关键字: [symposium, AIGC, Ai赋能服装行业, 生成式Ai模型, 商品设计优化, 智能商品拍摄, 个性化商品推荐]

本文字数: 3500, 阅读完需: 18 分钟

导读

在这次演讲中,曹海潮先生分享了禾观科技如何利用AI技术赋能服装行业,实现降本增效。他介绍了服装上新的整个流程,以及在每个环节中应用AI技术的具体做法,包括利用多模态大模型进行趋势分析、自研AI设计模型生成服装线稿图、AI商拍模型实现无限量模特扩充等。通过AI赋能,禾观科技提高了设计师工作效率30%,每年可节省约2000万元成本,并能更快响应市场需求。他还分享了禾观科技基于亚马逊云科技云服务构建的AIGC服务系统架构,以及在AI落地过程中的一些经验总结。

演讲精华

以下是小编为您整理的本次演讲的精华，共3200字，阅读时间大约是16分钟。

下午好,我是禾观科技AIGC的产品负责人曹海潮。今天,我将与各位分享禾观是如何借助人工智能(AI)来赋能服装行业,实现降本增效的目的。首先,让我简单介绍一下我们公司的情况。

我们公司是一家于2018年在杭州成立的跨境快时尚品牌。我们借助了国内供应链的出海红利,以及公司特有的商品模式,赢得了东南亚18至24岁年轻消费者的追捧。通过整合国内供应链资源,我们为消费者提供了高性价比的优质女性商品,从而快速攻占了东南亚市场。

接下来,我想简单分享一下对服装行业的了解。在服装行业,上新的整个链路过程可以概括如下:首先,买手需要基于数据来分析流行趋势的动态,包括热销服装的颜色、花纹或面料等等。然后,买手还需要基于目标消费群体以及当前流行趋势的走向,来制定具体的商品企划。

在拿到企划报告后,下一步就是产品设计环节。到了这一步,设计师就会根据详细的企划去做具象化的细节设计。这时,设计师需要确定这款热销衣服的花纹、工艺、领型或剪裁等细节。接着,设计师还需要继续跟进样衣的研发,直至产生最终的工艺单,包括布料材质。拿到工艺单后,才是大家比较熟知的,将其交给工厂进行生产。工厂生产完成后,我们公司拿到成衣,需要预约模特实拍,进行上新上架。这时在我们的App上才能看到新款服装产品。

这就是我们现有阶段常规的服装上新整个链路流程。我们可以看到,这个上新流程是非常长的。它首先要经过买手,其次要到设计师,这两步就会占据很大时间。特别是如果一个月要上线很多款或上千款服装的情况下,买手和设计师这两步就会花费巨大时间,影响后续供应链上下游的协作。第二个问题就是成本比较高。可直观理解的一点就是我们预约外模特,它的周期和费用都是比较高的。所以简单理解就是整个周期长且成本高。

那针对这个行业痛点,如果说我们判断一个AI技术能不能赋能于某个业务,它有两个准则:第一个就是我们这个AI技术所能够带来的商业价值。第二个就是我们这个AI的技术可行性能不能解决我们的业务问题。如果我们这个商业价值和技术可行性的交集,那就是我们要找的这个业务能够落地的应用场景。当AI技术的可行性越大,并且商业价值越大时,我们所能够应用的场景也就越大。那么我们能够获得的AI赋能的收益,或者说提效或降本的程度也就越大。

我们就是基于这两个判断准则,禾观做了哪些事情,也就是在AI赋能之前做了哪些准备工作。我总结了三点:首先就是我们需要挖掘出AI能够产生的商业价值有哪些,并且做出整体规划,做出组织调整和协同,从而迈出AI赋能与业务的第一步。不管任何事情,第一步总是最重要的,万事开头难。

然后第二步就是在布局好挖掘好价值后,我们就可以开始梳理AI所驱动的业务流程了,探索出AI应用的切入口。进入切入口后,我们才能去做具体的AI解决方案以及技术路线的预研。同时这里我们也与亚马逊云科技进行了业务共创,利用亚马逊云科技的计算集群为我们线上服务提供支持。

