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.

В чем же заключается роль стилиста, распоряжающегося мощью искусственного интеллекта? В штате Stitch Fix состоят 2800 специалистов, разбросанных по всей стране. Все они работают на дому, каждый — по своему собственному графику. В этой распределенной системе качество работы оценивается по многим показателям, среди которых количество денег, потраченных клиентом, степень его удовлетворенности и среднее количество оставленных вещей из заказа. Один из самых значимых факторов — скорость, с которой стилист подбирает коллекцию для покупателя.

Скорость очень важна, равно как и точность. И здесь вступает в действие рабочий интерфейс. Для быстрого принятия решений экран, на котором стилист просматривает рекомендации, отображает всю полезную информацию о клиенте. Сюда входит история покупок и отзывов, размеры, отношение к необычному стилю одежды — все это сведения находятся буквально под рукой. Более того, рекомендации настроены таким образом, чтобы сократить время, затрачиваемое специалистом на поиски нужной вещи.

Чтобы убедиться в эффективности работы стилиста, система варьирует информацию, которую показывает интерфейс. Это делается для того, чтобы проверить объективность оценки специалиста и степень его предвзятости. Например, как фотография клиента повлияет на выбор стилиста? Или как решение стилиста зависит от сведений о его возрасте? Помогут ли данные о месте жительства или только навредят?

Благодаря анализу воздействия модифицированной информации на работу стилиста компания вырабатывает системный подход к измерению качества человеческих оценок.

Несмотря на все алгоритмы, направляющие принятие решений, и постоянный мониторинг, внутренние опросы показывают, что сотрудники Stitch Fix в целом своей работой довольны. И именно такой вид деятельности, основанный на «креативности с машинным интерфейсом» и гибком графике работы, в будущем будет играть важную роль.

Индустрии модной одежды не привыкать к быстрым циклам обучения. Одно из достоинств, которое Stitch Fix видит в сборе и анализе гигантских объемов информации, заключается в способности прогнозировать тренды. Например, инженеры компании разрабатывают классификаторы на основе машинного обучения. Они находят новые тренды, используя простые бинарные решения типа «да или нет», которые клиент принимает при покупке или отказе от товара. Эти элементарные, казалось бы, данные позволяют команде предсказывать, какие тренды будут актуальны в следующем сезоне и какие стили выходят из моды.

Другое преимущество всех этих данных заключается в том, что они привели к разработке компьютерной системы распознавания изображений, которая способна анализировать стиль и извлекать его параметры на основе фотографий различной одежды. Сама эта система должна пройти этап неконтролируемого обучения, в процессе которого она обработает огромное количество изображений, извлекая из них характерные признаки или закономерности и определяя похожие стили одежды. Этот «автостилист» может быть использован для автоматической сортировки товарных запасов и расширения выбора одежды.

Кроме алгоритмического определителя трендов и автостилиста Stitch Fix также занята разработкой совершенно новых стилей, полностью основанных на данных. Компания называет их «франкенстилями». Они создаются с помощью «генетических алгоритмов», которые действуют по принципу естественного отбора. Эти алгоритмы отталкиваются от существующих стилей, подвергающихся случайным модификациям на протяжении многих искусственных «поколений». Например, рукав, принадлежащий одной одежде, и цвет или рисунок, взятый у другой, со временем эволюционируют в совершенно новую рубашку.

Stitch Fix входит в число компаний, стоящих у истоков машинного обучения, и уже только поэтому за ней стоит понаблюдать. По оценке Forbes, в 2015 году ее выручка составила $250 млн, а в 2016 году она увеличилась на 50%. В то же время за последние два года Stitch Fix утроила свой штат. Методы компании убеждают нас в том, что люди и машины способны дополнять друг друга, и это сотрудничество приводит к результатам, которых невозможно добиться в одиночку.

Мы находимся в самом начале эры искусственного интеллекта. Безусловно, на этом пути не обойтись без трудностей и пертурбаций. Однако сейчас мы начинаем понимать, как искусственный интеллект может преобразить целые отрасли, улучшить производительность и даже принести пользу новому поколению работников.

Об авторах. Джеймс Уилсон — управляющий директор по информационным технологиям и бизнес-исследованиям в Accenture Institute for High Performance. Пол Доэрти — директор по технологиям Accenture в Нью-Йорке. Прашант Шукла — научный сотрудник Accenture Institute for High Performance.