Сообщить об ошибке на сайте
URL
Ошибка
Тренды

Владелица сети модных магазинов «Рафинад» Яна Строкова решила облегчить клиентам муки выбора — и придумала виртуального помощника, который точно знает, какая вещь кому подойдет. В отличие от приложений, которые анализируют историю покупок или анкетируют пользователей, «Стилист» строит свои предположения, используя информацию из профилей в соцсетях и сложный алгоритм, — и уже предугадывает желания клиентов с вероятностью 81,8%. Чтобы проводить необходимые для этого вычисления, пришлось построить собственный блокчейн — а на его базе Строкова уже развивает платформу для децентрализованных вычислений и готовится запустить собственную криптовалюту. Создательница «Стилиста» рассказала «Хайтеку», чему учила умного помощника — и чему он научился сам, как строит платформу для потерявших работу майнеров и почему не боится, что стиль, созданный искусственным интеллектом, лишит людей индивидуальности.

Как свалить шопинг на нейросеть

— С чего начинался «Стилист»?

— Мы написали CRM для бутиков «Рафинад» — систему, которая автоматизирует управление производством, распределение товаров по магазинам, оценку рентабельности продаж и считает зарплаты. Она очень упростила работу, и я подумала, что можно было бы упростить и сам процесс шопинга. Так появилась идея «Стилиста» — самообучающегося алгоритма, помогающего выбирать вещи в интернет-магазинах.

Модные предпочтения коррелируют с моделями поведения, которые, в свою очередь, связаны с такими параметрами, как пол, возраст, локация, социальный статус, интересы, места путешествий, эмоциональное состояние и многое другое. Система смотрит профиль пользователя в социальных сетях, анализирует эти параметры и, используя истории покупок пользователей со схожими параметрами, предлагает ему какие-то вещи. Мы посчитали, что для начала работы нам нужна информация о пяти пользователях, совершивших минимум по две покупки, — основываясь на ней, «Стилист» уже может что-то предлагать шестому. К 2015 году, когда у нас были данные 10 тыс. клиенток «Рафинада», робот стал угадывать вкусовые предпочтения новых пользователей с вероятностью 70%.


Как работает «Стилист»

«Стилист» — это нейросеть, которая подбирает одежду для пользователей по анализу данных социальных сетей, истории покупок и трендов модной индустрии. Она состоит из четырех модулей:

Look Finder — плагин, который владелец интернет-магазина может установить на свой сайт. Он поможет покупателю найти в каталоге те вещи, которые с большой вероятностью соответствуют его вкусовым предпочтениям и поводу.

Thrifty — плагин в браузер, система уведомлений об изменении цены на желаемый товар. Будет запущен в демо-режиме в июне 2018 года.

Person Finder — система распознавания лиц (в движении и в потоке) для оффлайновых магазинов. Если покупатель есть в базе «Стилиста», система узнает его и получит информацию о его предпочтениях и прежних покупках. Находится на стадии прототипирования.

Stylist Store — маркетплейс магазинов, продающих одежду, с системой подбора вещей по предпочтениям. Будет запущен в декабре 2018 года.

В проект с 2015 года инвестировали чуть больше 24 млн рублей: часть — из прибыли модного дома «Рафинад», остальное — личные деньги Яны Строковой. До 2020 года в него планируется инвестировать еще 65 млн рублей, в том числе путем привлечения инвестиций. По словам учредителей, сейчас проектом интересуются четыре венчурных фонда (один — из Кремниевой долины) и несколько частных инвесторов. В 2015 году «Стилист» стал одним из победителей федерального конкурса стартапов технопарка «Ингрия».

Разработчики утверждают, что внимание к проекту проявляли Российская венчурная компания и Фонд развития интернет-инициатив, которые предлагали сотрудничество и акселерацию. «Стилист» от сотрудничества отказался: «Нам важно было сохранять независимость наших действией и не попасть под влияние институционального мнения, — объясняет это решение Яна Строкова. — Пока мы в свободном полете и сами спонсируем проект, нам проще принимать оперативные решения, экспериментировать и не думать о том, насколько красиво то или иное наше действие будет смотреться в отчете».


— А если клиенту не понравилась вещь? Как вы это понимаете — у вас ведь нет кнопки «дизлайк»?

— Товар не понравился, когда клиент никаких действий с ним не совершает — не покупает и не откладывает. Тогда система пытается исключить из анализа параметры, которые на самом деле не влияют на выбор, и предлагает следующую вещь. Если и эта вещь не нравится, «Стилист» пытается понять, что не так с предложенным товаром. Может быть, человек случайно выбрал раздел «платья кэжуал», а на самом деле ищет коктейльные платья, — тогда система добавляет в выборку «спектральную примесь» и смотрит, изменилось ли поведение пользователя.

