stitch fix что это
Коробка счастья. Как сервис доставки одежды обошел по инновационности Apple
В конце февраля бизнес-издание Fast Company опубликовало ежегодный рейтинг инновационных компаний. Пятое место в нем занял сервис доставки одежды по подписке Stitch Fix, который обогнал сразу несколько крупных технологических компаний. В частности, Alibaba Group смогла добраться только до 15-го места, а Apple — до 17-го.
Пользователь Stitch Fix ежемесячно получает коробку с пятью предметами одежды и аксессуарами, которые могут ему понравиться, что не подошло — отправляет обратно. Как в компании обучают искусственный интеллект понимать клиентов и делать их коробки персонализированными? Чтобы подобрать для подписчика вещи в первый раз, сервис использует данные, которые предоставляет сам пользователь: компания просит заполнить большую анкету, прикрепить тематические подборки в Pinterest и письмо с личными пожеланиями. Эти данные загружаются в «мозг» компании, который обрабатывает информацию и передает результаты стилистам. В фешен-стартапе работает около 4000 модных экспертов, и большинство из них удаленно из разных городов и по собственному графику. Но так как коробки с предметами гардероба, которые в компании называют Fixes, они собирают вместе, — искусственный интеллект помогает им не повторяться и отказываться от вещей, похожих на те, что когда-то не понравились покупателю. «Мозг» предоставляет стилистам всю собранную информацию о размерах, предпочтениях, отзывах и даже отношении к необычным вещам. В общем, идеальное сочетание работы искусственного интеллекта и человека.
Stitch Fix не первый и далеко не единственный сервис подбора и доставки одежды по подписке. «E-commerce в сегменте моды развивалась по принципу «чем больше, тем лучше», — рассказывает основательница стартапа Easysize Гульназ Хусаинова, вошедшая в 2018 году в американский список Forbes самых перспективных предпринимателей Европы до 30 лет. В итоге онлайн-магазины заполнили свои страницы товаром настолько, что покупателю стало сложно найти свою вещь среди тысяч. Поэтому создание сервисов, которые избавляют потребителя от мук выбора и персонализируют предложение, — логичное развитие и следующая ступень развития онлайн-ретейла. И пользователи это уже оценили: по данным издания The Guardian, с 2014 года количество посетителей онлайн-ретейлеров по подписке выросло на 800%.
В Европе существует около 50 подобных сервисов, почти все они — небольшие стартапы, которые работают с аудиторией не больше 5000 в месяц. Причина в капиталоемкости подобного бизнеса, считает Хусаинова, ведь чтобы создавать уникальные стили, у компании должен быть огромный ассортимент, который к тому же нужно уметь оптимизировать. Самые крупные игроки на европейском рынке — Modomoto, Outfittery и Thread. Интересно, что все они ориентированы только на мужчин. В Modomoto заявляют, что их сервисом пользуются более 250 000 парней, а Threads — около миллиона. Ориентация на мужчин оправдана, считает Хусаинова, потому что подобрать одежду для них легче, чем для женщин: у них меньше стилей и категорий одежды. Есть свои собственные сервисы по подбору вещей и у некоторых классических онлайн-магазинов и торговых центров, ведь они приносят дополнительную прибыль. Например, немецкий ретейлер Zolando создал сервис Zalon, который собирает для покупателей заветные персонализированные коробки.
Но коробки Stitch Fix особенные — за ними стоит армия стилистов и мощный искусственный интеллект. «Data science, — говорит основательница компании Катрина Лейк, — не вплетена в нашу корпоративную культуру, это и есть наша культура».
Компания вообще началась с создания алгоритма вокруг клиентов и их потребностей в 2011 году. Сейчас у Stitch Fix более 100 профессионалов в области Data science, большинство из которых доктора наук в таких сферах, как математика, статистика или аэрофизика. «Что на всей Земле может заставить парня работать в компании по подбору одежды?» — удивлялся астрофизик Крис Муди, который до того, как присоединиться Stitch Fix в 2015 году, работал с суперкомпьютерами, симулирующими столкновение галактик.
