Тематическое исследование | Полное руководство по использованию генеративного ИИ в моде

В 2018 году художник по имени Робби Баррат создал целую коллекцию одежды в стиле Balenciaga, используя искусственный интеллект. Баррату пришлось обучать свою собственную ИИ-модель на основе уже существующих образов, которые он собрал сам, и результат был не идеальным. Большая часть снимка получилась смазанной и искаженной. Но этого оказалось достаточно, чтобы привлечь внимание модельера, благодаря чему он получил интервью для Ssense и начал сотрудничество с Acne Studios. Всего несколько лет спустя любой, у кого есть компьютер, сможет создать коллекцию с меньшими затратами труда и более фотореалистичными результатами, чем в предыдущих попытках Баррата, используя новые инструменты генеративного искусственного интеллекта.

Генеративный ИИ, который описывает алгоритмы машинного обучения, способные создавать новый контент, может оказать значительное влияние на модные бренды. Обученные на достаточном количестве примеров, эти алгоритмы распознают лежащие в основе данных закономерности и структуры и создают собственные новые примеры.

Некоторые инструменты, такие как DALL-E 2, Midjourney и Stable Diffusion, могут создавать изображения. Другие, такие как ChatGPT, могут генерировать текст. Третьи, например, Runway, могут создавать видеоролики. Но все они могут создавать свой контент на основе текстовых подсказок, что обещает широкий спектр применений. Несмотря на то, что генеративный искусственный интеллект привлек внимание благодаря потоку созданных пользователями мемов, которые он выпустил в Интернет, например, видео, переосмысливающее фильмы о Гарри Поттере в стиле Balenciaga, его наибольшее влияние может быть оказано на бизнес. Технологические гиганты, такие как Microsoft и Google, стремятся внедрить ИТ в свои основные продукты, в то время как отрасли от здравоохранения до финансов ищут способы использовать ИТ для повышения производительности труда, а волна стартапов создает корпоративные приложения.

По оценкам аналитиков Goldman Sachs, как только генеративный ИИ получит широкое распространение, он может повысить производительность труда в США на 1,5 процентных пункта в год в течение десятилетия, что в конечном итоге увеличит прибыль S&P 500 на 30 и более процентов за этот период. Мода настроена на то, чтобы испытать свой собственный генеративный рост под влиянием искусственного интеллекта.

Хотя индустрия только начинает осваивать потенциал этой технологии, McKinsey &Company оценивает, что в ближайшие три-пять лет она может увеличить операционную прибыль секторов одежды, моды и предметов роскоши на сумму от 150 до 275 миллиардов долларов.

Это уже начинает оказывать влияние на такие сферы, как дизайн, маркетинг и обслуживание клиентов. Поскольку различные звенья цепочки создания стоимости в индустрии моды тестируют и внедряют технологию, в этом тематическом исследовании рассматриваются возможности, проблемы и риски как для брендов, так и для их сотрудников. Однако сфера применения быстро меняется, и весной 2023 года, когда мы проводили наши исследования и интервью, мы разрабатывали варианты использования.

Тем не менее, для моды уже выделены четыре ключевые стратегические области, что позволяет на примере данного исследования продемонстрировать уровень развития дизайна продукции, создания визуального контента, копирайтинга, а также опыта покупок и обслуживания клиентов. Чтобы помочь расширить знания, представленные в этом тематическом исследовании, бренды и розничные продавцы, такие как Revolve, Casablanca Paris, Frame, Snipes, Levi’s и Zalando, поставщики технологий, такие как Salesforce, Amazon и Shopify, другие эксперты, специализирующиеся на ИИ, делятся реальными примерами применения этой новой технологии и тем, чему они научились в процессе.

Искусственный интеллект (ИИ): технология, такая как компьютерная программа, которая имитирует способность человеческого мозга выполнять задачи, обучаться и совершенствоваться с течением времени. Глубокое обучение: форма нейронной сети, включающая более трех уровней узлов.

Эти алгоритмы более эффективны при обработке и понимании неструктурированных данных. Диффузионная модель: тип генерирующей модели, обучаемой путем добавления “шума” к набору обучающих данных и последующего обратного процесса восстановления данных. Она может использовать случайный шум для создания новых данных, повторяя процесс “устранения шума”. Генеративная состязательная сеть (GAN): Тип генеративной модели, способный создавать реалистичные изображения с помощью двух нейронных сетей, генератора и дискриминатора.

Генератор создает новый контент, а дискриминатор пытается определить, настоящий он или поддельный. По мере улучшения каждого из них становится все труднее идентифицировать выходные данные как ложные. Генеративный ИИ: алгоритмы глубокого обучения, которые при наличии достаточного количества примеров чего-либо могут распознавать лежащие в основе данных шаблоны и структуры и создавать новые итерации, включая текст, изображения, видео и многое другое. Машинное обучение (ML): отрасль искусственного интеллекта, в которой используются алгоритмы, способные выявлять закономерности в данных и извлекать из них уроки без явного программирования.

Нейронная сеть: форма ML, использующая набор взаимосвязанных алгоритмов, структурированных на различных уровнях узлов, имитирующих работу человеческого мозга. Трансформатор: Нейронная сеть, которая использует последовательности данных, подобные словам в предложении, для определения взаимосвязей между точками данных, которые могут находиться далеко друг от друга, что позволяет ей понимать контекст и прогнозировать новые последовательности.

Многие языковые модели, такие как GPT-модели OpenAI (GPT расшифровывается как “генеративный предварительно обученный трансформатор”), являются преобразователями, обученными на гигантских объемах данных.