— Допустим, клиент купил вещь, но вернул ее. В этом случае проблема может быть не во вкусовых предпочтениях и не в размере — вещь некачественная или не подошла по фигуре. Вы анализировали причины неудачных покупок?

— Это очень сложная штука. Для этого мы после покупки проводим опрос. Если пользователь ответил, что майка была плохого качества или не села, «Стилист» начинает спрашивать, что именно с ней не так, и получает дополнительную информацию — что вещи, пошитые таким образом, скорее всего, не подойдут конкретному клиенту.

— Вы описываете стандартный алгоритм нейросети: она совершает какие-то действия и учится на своих ошибках. В чем уникальность «Стилиста»?

— Алгоритм сам ищет новые зависимости и оценивает «силу» их влияния на вкусовые предпочтения покупателей и их предстоящие покупки. Например, недавно система сама посчитала значимым и добавила индексацию лайков, которые покупатели оставляют под рекламными объявлениями в соцсетях, — по умолчанию алгоритм был настроен только на учет лайков друзьям. Это уникальная формула, которую начали применять гиганты индустрии, — Google, который купил технологию Deep Mind, сейчас тестирует примерно такую же технологию.

Избавиться от рутины, сохранить уникальность

— У Amazon есть алгоритм, который определяет, насколько модно одет человек, есть AI Designer, есть Stitch Fix, чья модель работы похожа на вашу. Что вы скажете об этих проектах, есть ли с ними проблемы, учли ли вы их или не ориентировались на них?

— Мы тщательно анализируем технологии конкурентов, нам важно понимать, что они дают рынку и чего мы можем недодать. Роботы Amazon на сегодня обладают самыми впечатляющими предиктивными свойствами, но пока это касается только бытовых торговых предложений. Что касается одежды, это красивая пиар-история, которая вполне может вылиться и в отдельный проект, но, как мне кажется, — это погоня за трафиком.

Другие проекты делают упор на анализ истории ваших покупок и связывают их с вашими предпочтениями. При огромных объемах данных это имеет смысл, но каждый новый пользователь, не сделавший еще ни одной покупки, попадает в вакуум, и система, по сути, начинает гадать.

Что касается Stitch Fix — это самостоятельный мультибрендовый интернет-магазин. Мы же делаем маркетплейс, наша система сможет работать с ретейлом и e-commerce одновременно, учитывая покупки пользователей оффлайн и онлайн, при этом анализируя, чем они различаются. Анализ покупок и предложение товаров «Стилист» делает на основании глобальных метаданных, собираемых от всех партнеров проекта — ретейлеров и интернет-магазинов, подключенных к нам.


Конкуренты «Стилиста»

За рубежом уже есть проекты, работающие в этой области. Наиболее успешный — Stitch Fix, которым пользуются около 2,2 млн активных клиентов в год; он заработал $296 млн в первом квартале 2018 года и, по оценкам Forbes, растет на 50% в год. Stitch Fix научила компьютер вычленять модные тренды по фотографиям из инстаграма и фейсбука. Услуги онлайн-стилиста предоставляются по подписке за $20 в месяц. Кроме нейросети, одежду пользователям помогают подбирать 3,4 тыс. стилистов из штата компании.

В августе 2017 года Amazon также представил искусственный интеллект, который на основе лайков из Instagram и Pinterest будет подбирать гардероб для клиента, оценивать наряд клиента по фотографии, а также создавать новую одежду, анализируя модные тенденции прошлого. Финансовые детали разработки не раскрывались. Эти сервисы являются частью платной программы лояльности Amazon Prime.

В конце 2017 года группа Lab126 в Сан-Франциско разработала проект «AI designer»: алгоритм изучил тысячи рекламных кампаний с 90-х годов и стал генерировать новые идеи для модных домов и креативных директоров на основе предыдущих тенденций и разработок дизайнеров. Когда он будет доступен для публичного использования — неизвестно.


— Если клиент хочет себе не такую одежду, как у остальных, а готов экспериментировать, система может ему помочь в этом?

— Сейчас мы ограничены рамками товаров «Рафинада» и поэтому регулярно получаем укоры от клиентов, которые имеют демо-доступ к системе, — они хотят чего-то новенького. Это проблема масштабирования, мы ее решим, как только у нас будет 5-10 тыс. партнерских товаров в сети. Как только к сети подключатся несколько десятков партнеров, среди которых будут мультибрендовые магазины, проблема выбора отпадет сама собой — вещей, как и возможностей для выбора, станет больше.

