Соответствие проблем и технологий: не все проблемы можно решить с помощью машинного обучения. По крайней мере, сейчас.

Даже если машинное обучение является глубоко прорывной технологией, которая в конечном итоге повлияет на каждую отрасль, для ее процветания и полного раскрытия своего потенциала все же требуются определенные условия.

Как мы часто упоминали, в Scalia мы твердо верим, что единственный способ конкурировать в пространстве ИИ — это использовать вертикальный подход, то есть сосредоточиться на одной очень конкретной проблеме и применить к ней эффект сети данных, чтобы создать надежную защиту.

Эффект сети передачи данных представляет собой довольно простой двухэтапный механизм:

  • Шаг 1. Вам просто нужно создать простой продукт, обеспечивающий ценность с помощью базового ИИ.
  • Шаг 2. Вы включаете цикл обратной связи, чтобы использование улучшало ваши модели.

По сути, ваши пользователи тренируют ваши алгоритмы, создавая благотворный круг. Это отличная техника для того, чтобы обойти конкурентов. Если вы хотите узнать больше об этой концепции, я бы посоветовал прочитать эту запись в блоге Zetta Ventures или послушать этот подкаст a16z.

В течение четырех лет я создавал с нуля интернет-магазины, и каждый раз меня поражало, насколько неэффективным было управление данными о продуктах. Весь процесс, от сбора данных до запуска продукта, был невероятно ручным и повторяющимся. Не только мы совершали одни и те же действия — классификацию, стандартизацию, контроль и т. д. — снова и снова, но и наши конкуренты и партнеры.

Когда я встретил Матиаса в начале 2016 года, он как раз возвращался из Стэнфордской лаборатории, где работал над алгоритмами машинного обучения. Нам не потребовалось много времени, чтобы понять, что моя проблема и его решение идеально подходят друг другу. Вот 3 основные причины почему:

  • В розничной торговле относительно легко найти наборы исторических данных для обучения алгоритмов машинного обучения. Мы решили сосредоточиться на индустрии образа жизни, так как у нее короткие циклы продаж, вчерашние данные мало чего стоят, плюс они не содержат конфиденциальной информации.
  • Управление данными о продукте — очень повторяющаяся и узкая задача, поэтому обратную связь легко зафиксировать.
  • Результат достаточно прост, чтобы его могли использовать все игроки. Все согласны с тем, что «FR» на этикетке страны означает «Франция», что «RL» на этикетке бренда означает «Ralph Lauren», а «рубиновое платье» — красное.

В Scalia каждый раз, когда пользователь сопоставляет атрибуты в файле импорта, классифицирует листинг или стандартизирует необработанные значения, мы фиксируем эту точку данных. Автоматически он подпитывает наш алгоритм, делая наши предложения в следующий раз более точными.

Мы уже видели или читали о десятках способов применения машинного обучения или любой другой глубокой технологии, и мы по-прежнему убеждены, что этот самый умный, поскольку мы строим ров, делая наш продукт умнее.

Scalia — это SaaS-платформа, которая помогает брендам стиля жизни и моды делиться данными о своих продуктах с ритейлерами и другими деловыми партнерами. Благодаря алгоритмам машинного обучения мы консолидируем и стандартизируем данные о продуктах, чтобы каждый мог получить к ним доступ в нужном ему формате, обеспечивая гибкость, контроль и согласованность для всей экосистемы.