Именно он спустя три года придумал Style Shuffle — что-то вроде аналога Tinder для пользователей приложения Stitch Fix. Эта разработка не просто обучает алгоритм лучше понимать и определять стиль каждого из клиентов, но и стимулирует потребителей возвращаться к приложению, потому что вызывает привыкание листать и лайкать понравившиеся вещи. По данным компании, около 75% из 2,9 млн ее клиентов пользуются этой функцией. Спустя несколько лет работы Муди изменил свое мнение. «Проблемы, которые мы здесь решаем, — признает он теперь, — чрезвычайно интересные». Есть у сервиса еще один удивительный алгоритм, который помогает компании выигрывать в битве за потребителя — его назвали «Скрытый стиль» (latent style). При создании «вещевого Tinder» в компании обнаружили, что клиентов можно классифицировать по стилям и предлагать похожие вещи. Например, алгоритм способен просчитать, что девушке, которой нравятся воланы, скорее всего понравится и юбка с цветочным принтом.
Предприниматель поневоле
Основательница компании Катрина Лейк признавалась, что вовсе не собиралась создавать собственную компанию. Она хотела лишь присоединиться к одному из уже существующих стартапов, но встретившись с сотней предпринимателей, не нашла подходящего партнера. Чтобы получить новые знания и лучше оценить риски, она поступила в Гарвардскую школу бизнеса. «Я использовала два года учебы, чтобы спланировать и запустить свою компанию», — писала она в Harvard Business Review. Далеко не все были в восторге от ее идеи: один из преподавателей даже назвал ее «инвентарным кошмаром», ведь по замыслу все товары, которые она хотела предоставлять покупателям, должны быть в собственности компании.
Во-первых, это было действительно рискованно; во-вторых, именно из-за необходимости обладать большим количеством вещей многие похожие европейские сервисы не смогли вырасти в крупные компании. Но идея Лейк заключалась в том, чтобы покупать только правильные вещи, которые максимально будут подходить ее клиентам. А значит, основой компании должны быть технологии Data science. «Если бы я слушала каждого инвестора, которому не нравилась моя идея, — делилась Лейк в интервью Forbes, — каждого руководителя крупной ретейл-компании, который считал ее плохой, я бы не была здесь».
В итоге первую «стильную коробку» она отправила из своей квартиры в апреле 2011 года — за месяц до выпуска из бизнес-школы. Лейк признавалась, что ее первый «искусственный интеллект» был элементарным: она использовала знакомые ей статистические методы в SurveyMonkey и Google Docs. В 2012 году Stitch Fix заманила в свои сети Эрика Колсона из Netflix, который до этого консультировал компанию. «Однажды в Netflix, — вспоминает он, — кто-то предложил показывать пользователю видео, которое ему может понравиться, при открытии приложения». Идея была интересной, но слишком рискованной даже для Netflix, гиганта в сфере Data science. А вот для компании, созданной Лейк, в самый раз. Ведь именно от качества и количества алгоритмов, используемых в Stitch Fix, зависит ее выручка.
Чтобы собирать идеальные коробки для своих подписчиков, Stitch Fix не только сотрудничает более чем с 1000 марок одежды, но и использует вещи, выпущенные под собственным брендом. Потому что выверенные технологии и алгоритмы позволяют компании предугадывать тренды. В 2017 году из вещей собственного бренда Stitch Fix собиралось около 20% коробок. Но становиться отдельным модным домом компания, по словам Лейк, не собирается.
А вот публичной уже стала. Спустя шесть лет после старта Stitch Fix вышла на IPO, сделав 34-летнюю Лейк самым молодым основателем в истории, выведшим свою компанию на биржу. Начало торгов она отмечала не только в компании коллег: поддержать ее пришел супруг, а годовалого сына, обнимающего плюшевого кота, Лейк держала на руках. «Я не из тех, на кого смотрят и говорят: «О, когда-нибудь она станет CEO», — шутила она.
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.
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.
Stitch Fix: как искусственный интеллект помогает модному бизнесу
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. Harvard Business Review разбирает, как новые технологии и искусственный интеллект меняют бизнес на примере компании Stitch Fix.
Stitch Fix открыла 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:
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.
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.
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.