最后就是找到最小切入口后,我们要评估具体的AI解决方案,调研和预研出可行的技术路线。把技术路线都走好后,最重要的一点就是要量化出提效的指标。因为最终不管AI赋能后的结果是什么样,我要知道带来的价值有多大,提高了多少效率,降低了多少成本。这个可能是我们高层比较关注的,所以我们一定要拿到这个指标,可以说这是我们的KPI。

那然后这里我就说一下目前针对我们公司来说,它面临的几点挑战:首先第一个就是服装行业出现了一个现状,就是一个品牌的趋势分析、设计到选款,这个时间是比较长的。这样就会导致在供应链上下游的协同上会有压力。因为目前现有流程会涉及到买手、设计师、工厂,然后再涉及到最终的业务实拍上新。它流程比较长,而且每一步都要靠人工去积累,时间确实比较长。如果前两段买手和设计师的时间花费比较大,那势必会压缩到上新或工厂生产的时间,所以会有协同压力。

第二点就是我们这个产品的标签,整个链路还没有打通。因为买手、设计师到最后的业务,他们对一个商品的属性可能有不同见解。如果到最后我们App上一个消费者搜一个他喜欢的款式,那可能推荐的东西就不是他想要的,就会导致商品推荐或曝光不够准确,从而影响点击率或最终的转化。那最后就是我们最重要的这个拍摄上新的时效,就是说会要求会越来越高。那么具体一点就是说,比如拿我们禾观举个例子,今年上半年我们最高一个月就要求能够要上新4,000多款新款的商品。

那这个如果说还按照我们刚才我说的那种原有的上行方式的话,那么就会有个问题,我就要堆量,我就需要更多的买手,我可能需要几十上百个买手,我可能需要上百个这个设计师,我可能需要预约更多的外部,才能完成一个月上新几千款这样的一个目的。那通过这种方式,通过这个堆人力的方式,这种解决方法的话,大家可以想象它是不具备可持续性的,就是说它不仅成本比较高,同时它也存在很大的风险。那最直观的一点就是说你比如说预约外模,那这个外模它是很难预约的,你每次都要预约,如果说它这个月刚好没有档期,但是这个事情岂不是要完蛋了?

所以说面对这些挑战,我感觉就是说以我们公司,我下面就是说继续说一下,详细说一下我们公司是怎样来解决上述我说的这些挑战的。然后这里大家可以看到,我们几乎是对服装上新的一个整个流程,我们都做了一些AI的赋能。大家可以看到我们左边这个,这里有个对比图,可以看到我们真人模特和这个,我们右侧是我们通过我们换脸这个技术得到了一个欧美AI模特。可以看到我们这个AI模特的话,它是符合我们的业务要求的,它的意思是什么呢?就是我们生成的这个AI模特,它要是美的,它要是自然的,它要是真实的,那这个是我们上新的一个最低的要求。

好了,说到这里就是让大家有感官认识说我们在做件什么事情,怎么样做的一个降本增效的一个东西。然后我们再具体展开说一下,我们是怎样具体用AI来赋能整个流程的整个链路的。

对,稍等一下,那首先第一步就是这个,我们这个买手,他做这个趋势分析报告的时候,他的这个时间是比较长的,如果说量比较大,那么一个买手或者若干5买手,他的工作量是非常大的,因为他要读很多报告,产生很多结构化的数据。那首先这里我们就使用目前我们的多模态大模型进行一些趋势的一个分析和理解,然后就产生我们所需要的结构化数据。你比如说一个热销衣服的它的一个风格或者说各个设计点,我们要得到这些数据。那我们拿到这些数据之后,我们再利用我们自研的这个AI设计模型,然后根据我们第一步得到的这个热销的风格设计点来生成我们设计师所需要的这个热销服装的线稿图。那这里我可以说一个数据,就是根据我们公司自己的现有的数据估计出我们这个AI赋能的话,它可以至少提高设计师30%的一个工作效率,那这个是我们公司实际的一个数值,得到了一个数值。