— Привычно ли для клиентов подбирать одежду не самостоятельно, а доверяя ИИ? Не встречались с луддизмом?

— Конечно, пока для пользователей это не совсем привычно, им хочется найти изъян в выборе робота. Мы постоянно с этим сталкиваемся, именно поэтому и считаем, что за этим будущее, так как только реальный прогресс встречает сопротивление, а лженаука и хайповые проекты остаются на обочине истории. Вспомните автомобиль — даже кучеры высмеивали водителей тех драндулетов, вспомните хулителей братьев Райт и Николы Теслы, а сколько хейтеров до 2012 года было у того же Илона Маска? Прогресс тяжело двигать именно потому, что горстка людей должна взвалить себе на плечи 7 млрд жителей Земли и насильно вытащить их из пещеры.

— Критики техноутопизма, например Евгений Морозов, не одобряют эйфорическое отношение к технологиям. Упрощая его тезис из книги The Net Delusion — унификация с помощью искусственного интеллекта убьет любое проявление индивидуальности. Это не так?

— А в чем индивидуальность? В том, что сумка LV выпускается в десятках тысяч копий? В том, что каждое платье D&G имеет миллион копий? Разве сайты путешествий убивают индивидуальность и дух первооткрывательства? Amazon убивает вашу сопричастность к домашнему быту? Facebook убивает общение? Проблемы начинаются тогда, когда есть перекос. Кто-то много сидит в соцсетях, кто-то зависим от спецпредложений Amazon, кто-то летает, только если удается купить билет по самой низкой цене. Для многих выбор одежды сегодня — рутинный и унылый процесс, который мы перезапустим и превратим в удовольствие.

Мода на блокчейне

— В «Стилисте» вы используете децентрализованные вычисления — для чего это нужно?

— Если у вас есть не три связанных между собой дата-центра, а десятки различных компьютеров с разными мощностями, это намного дешевле и безопаснее. Децентрализованная сеть — идеальная среда для построения нейросетей и глубокого машинного обучения, потому что для них нужна космическая вычислительная мощность; представьте, какой объем вычислений нужен, чтобы проанализировать вкусовые предпочтения десятков тысяч пользователей, — а если еще и сравнивать их между собой? К тому же децентрализованную систему крайне сложно взломать. Чтобы это сделать, нужно захватить не центральный сервер, а 51% всех вычислительных мощностей.

— То есть у вас две группы людей: покупатели дают новую информацию нейросети, которая учится на этом, а майнеры дают вычислительные мощности для процесса?

— Да, есть покупатели — пользователи нейросети, они покупают и автоматически дают нам свои метаданные для анализа. А есть те, кто хочет зарабатывать на нашей сети, — это майнеры, которые дают свои вычислительные мощности. Они устанавливают специальную программу, и нейросеть использует мощности компьютера для вычислений.

— В децентрализованной сети должно быть много активных участников. За счет кого вы планируете расширяться?

— Как показывают последние тенденции в криптобизнесе, очень скоро потребность в большом количестве оборудования для вычислений отпадет. Например, недавно биткойн внедрил систему SegWit, а многие блокчейн-системы уже сейчас перешли на технологию Proof-of-Stake, где большая вычислительная мощность не нужна (валидацию делает тот, у кого больше криптовалюты, остальные ее затем подтверждают). И куда деваться майнерам, которые становятся не нужны? Их оборудование можно применить в таких децентрализованных сетях, как наша.

Сейчас мы работаем над созданием платформы Nebula, которая сможет объединить майнеров для участия в подобных проектах. Участники, предоставляющие мощности для реальных вычислений, будут зарабатывать примерно в два раза больше, чем на майнинге. А в свободное от вычислений время будут получать комиссию за подтверждение транзакций собственной системной криптовалюты.

