часть 1      часть 2      часть 3

Всем знакома ситуация, когда надо срочно приобрести наряд для мероприятия или подобрать дополнения к уже имеющимся в гардеробе вещам. Приходится мучительно долго ходить по магазинам или пролистывать десятки каталогов онлайн-ритейлеров. Группа молодых талантливых белорусских разработчиков создала виртуального стилиста, способного решить все проблемы с новым гардеробом. Продолжаем разговор с сооснователем проекта Кириллом Сидорчуком и разработчиком технологии Владиславом Каминским об их инновационном продукте Oyper.

– Расскажите, пожалуйста, как работает ваша технология.

В.К. Наша технология – это нейросеть. Все происходит следующим образом: мы пропускаем каталог продавца через нейросеть, она распределяет каждую вещь по категориям (например, «пиджаки»), а также по целой массе атрибутов – цвет, материал, фасон и т. п. После того как все эти критерии обработаны, ритейлеру дается доступ ко всем данным и он может показывать пользователю результаты. То есть мы даем документацию с описанием того, как это все может быть применимо на стороне клиента. К примеру, пользователь кликает на какую-то вещь, мы предоставляем ему выборку вещей, очень похожих на нее. Ему предлагается документация по тому, какой запрос нужно сделать, какие параметры набрать, чтобы получить похожую вещь или подобрать подходящие из каталогов ритейлера. По сути, под каждого клиента мы предоставляем отдельный сервер и документацию о том, что с этим сервером можно делать. При этом мы обеспечиваем программную часть, а техническая часть – задача облачных серверов.

Клиент может выбрать любое из пяти наших решений или предложить свое. Мы предоставляем следующие решения:

1) поиск по картинке или фото;

2) подбор похожих вещей при отсутствии выбранного товара на складе (при этом у нас наиболее точные результаты из всех существующих на сегодняшний день решений);

3) моментальное получение подробной, детальной информации о товаре по фотографии вещи, что на сегодняшний день является достаточно острой проблемой для агрегаторов, которым разные ритейлеры предоставляют неунифицированное описание каждого товара, из-за чего приходится корректировать эту информацию вручную;

4) подбор к каждой вещи, выбранной покупателем, других предметов гардероба, подходящих по стилю, цвету, размеру и т. п. Также существует возможность загрузить в личный кабинет фото вещей из своего шкафа, после чего будет предложен набор подходящих к ним по стилю предметов, которые можно заказать на сайте;

5) создание готовых образов, персонализированных под каждого клиента. Это самая сложная функция, над которой мы постоянно работаем. Клиенту нужно выбрать повод, на который нужен готовый образ, и задать ценовой диапазон. Нейросеть начинает генерировать из доступных по каталогу ритейлера вещей стильные образы, которые с большой вероятностью понравятся клиенту.

К.С. Все наши решения основаны на многолетних исследованиях, проводившихся на западном рынке и касающихся того, как искусственный интеллект и похожие решения влияют на рост продаж, на размер среднего чека, на жизненный цикл покупателя. И все эти исследования однозначно утверждают, что использование на сайте технологий, основанных на искусственном интеллекте, обеспечивает рост конверсии до 12%. Отдельные исследования проводились по проблеме отсутствия товара на складе, когда человек находит вещь, хочет ее купить, а в наличии ее нет. Более 25% покупателей уйдут с сайта и бросят свои корзины с другими покупками, если столкнутся с проблемой отсутствия понравившегося товара в наличии. Кроме того, более чем в 60% случаев такая ситуация приведет к тому, что покупатель выберет другой бренд или онлайн-магазин для последующих покупок. Наличие функционала «Похожие товары», когда к выбранной вещи предлагаются все похожие, увеличивает конверсию на странице на 100%, по сравнению с той страницей, где такого сервиса нет. Размер среднего чека с таким функционалом увеличивается на 14%. Это все живая статистика, и исследований по этим темам очень много. Что касается фотографирования понравившейся вещи и поиска похожих на нее товаров, то здесь проводились исследования для компании Amazon, которые привели к выводу, что 66% покупок в сфере fashion e-commerce импульсивны и этот инструмент должен стать основным для совершения таких импульсивных покупок.

– То есть на Западе уже существуют похожие решения?

К.С. В настоящее время многие большие игроки рынка fashion e-commerce по всему миру внедряют у себя визуальные поисковые движки. Но существуют вопросы условий, на которых они предоставляются, и вопросы точности. Точность – это четкое определение категорий, когда распознается, например, что брюки – это брюки, а не спортивные штаны. У каждого своя точность. Какое-то время назад мы решили создать такое решение, которое позволит обогнать конкурентов. Мы провели исследования на своих покупателях и поняли, что люди ленятся делать фотографии и загружать их в кабинет, они хотят, чтобы они появлялись там сразу. Поэтому мы создали приложение, которое называем Camera API, с элементами дополненной реальности, что позволяет просто навести камеру телефона на вещь или на человека в одежде, после чего вещь сразу же распознается и предлагается к покупке на том сайте, к которому этот функционал привязан. Данное решение может внедряться в мобильные приложения наших клиентов, я имею в виду большие магазины. То есть мы поставляем эту технологию для мобильных приложений, и аналогов этому решению на сегодняшний день в мире нет. Есть решения Google, Huawei, Samsung, которые позволяют навести камеру телефона на любой товар, будь то стол или стул, и эти товары предлагается купить на Amazon или Walmart. Мы первые, кто разрабатывает решения, которые будут встраиваться именно в приложения ритейлеров.

– Как мне кажется, процесс распознавания товара нередко затрудняется качеством фотографий, существующих в онлайн-магазинах. Далеко не у всех решена проблема адекватной визуальной представленности товара.

В.К. Да, с этой проблемой мы сталкиваемся. Точность нейросети снижается при сложных фонах, но все решения, о которых мы говорим, основаны на одной платформе, на одной модели, на одной технологии. И когда мы добиваемся в наших тестах какого-то улучшения, оно сразу распространяется на все пять кейсов, которые мы описали выше. То есть все одновременно переходит на новую ступень и становится качественно лучше.

Беседовала Наталья Кулагина

Продолжение следует

Фото: предоставлены разработчиками