那之后在买手和设计师做完之后,我们可能而经过工厂之后,我们拿到这个成衣了,工厂生产出来样衣之后,我们就利用我们AI商拍模型,在全职模特的这个基础上进行无限量的模特扩充。然后这样就可以很大程度上减少,就是说降低我们这个上拍的一个成本,同时来,并且能够很大程度上提高我们的上行的一个时效。那这里我为什么强调使用的是全职的素人模特,那是因为这样它就可以解摆脱,或者说就是说减弱对外模的一个约束,因为我们自研的这个AI商派模型,它是就是说它是基于对素人进行,就是我可以我具备对素人模特进行换脸换头,全身替换或者说场景定制,我可以具备这些能力。那我有这些能力之后,那这样自然而然我就可以提高我这个上因时效,然后这样我们就可以从之前预约外摩上新15天的时间降低到基于次数摩侧三天的时间我就可以完成一款上新,那同时我们这个成本也是有所降低的,因为从外摩到我们国内的素人模特可以就是说这不管是商拍还是这个时效,我们预计每年可以节省差不多2,000万的一个成本运营成本。

那最后就是我们基于我们AI上拍系统所产出的这个海量的模特以及海量的这种场景作为我们的一个基础,或者说作为我们这个底层的数据库,然后利用我们这个千人千面的一个个性化的个商品图,个性化推荐策略来提升我们上一线商品的一个点击率,并且能够帮助我们的业务快速的扩展一个新兴市场。

那个这个就是我们主要的一个解决方案了。那这里我就简单介绍一下我们公司我们AIGC服务系统的一个架构,那这个架构它是基于亚马逊云科技的基础设施来构建的,并且我们也深度集成了这个ECS和CinemaMachine这样的一个云服务。那其中就包括了我们模型训练平台,所就是说打通了这个CDMaker它的一个自动化训练任务,同时我们也基于这个任务驱动的ECS这个弹性推理机制来降低我们那个业务成本,同时来提高我们的业务灵活性。那这个是这里我就不细说啦,就大致就是我刚才说的意思,就是我们现在所使用的这个AIGC服务系统的一个整体架构。

那最后我还想和大家分享一下,就是可能对大家有可能会具有一定的纪念意义的一些一些总结,就是母这个AIGC技术在我们禾观落地的这些成果,我这边总结了3点,可能对大家有些纪念意义。

那首先第一点就是这个AI模型,它是它就是我们自研的,不管是我们修改的,微调的,还是我们自己训练,从头开始训练这个模型,它们怎么能够更好的服务于我们的业务呢?然后通过我们的调研以及我们对业务的一些使用习惯的了解,就是说我们会将我们开发的这个模型,AI模型就是说通过插件的方式给它集成到业务经常使用的工具里面。我举个例子,就是说业务可能经常会就是美工或者说那个设计师,他经常使用的一款产工具就是PS,大家可能都知道。那如果说我们把我们设计的这种AI换脸或者AI换脸型,或者AI全身替换,或者说换场景,这个功能集成到PS里面去,那么我们就可以达到什么样的目的?就是我既不改变使用者业务使用者他的一个操作习惯的同时,我给你增加了新的功能,那这样的话肯定是提高它的效率的。

除此之外,我们也会有一个反馈机制,就是说如果说你使用了我们这个新增的功能,它的效果好,你点个满意好,那我们就我们后台就能够记录我这个生成结果,是业务认同的,是业务满意的结果。那如果说你点的不满意,那我们这就是我们的反面案例,那我们基于这个反面案例会进行定期的模型迭代,那个这样的话就会形成一个滚动式的正向的一个趋势,那从而来不断地去提高我们这个业务的一个工作效率。