Автор: Ильнур Шарафиев

Загрузка...
Подписывайтесь на наши каналы в Telegram

«Хайтек» - новости онлайн по мере их появления

«Хайтек» Daily - подборки новостей 3 раза в день

Здесь может быть ваша реклама: НАСА планирует заработать на космосе миллионы
Тренды
Опасный криптотрейдинг: как киберпреступники угрожают виртуальным сбережениям и биржам
Тренды
Тренды
Как через 20 лет будет выглядеть армия будущего
5 финансовых инструментов, которые помогут инвесторам даже после падения криптовалюты
Тренды
Александр Лямин, Qrator Labs: наша задача — выработать у людей цифровую гигиену, чтобы они «не ели с помойки»
Кейсы
Эдуард Фош Вильяронга: люди видят в роботе только внешность, забывая, что он следит за ними
Тренды
Доктор Куэй Во-Райнард, HIT Foundation: если страна требует суверенитета данных, мы построим для нее отдельный блокчейн
Кейсы
Идеи
«Хакинтош»: как собрать свой собственный Mac лучше, чем у Apple
Роботы против мигрантов: какой вклад в ксенофобию и расизм делают технологии ИИ
Тренды
Война скриптов — искусственный интеллект против навязчивой рекламы
Тренды
Как заново изобрести супермаркет: осознанность потребления, этика производства и роботы
Тренды
Каждый человек станет сам себе банком: цифровой мир отказывается от посредников между бизнесом и клиентом
Тренды
Архитектор вычислительной инфраструктуры «Платона» Александр Варламов — о будущем ИТ-индустрии в России, стартапах и разработке
Кейсы
Дмитрий Богданов, капитан сборной России по CS:GO — о стиле жизни киберспортсмена, тренировках и блокировках РКН
Тренды
Идеи
Космос — наш дом: что осталось решить ученым, чтобы поселить человека за пределами Земли
Прайсинг, трекинг, скоринг, биллинг и другие технологии, которые двигают российский бизнес
Тренды
«Педиатр 24/7»: как телемед-стартап подарил родителям спокойствие, а врачам — работу
Кейсы
Вас снова обманули: как человечество учит компьютеры определять фейки в интернете
Тренды
БиСи Бирман, Heavy Projects: ИИ должен иметь несовершенства — это элемент случая
Мнения
Артем Геллер, lab.ag: делая сервис для государства, ты помогаешь своей бабушке
Мнения
Акселераторы и инкубаторы: что выбрать стартапу на раннем этапе развития
Мнения
Вопрос доверия: как и почему изменилось отношение к телемедицине в России
Тренды
Правительственные криптопесочницы: как освободить финтех от давления закона и защитить потребителей
Тренды
Роман Нестер, Segmento: я верю корпорациям больше, чем маленьким компаниям
Кейсы
Суперагенты в недвижимости: как блокчейн и большие данные заменяют риелторов
Тренды
СМИ будущего: вертикальные видео, новости по запросу и смерть сайтов
Тренды
Тренды
Колонизация отменяется: почему терраформирование невозможно на Марсе
Сет Стивенс-Давидовиц: у людей гораздо больше непристойных и скверных мыслей, чем мы думали
Мнения
Умные города подвергают своих жителей опасности из-за датчиков освещения и радиации
Тренды
Мнения
Геронтолог Обри ди Грей: жизнь длиной в тысячу лет — это побочный эффект поиска вечного здоровья
Биоценоз в фарме: зачем нужна альтернатива антибиотикам и как работают лекарства нового поколения
Тренды
Чарльз Адлер, co-founder Kickstarter: я — панк-рокер, который раздвигает границы
Кейсы
Как ИИ меняет медицину: личный помощник для врачей, маршрутизатор в клиниках и разработчик лекарств
Кейсы
Эдвин Диндер, Huawei Technologies: умный город — это ничто
Мнения
«Если изобретение с ИИ не приносит пользу, сам продукт никому не нужен»
Мнения
Feature engineering: шесть шагов для создания успешной модели машинного обучения
Тренды
Мнения
Человек — это набор из пяти чисел: Игорь Волжанин, DataSine — о психотипировании с помощью big data
Карло Ратти, Senseable City Laboratory (MIT) — о городах будущего, третьей коже человека и роболодках
Тренды
Мы все — сенсоры: CEO SQream Ами Галь — о том, как обрабатывают big data
Кейсы
Что такое скрапинг: как Amazon, Walmart и другие ритейлеры используют ботов в борьбе с конкурентами
Идеи
Почему китайские подлодки-беспилотники станут самым опасным врагом под водой?
Идеи
Филипп Роуд, LSE Cities: самый кошмарный сценарий — беспилотники, ездящие по городу, чтобы не платить за парковку
Мнения
Юрий Корженевский — о том, как построить безопасные системы для банков на блокчейне
Блокчейн
Иннополис
Russian Robot Olympiad: как дети строят роботов и решают реальные инженерные проблемы
MyGenetics: ДНК-тесты, помогающие «взломать» организм, как компьютер
Тренды
Trade-to-Mine: как биржи привлекают трейдеров в условиях падения рынка
Блокчейн
Дмитрий Фадин, 3D Bioprinting Solutions — о будущем биопринтинга и печати органов в космосе
Мнения
IoT изменит все: какие умные технологии принесут бизнесу экономию, безопасность и инновации
Тренды
Как высокие технологии побуждают нас покупать билеты и туристические услуги
Тренды