Las expectativas del consumidor son más alto que nunca como una nueva generación de compradores busque comprar experiencias en lugar de productos básicos. Esperan un servicio al cliente inst antáneo y altamente personalizado (¿juego de palabras?) Y recomendaciones en cualquier canal minorista.
Para ser progresistas, las marcas y los minoristas están recurriendo a nuevas empresas en reconocimiento de imágenes y aprendizaje automático para saber, a un nivel muy profundo, cuál es el contexto actual y las preferencias personales de cada consumidor y cómo evolucionan. Pero mientras que las marcas y los minoristas se basan en enormes cantidades de datos, solo un puñado lo está aprovechando 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 buscando en el sitio web un vestido vanguardista y la marca puede reconocer el contexto y la preferencia del comprador en otras características como estilo, ajuste, ocasión, color, etc., luego use esta información implícitamente mientras busca 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 usando imágenes en lugar de búsqueda de texto. Esto acortaría el tiempo de descubrimiento de productos y ayudaría a la marca a construir una experiencia hiperpersonalizada que el cliente recompensa con lealtad.
Con la gran cantidad de productos que se venden en línea, los compradores descubren principalmente productos a través de la navegación por categorías o por búsqueda. Sin embargo, las inconsistencias en los metadatos de los productos creados por vendedores o comerciantes conducen a un mal recuerdo de los productos y a experiencias de búsqueda rotas. Aquí es donde el reconocimiento de imágenes y el aprendizaje automático pueden analizar profundamente 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 aumento de las redes neuronales profundas. Las técnicas de visión tradicionales sentaron las bases para aprender los bordes, las esquinas, los colores y los objetos de las imágenes de entrada, pero requirió la ingeniería humana de las características que se deben observar en las imágenes. Además, a los algoritmos tradicionales les resultaba difícil hacer frente a los cambios en la iluminación, el punto de vista, la escala, la calidad de la imagen, etc.
El aprendizaje profundo, por otro lado, toma datos de entrenamiento masivos y más potencia de cálculo y ofrece 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 de hoy, ya que permiten abordar y resolver problemas más complejos con una mayor precisión y un ajuste menos engorroso.