那这一点我觉得是具有,不管是我这里是只是基于我们禾观来说是我们是做什么换脸,或者说换背景或全身替换,如果说其他公司会有其他自研的模型的话,我觉得也可以考虑这种方式,那这样的话是肯定是可以提高效率的,它不会影响原有你的使用习惯,只是说在你使用习惯的基础上给你增加一些新的功能。

那第二个就是我们根据这个实际的AI应用,我们观察到就是说现有的模型它还是存在一些问题或者瑕疵的,所以说我们还是需要一些风控或者备用方案。你比如说现在我们自研的这个AI上牌系统,我们对于生成的结果,它是因为它是基于生成,是生成式AI,只要是生成它就会存在一些就是说不可控的情况,那这个时候如果说你生成结果它涉及不当内容,或者说它换成了一个敏感人物的一个头像,那这个时候就是不允许的。

所以说我们需要是要有一个风控来把这些敏感的东西给它屏蔽掉。那其次就是我们对生存结果还要有做出一个就是说问题的一个备用方案,就是说如果说比如说现在我说,就是说我们生成方向的话,有一个最大的难点,可能对一些AI模型比较理解的同行们可能比较知道,就是说生成图像的话,对于特别是对人的生成,他的手或者是脚就是说不是那么可控,有时候会出现一些畸形,比如会5个手指会变成6个,手指或者脚的话会变成奇形怪状的,这种东西它会存在一定的概率。

所以说这个时候我们要进行一个备用方案,比如说最简单的就是人工修复,或者说你更智能一点的话,我们训练一个手脚修复的模型来做一些后处理的保障,那这个是可以说是一个现状,就是说我觉得目前可以说是我们要这样做的一个保底的一个措施。

那最后就是可能是我们公司在工程上的一个特点或特色,因为我们公司这个底层的推理的服务的一个主要是基于云服务来构建的,所以我们为了提供提升我们这个服务的它的一个稳定性或者它的一个健壮性,我们就基于这个云服务定制的一个操作系统。这个系统就包括了我们对云服务进行的一个集群化的管理,并且我们为了提高这个效率或者说降低成本,我们做了一个节点微服务的一个拆分,就是说每个节点它只做一件事,你本来你就做采样,或者说你这个就做推理,我们这样的话我们就不会重复的加载这些模型,不会重复的加载,那自然而言我们的推理效率又会变高,它的推理时间就会降低。

对,那以上就是我们禾观在这个AI和服装行业上的一些应用和思考,以及我们AIGC在赋能过程中的一些经验和总结就是,如果大家对这方面有感兴趣的话,也欢迎线下进行一些沟通和交流,谢谢大家!

总结

亚马逊云科技AI赋能服装行业,实现降本增效的探索之路。禾观科技通过自研AI模型,赋能服装上新整个链路,从买手趋势分析、设计师线稿生成,到商品拍摄上新,再到个性化推荐,全面提升效率,缩短周期,降低成本。他们与亚马逊云科技深度合作,构建了高效稳定的AIGC服务系统,充分利用云计算能力。在实践中,禾观总结了三点经验:一是将AI模型集成到业务工具中,提高使用体验;二是建立风控和兜底机制,确保生成结果可控;三是基于Conda UI定制操作系统,提升服务稳定性和推理效率。禾观的实践展现了AI赋能传统行业的巨大潜力,为行业数字化转型提供了宝贵经验。

亚马逊云科技（Amazon Web Services）是全球云计算的开创者和引领者。提供200多类广泛而深入的云服务，服务全球245个国家和地区的数百万客户。亚马逊云科技致力于成为企业构建和应用生成式AI的首选，通过生成式AI技术栈，提供用于模型训练和推理的基础设施服务、构建生成式AI应用的大模型等工具、以及开箱即用的生成式AI应用。深耕本地、链接全球 – 在中国，亚马逊云科技通过安全、稳定、可信赖的云服务，助力中国企业加速数字化转型和创新，并深度参与全球化市场。