4
人工智能在服裝行業(yè)的落地
識別圖像標簽首先需要制定專業(yè)的標簽體系，這就需要與行業(yè)結合。知衣科技標簽體系通過跟很多設計師的交流，并結合行業(yè)內(nèi)的標準以及比較成熟的標簽體系，制定出的一套標簽體系能夠識別超過500個不同的標簽。
同時，打標也非常重要，機器學習需要通過訓練數(shù)據(jù)提升準確度。深度學習第一次受到大家關注是通過imagenet，imagenet和之前的圖像分類數(shù)據(jù)集相比最大的特點就是數(shù)據(jù)量大，百萬量級的訓練數(shù)據(jù)集才能讓深度學習的算法能夠達到比較好的效果。
對于服裝類的數(shù)據(jù)來講也是類似的訓練過程。首先需要有大量精準的訓練數(shù)據(jù)，在長期的數(shù)據(jù)積累過程中知衣科技積累了超過1000萬的訓練數(shù)據(jù)，所有訓練數(shù)據(jù)完全由專業(yè)的設計師團隊來進行打標，有一套非常嚴格的質量控制體系能夠讓標簽識別準確率達到一個比較高的水平。
知衣科技與國內(nèi)所有能夠提供API服務的企業(yè)做過一些對標，在服裝標簽識別準確率上，知衣的圖像識別系統(tǒng)至少能高出十個點，客戶在使用后會感到非常明顯的差異。之所以會有這樣的明顯的效果改進，是因為知衣科技一方面針對服裝有專門的模型結構，因為標簽體系很大，可以用多分支結構去訓練模型，達到相互促進的效果；另一方面利用高質量的標簽數(shù)據(jù)來更好地訓練模型，而不是簡單從imagenet上finetuning，因為這樣訓練出來的模型可遷移性比較差，而服裝有街拍、擺拍、掛拍等等，各種各樣不同的數(shù)據(jù)分布相差非常多。
服裝設計師是一群非常挑剔的人，當你的模型只有70% 或者甚至有60% 的準確度的時候，對他們來講幾乎是不可用的，只有85% 到90% 的準確度才在他們?nèi)萑谭秶鷥?nèi)。正確率的水平?jīng)Q定系統(tǒng)到底可用不可用，人臉識別只有80% 的準確率是完全沒有辦法商業(yè)化的，當準確率達到99% 的時候才有可能用到安防、支付等系統(tǒng)。
服裝行業(yè)也是類似的，當識別準確率或者標簽專業(yè)度都達不到要求的時候，系統(tǒng)肯定是不可用的狀態(tài)。當識別準確率能夠達到一定的水準之后，設計師才會逐步地去接受這樣的工具。
除了標簽識別之外，知衣科技也會做一些圖像搜索相關的工作。推薦和搜索是最高效的兩種信息獲取方式。除了標簽搜索之外，以圖搜圖的這種方式也是必要的。為什么這么久以圖搜圖仍然沒有可用的系統(tǒng)？兩個方面的原因，第一就是數(shù)據(jù)庫的大小，算法做的再好，數(shù)據(jù)庫不夠全，就找不到相似的東西。因此，知衣科技的第一步就是搜集海量的服飾類相關數(shù)據(jù)庫，解決基礎數(shù)據(jù)的問題。
第二個問題是，搜出來東西到底是背景相似還是其他方面相似？很多人說以圖搜圖很簡單，imagenet pretrained model，再去做特征提取和比較就可以了。但這樣做出來的搜索結果完全不能夠符合設計師的要求，設計師也不知道為什么會給他推薦不是他想要的結果。
知衣科技的圖片搜索系統(tǒng)完全基于服裝設計師對「相似」的理解，就是設計師是怎么去理解領形相似、顏色相似、風格相似、面料相似的。這些都是相似點，這些相似點都跟標簽體系相關，在識別這些標簽的過程中，提取出針對服裝相似的一些特征，判斷出哪兩款服裝相似，從而應用到服裝設計師的日常工作當中。
以下幾張圖都是知衣科技圖像識別系統(tǒng)的簡單demo。第一張圖是紋理，有些企業(yè)有比較大的花型數(shù)據(jù)庫，設計師設計的時候會尋找?guī)熘杏袥]有現(xiàn)成的稿件。目前知衣科技和國內(nèi)一些比較大型的面料廠商有相關的合作案例。
第二張圖展示的是款式搜索。大家可以看到搜出來的東西比較「神似」，一模一樣的款式對設計師來講沒有太大幫助，他們想要的是相似但又不相同的款式，這樣才會對他們的工作有幫助。
第三張圖是知衣科技識圖部分的簡單demo，一張圖平均下來可以識別大概10到15個不同的標簽，包括各種各樣的細節(jié)和設計點。經(jīng)過專業(yè)設計師的檢測，識別出來的準確率基本上能夠達到90% 左右。
