Sowmiya Chocka Narayanan Colaborador
Sowmiya Chocka Narayanan es cofundadora y CTO de lirio IA, una plataforma de inteligencia artificial líder que ayuda a las marcas y los minoristas a comprender el contexto emocional de cada cliente. Antes de unirse a Lily AI, Sowmiya ayudó a construir Box y trabajó en numerosos proyectos en Yahoo! y juegos de bolsillo.
Las expectativas de los consumidores son más altas que nunca debido a una nueva generación de compradores busca comprar experiencias en lugar de productos básicos. Esperan un servicio de atención al cliente instantáneo y altamente personalizado (¿juego de palabras?) y recomendaciones en cualquier canal minorista.
Para mirar hacia el futuro, las marcas y los minoristas recurren a las empresas emergentes en reconocimiento de imágenes y aprendizaje automático para conocer, a un nivel muy profundo, cuál es el contexto actual y las preferencias personales de cada consumidor y cómo evolucionan. Pero si bien las marcas y los minoristas cuentan con enormes cantidades de datos, solo unos pocos los aprovechan en todo su potencial.
Para proporcionar hiperpersonalización en tiempo real, una marca necesita una comprensión profunda de sus productos y datos de clientes. Imagine un caso en el que un comprador está navegando por el sitio web en busca de un vestido vanguardista y la marca puede reconocer el contexto y la preferencia del comprador en otras características como el estilo, el ajuste, la ocasión, el color, etc., y luego usar esta información implícitamente mientras obtiene vestidos similares para el usuario. .
Otra situación es cuando el comprador busca ropa inspirada en sus bloggers de moda favoritos o personas influyentes de Instagram utilizando imágenes en lugar de búsqueda de texto. Esto acortaría el tiempo de descubrimiento del producto y ayudaría a la marca a construir una experiencia hiperpersonalizada que el cliente luego recompensa con lealtad.
Con la gran cantidad de productos que se venden en línea, los compradores descubren productos principalmente a través de categorías o navegación basada en búsquedas. Sin embargo, las incoherencias en los metadatos de los productos creados por los proveedores o comerciantes provocan un recuerdo deficiente de los productos y experiencias de búsqueda interrumpidas. Aquí es donde el reconocimiento de imágenes y el aprendizaje automático pueden analizar en profundidad enormes conjuntos de datos y una gran variedad de características visuales que existen en un producto para extraer automáticamente etiquetas de las imágenes del producto y mejorar la precisión de los resultados de búsqueda.
¿Por qué el reconocimiento de imágenes es mejor que nunca?
Si bien la visión por computadora ha existido durante décadas, recientemente se ha vuelto más poderosa, gracias al auge de las redes neuronales profundas. Las técnicas de visión tradicionales sentaron las bases para el aprendizaje de bordes, esquinas, colores y objetos a partir de imágenes de entrada, pero requerían ingeniería humana de las características que se observarían en las imágenes. Además, a los algoritmos tradicionales les resultaba difícil hacer frente a los cambios de iluminación, punto de vista, escala, calidad de imagen, etc.
El aprendizaje profundo, por otro lado, toma datos de entrenamiento masivos y más poder de cómputo y brinda la potencia para extraer características de conjuntos de datos no estructurados y aprender sin intervención humana. Inspirado en la estructura biológica del cerebro humano, el aprendizaje profundo utiliza redes neuronales para analizar patrones y encontrar correlaciones en datos no estructurados como imágenes, audio, video y texto. Los DNN están en el corazón del resurgimiento de la IA actual, ya que permiten abordar y resolver problemas más complejos con mayor precisión y ajustes menos engorrosos.
¿Cuántos datos de entrenamiento necesitas?
Source link