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%.
«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.
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.