下面這張圖展示的是2D和3D不同維度的識別。比如2D用于扣圖以及面料顏色的識別，把膚色部分區(qū)域去除，識別出來的顏色會更加的精準。右邊的是3D的效果展示，可以看到紅色的底色被扣掉，但是紋理和面料還留存在上面，這樣方便設計師換紋理或者換面料，能夠幫助設計師節(jié)省打版和開版的成本。
在擁有技術能力和數(shù)據(jù)收集能力的背景下，能怎樣去幫助設計師的業(yè)務？首先全維度數(shù)據(jù)，通過AI的算法能夠識別出來服裝上的設計點，在擁有這些設計點之后就能夠統(tǒng)計分析出時尚流行趨勢的變化規(guī)律，比如highlight一些設計點，通過哪些設計點下降哪些設計點上升，知道今年什么樣的款式更流行，什么款式?jīng)]有那么流行。
當設計師在設計的時候可以參考這些流行元素。當設計師沒有靈感的時候，可以去看看應該設計什么樣的款式會更加符合市場的需求，有靈感的時候也可以通過數(shù)據(jù)來驗證。比如覺得今年紅色流行，但數(shù)據(jù)顯示紅色下降了，顯示黃色流行，可以看一下到底紅色的款式和黃色款式都有哪些。以這種方式幫助設計師把握趨勢，更好地進行風控，產(chǎn)生二次思考從而避免一些問題。
除了可以在渠道數(shù)據(jù)上進行從趨勢到款式開發(fā)的鏈路，還可以通過以圖搜圖、智能試衣這樣一些工具，幫助設計師提高效率。根據(jù)用戶的行為習慣，個性化推薦圖片或者博主，支持按類目以及自然語言的搜索，這樣設計師找款的時候會更加方便。
通過對電商數(shù)據(jù)的收集、整理和分析，能夠幫助客戶更快地找到現(xiàn)在市場上的爆款，如何定價、如何定顏色，SKU怎么分布，不同的顏色比例，不同品類該怎么樣來規(guī)劃。同樣通過對歷史數(shù)據(jù)的分析能夠讓設計師清楚地了解到市場情況，比如去年雙11流行什么元素，去年6月流行什么款式，從而幫助設計師在做設計的時候不會設計出太偏離市場需求的款式。知衣科技的產(chǎn)品能夠通過一些具象的數(shù)據(jù)分析，幫助設計師或者商品部門更好地把握商品規(guī)劃。
上面是知衣科技的合作案例，幫助服裝從業(yè)者的單人監(jiān)控店鋪數(shù)量從最初10家增加到200家，款式上線周期從三周縮短到一周，開發(fā)款式數(shù)量從每個月50款增加到近每月200款。
隨著直播的興起，上新節(jié)奏越來越快。傳統(tǒng)的服裝品牌每年要上新3000到5000款，而現(xiàn)在很多直播網(wǎng)店一個月就要播2000款以上。新的服裝商業(yè)模式對款式數(shù)量的需求越來越大，對開款效率的要求也越來越高，通過數(shù)據(jù)分析工具能夠幫助設計師在保證開款質量的同時，提高開款效率，進而提升整個企業(yè)的運作效率。
知衣科技也能幫助服裝企業(yè)提升制作商品企劃的效率，大部分服裝企業(yè)都要規(guī)劃今年做什么產(chǎn)品，特別是線下服裝企業(yè)，都是反季開款，提前半年做規(guī)劃。怎樣規(guī)劃半年之后應該開多少連衣裙、襯衣、牛仔褲？怎么樣把握比例？通過數(shù)據(jù)分析工具，服裝企業(yè)不僅能知道自己的情況，還能了解競爭對手甚至整個行業(yè)是什么樣的情況。這對企業(yè)的商品企劃有巨大的指導作用，幫助商品企劃制作時間從三個月縮短到兩個月，另外設計師通過知衣科技的分析工具還能夠提升10% 的款式選中率，開款質量能夠得到更好的保證。
趨勢分析和智能試衣這樣的一些工具，能夠提高設計師工作效率并且降低成本，例如智能試衣工具能夠降低服裝企業(yè)的打樣成本，當設計師覺得某一款版型還不錯，而面料或者紋理需要更換時，只需通過智能試衣工具在線上即可實現(xiàn)。
目前很多知名服裝品牌或頂級淘寶店商家都與知衣科技有著深入的合作。之所以能夠在相對比較短的時間內(nèi)獲得數(shù)百家客戶青睞，是因為知衣科技的數(shù)據(jù)和技術能力不僅是被設計師認可的，而且被證明是能夠在服裝行業(yè)成功落地應用的。
在人工智能技術落地過程中最核心的思路是發(fā)現(xiàn)問題，比如要思考行業(yè)或者具體場景中有哪里需要得到提升，技術在提升過程中能夠起到什么樣的作用，需要什么樣的技術來做支撐。找到這樣的需求的時候，再去把這個需求實現(xiàn)出來，這樣才能真正幫助客戶創(chuàng)造價值、節(jié)省成本以及創(chuàng)造利潤，這才是技術能夠落地的比較好的場景。
來源: 微信公眾號：IT桔子
共2頁 上一頁 [1] [2]
關注公號：redshcom 關注更多: 服裝
