فهمیدند که اگر می خواهند خصوصیات دانه ای عمیق تر و سبک محور تر باشند ، نیاز به آزمایش و تنظیم دقیق خود مدل ها دارند. گوپتا و نارایانان توافق کردند زمان آن است که رویکرد شخص ثالث را رها کنند و مدل های هوش مصنوعی را در خودشان بسازند.

هوش مصنوعی لیلی مدل لباس

برای ارائه ایده در مورد مقیاس ، هوش مصنوعی لیلی اکنون ۶۵ میلیون برچسب را فقط برای یکی از مشتریان خرده فروشی شرکت ایجاد کرده است. همچنین آن ها برای راضی نگه داشتن مشتریانشان کارهایی مانند مشخص کردن موارد قابل خرید در یک تصویر ، و سپس پیش بینی متا تگ ها از یک پایگاه داده با بیش از ۱۵۰۰۰ صفت که از رنگ و برش گرفته تا جزئی ترین تزیینات مانند درز و وزن مواد را شامل می شود را انجام می دهند.

حلقه بازخورد انسانی که با خط لوله آموزش یکپارچه شده است، این تیم را قادر می سازد روزانه ۲ میلیون نقطه داده اضافه کند تا صحت این جزئیات ظریف را افزایش دهد و مدل ها بصورت سلسله مراتبی سازمان یافته اند به گونه ای که هر سطح پیش بینی، برچسب های  بهتری را اضافه می کند.

این تیم با دادن ویژگی های محصول و داده های کلیک کاربر به الگوریتم های توصیه کننده هوش مصنوعی لیلی، در حال استخراج میل و حساسیت کاربر به عناصر و ویژگی های مختلف محصول و استفاده از آن ها است و سپس می تواند آن ها را توصیه کند.

در این فرایند ، آن ها همچنین برای جلوگیری از توصیه نادرست ، هر سبک و ویژگی دیگری از محصول را که برای کاربر دلپذیر باشد (یا نه) را ارزیابی و ترکیب می کنند.

تیم هوش مصنوعی لیلی
سومیا چوکا نارایانان و پوروا گوپتا در همایش SXSW Accelerator

به این ترتیب ، به دو زن که نوع و اندازه گیری بدنی یکسانی دارند ، که ممکن است هر دو به دنبال یک جفت شلوار جین باشند ، اما ترجیحات مختلفی برای منحنی ها و دوخت های قابل مشاهده دارند ، نتایج متفاوتی نشان داده می شود.

هنگامی که در مورد هوش مصنوعی های آماده از آمازون و مایکروسافت که نتایج را بازآفرینی می کند، از نارایانان سوال شد، او می گوید همیشه ترجیح می داده که بر روی هوش مصنوعی خود کار کند.

وی گفت: “بهترین مورد استفاده برای ما در سمت زیرساخت برنامه ها قرار داشت – چرخش خط لوله جریان ، صدور، تبدیل و بارگزاری (ETL) در گیگابایت داده ها ، API های بدون سرور و غیره. ما می توانستیم بر بخش الگوریتم هسته، بدون صرف زمان زیاد و منابعی که باقیمانده ی زیرساخت هایی که مورد نیاز برای پشتیبانی از برنامه های خرده فروشی بود را می ساختند، تمرکز کنیم. “،”به دلیل ماهیت خرده فروشی صنعت ما ، ما تصمیم گرفته ایم که مستقل از سیستم ابری باشیم.”

برای تمایز ، پلتفرم هوش مصنوعی لیلی یک راه حل انتها به انتها اراء می دهد که می تواند در طول زمان برای مجموعه گسترده ای از برنامه ها اعمال شود. این تیم مدل های یادگیری عمیق (لایه ها و فیلترها) را سفارشی کرده است تا آن ها را قادر به یادگیری و پیش بینی بیش از ۱۵،۰۰۰ ویژگی محصول دانه ای با حداقل ۸۰٪ دقت در شناسایی صفات کند. به طور مشابه ، آن ها الگوریتم های توصیه گر را با ویژگی های مرسوم کاربر استخراج شده از اطلاعات کلیک و ویژگی های وابسته خود تغذیه می کنند ، سپس با جمع آوری رویکردهای مختلف آزمایش می کنند. انجام این کار با پلتفرم های آماده غیر ممکن است.

