Смелые одежды: как продавать вещи с помощью людей и искусственного интеллекта

Размышляя об искусственном интеллекте, мы часто представляем себе роботов, которые шагают по складу или заводу, выполняя задачи, которыми раньше занимались люди. Наше воображение живо рисует печальную картину: потеря рабочих мест, возмущенный ропот работников… Тем не менее это будущее кажется нам слишком уж отдаленным. На самом же деле оно значительно ближе, чем многие думают, но при этом выглядит лучше, чем многие предсказывали.

Stitch Fix открыла нам глаза на то, что некоторые компании уже сейчас начинают применять технологии машинного обучения, чтобы совместно с работниками создавать более эффективные решения. Онлайновый продавец одежды с пятилетним стажем, компания Stitch Fix добилась на этом поприще определенных успехов, тем самым продемонстрировав, что искусственный интеллект может работать в партнерстве с людьми, если каждая сторона будет сфокусирована на своих уникальных преимуществах.

Компания предлагает своим подписчикам подобрать свой собственный стиль и гардероб с последующей доставкой одежды на дом. Однако пользователи этого сервиса не приобретают одежду в обычном интернет-магазине. У Stitch Fix его просто нет. Вместо этого покупатели проходят опросы, предоставляют данные о своих размерах, дают ссылку на тематические коллекции фото в Pinterest и прибавляют к этому письмо с личными пожеланиями. Алгоритмы машинного обучения обрабатывают эти разнородные и слабоструктурированные сведения. Далее приложение передает результаты и другую информацию (такую, как пожелания потребителя) стилистам компании, которые, пользуясь этими данными, выбирают пять предметов одежды различных брендов и высылают их клиенту. Покупатель оставляет то, что ему подошло, а остальное отсылает обратно.

Подход Stitch Fix содержит в себе три урока, показывающих, как соединить человеческие знания и опыт с возможностями систем искусственного интеллекта. Во-первых, важно, чтобы люди продолжали участвовать в деятельности фирмы. Компьютер просто не в состоянии справиться со всем в одиночку. Во-вторых, с помощью искусственного интеллекта компании могут кардинальным образом увеличить производительность и эффективность работников. И, в-третьих, проработка идей и развитие инноваций требуют сочетания различных методик машинного обучения.

Как показывает наше исследование, в котором мы охватили как промышленную, так и научную сферу, у бизнеса появляется беспрецедентная возможность воспользоваться прогрессом в области искусственного интеллекта и машинного обучения для улучшения и обновления своих бизнес-процессов. Например, анализируя пятилетнюю выборку из почти 1150 работ, мы определили по меньшей мере 12 методик машинного обучения (оптимизацию, использование нейронных сетей, регрессивного анализа/ моделирования, распознавания речи, кластеризации данных, анализа сетей, анализа видео, интеллектуального анализа текста, использование систем рекомендаций, распознавания изображений, прогнозирования, классификации).

Некоторым выдающимся компаниям удалось повысить продажи и улучшить обслуживание клиентов благодаря использованию систем рекомендаций. Если говорить о рекомендациях, то можно ли как-то улучшить этот процесс по сравнению с лидерами Netflix и Amazon?

У Stitch Fix, для которой качество предложений – это вопрос жизни и смерти, выбора просто не было: нужно было делать лучше других. И в этом вопросе нельзя полагаться исключительно на искусственный интеллект. Компания пытается собирать о своих клиентах как можно больше информации, причем в любой форме — как структурированной, так и неструктурированной. К первому виду данных относятся опросы, содержащие личные сведения — такие, как размер одежды и предпочитаемые бренды. Неструктурированные данные могут быть получены из профилей пользователей в социальных сетях или из их комментариев, поясняющих причину покупки новой одежды (например, праздничный наряд, смена сезона или понравившийся новый стиль).

Автоматические системы рекомендаций лучше всего справляются со структурированными данными. Для того чтобы разобраться в неструктурированных, необходимо участие человека. Предположим, клиент хочет приобрести новую пару стильных джинсов. Всем известно, как непросто найти «правильные» джинсы, хорошо сидящие на фигуре. Сначала алгоритм отбирает все джинсы (всех тканей, фасонов и даже размеров), которые решили приобрести другие покупатели с теми же размерами, — хороший показатель того, что вещь подходит.

На следующем этапе нужно выбрать конкретную пару джинсов для отправки покупателю. Это задача стилиста, который учитывает пожелания клиента или событие, к которому приурочена покупка. Дополнительно стилист может вложить в заказ записку от своего имени, что поможет укрепить эмоциональную связь с покупателем. Таким образом, Stitch Fix обхаживает клиента в надежде, что в будущем получит от него еще более полезные отзывы.

Эта система рекомендаций с участием человека использует несколько информационных потоков, улучшающих ее работу. Алгоритм напрямую принимает обратную связь от покупателя, независимо от того, оставил ли он у себя вещь или нет. Стилист корректирует свою работу и подстраивается под нужды клиента, исходя из его замечаний и предыдущего опыта общения с ним.

Сейчас компания тестирует технологии обработки естественного языка, которые позволяют распознавать замечания клиентов, разбивая их по категориям. Например, с их помощью можно автоматически сортировать обратную связь на положительную и отрицательную или устанавливать причину покупки той или иной одежды. Стилисты помогают определять и обобщать текстовую информацию, полученную от клиентов, а также исправлять ошибки в распределении информации по категориям. В связи с тем, что алгоритмы всегда находятся под зорким наблюдением людей, Stitch Fix может уверенно тестировать новые техники машинного обучения, не боясь, что ее эксперименты приведут к проблемам с обслуживанием клиентов.