به گفته نارایانان ، یادگیری ماشین سنتی، پایه و اساس یادگیری قوانین منطقی از داده های ورودی را بدون برنامه ریزی صریح برای آن ، پایه گذاری کرده و یادگیری عمیق نیروی فوق العاده ای برای استخراج ویژگی هایی از مجموعه داده های غیرساختاری گسترده و یادگیری بدون مداخله انسانی فراهم می کند.

با الهام از ساختار بیولوژیکی مغز انسان ، یادگیری عمیق از شبکه های عصبی برای تجزیه و تحلیل الگوها استفاده می کند و همبستگی هایی را در داده های بدون ساختار مانند تصاویر ، صدا ، فیلم و متن پیدا می کند.

نارایانان گفت: “قدرت پیش بینی کننده یادگیری عمیق در ادراک بصری ، درک زبان طبیعی و توانایی پیش بینی قصد خرید باعث می شود هوش مصنوعی  لیلی  بتواند توصیه های بسیار شخصی سازی شده ، استراتژی قیمت گذاری و برنامه ریزی موجودی را با کمک هوش مصنوعی ارائه دهد.”

هوش مصنوعی لیلی خرده فروشی

به منظور ارائه  مناسب ترین تجربه، یک خرده فروش می بایست ارتباط هر کاربر را – آنچه کاربر در فروشگاه آنلاین انجام داد ، چگونه کالای مورد نظر خود را خریداری کرده است ، آیا محصول را به صورت فروشگاهی بازگرداند ، آیا توجه به مشتری را پسندید، نگرانی های اصلی آنها و غیره چیست-  ضبط و ذخیره کند. آن ها باید بتوانند تعاملات آفلاین یک کاربر آنلاین، ورود به سیستم کاربر آنلاین از یک دستگاه دیگر و یک کاربر آنلاین که برای شخص دیگری خرید می کند را شناسایی کنند.

این مرحله برای اطمینان از انجام هرگونه یادگیری ماشین بر روی مجموعه داده های صحیح بسیار مهم است. چندین CDP (پلتفرم داده مشتری) قول انجام این کار را می دهند. از طرف دیگر ، آن ها همچنین باید داده های دانه ای را در مورد محصولات داشته باشند تا نه تنها در توصیه ها ، بلکه به تجزیه و تحلیل روندها و کمک به پیش بینی تقاضا بپردازند. برای خرده فروش بسیار مهم است که از ابزار و پلتفرم مناسبی استفاده کند که به آن ها در گرفتن و تفسیر داده های عظیم تولید شده توسط مشتریان کمک کند.

انتظارات خریداران از تجارب آنلاین و مرتبط با آن در سراسر کانال ها باعث می شود تا خرده فروشان به استقبال و اجرای راه حل های مبتنی بر هوش مصنوعی برای خدمات به مشتریان ، جستجوی هوشمندانه تر، پیمایش دیجیتال ، توصیه ها ، دستیاران مجازی و غیره ادامه دهند.

اتخاذ سرویس های مبتنی بر هوش مصنوعی مانند هوش مصنوعی لیلی نه تنها باعث بهبود نقاط ارتباطی با مشتری می شود بلکه می تواند زمینه های دیگری مانند مدیریت موجودی ، پیش بینی فروش ، مسائل خارج از بورس و برنامه های بازاریابی بهینه را نیز تحت تأثیر قرار دهد. این کمک می کند تا خرده فروشان نه تنها فروش و بازده عملیاتی خود را افزایش دهند بلکه با وفاداری و قدردانی مشتریان از آن ها همراه می شود.

بیشتر بخوانید :

منبع Interesting Engineering
0/5 (0 نظر)

درباره‌ی احمدرضا جعفری

همچنین ببینید

خود آموز یادگیری ماشین قوانین یادگیری در شبکه عصبی

مقدمه ای بر قوانین یادگیری در شبکه عصبی

مقدمه قانون یادگیری ، یک روش یا یک منطق ریاضی است که به شبکه عصبی …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *