Data Konferences - KSchool 2018

Transcript

1. Big data in Fashion Casos de uso en StyleSage Javier Ordóñez | @fjordonz Alicia Pérez | @alipeji
2. StyleSage Fashion meets Big Data
3. Disclaimer No venimos a vender nuestro producto
8. Áreas de análisis
9. 2 casos de uso Taxonomías estándar Análisis de colores
10. 1. Taxonomías estándar
13. 12.328 productos
14. 12.328 productos
15. 12.328 productos 7.829 productos
16. 12.328 productos 7.829 productos 291K productos 37 países
17. +500 retailers + 1M por semana + 50K marcas 12.328 productos + 400M productos 7.829 productos 291K productos 37 países
18. Datos no estructurados
19. Datos no estructurados
20. … a datos estructurados
21. Chaquetas Zapatos Dresses ? ? ? Taxonomía y aprendizaje automático
22. Pasos en el aprendizaje 1 . Entrenamiento • Datos = • Etiquetas = {Color, Categoría, Tipo de cuellos, etc} 2. Predicción Asignar una etiqueta a un nuevo ejemplo nunca visto Categoría = Jacket Color = Denim Longitud = Cropped
23. Clasificador basado en imágenes
24. 24 www.analyticsindiamag.com • Función de transformación mediante operaciones no lineales, divididas en capas, las cuales controlan el flujo de información. • Aprende corrigiendo sus propios errores mediante una señal supervisora. Perceptrón multicapa
25. Predicción de imágenes p0 = 0.02 p1 = 0.005 p2 = 0.01 p3 = 0.005 p4 = 0.01 p5 = 0.01 p6 = 0.015 p7 = 0.01 p8 = 0.91 p9 = 0.005 • Las características o atributos son los píxeles • La señal supervisora es una etiqueta asignada a la imagen
26. Representación de imágenes
27. “Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations”. H Lee et. al • El sistema aprende automáticamente patrones bidimensionales que representan campos receptivos. Extracción de características
28. Aprendizaje de características • Inicialización aleatoria de los parámetros. • Convergencia gracias a métodos de optimización. • Los parámetros se van moviendo hacia un punto que minimice el error del sistema.
29. Deep neural networks
30. Predicción de imágenes Características relevantes identificadas Predicción de etiqueta Red neuronal profunda Preprocesamiento Procesamiento Salida probabilidad
31. 0.90 dress 0.08 t-shirt 0.02 jacket Deep neural networks
32. Category: Dress Extracción de atributos
33. Category: Dress Print: Floral Extracción de atributos
34. Category: Dress Print: Floral Sleeve: Short Extracción de atributos
35. Category: Dress Print: Floral Sleeve: Short Length: Medium Extracción de atributos
36. Category: Dress Print: Floral Sleeve: Short Length: Medium Neck: Turtle Extracción de atributos
37. Category: Dress Print: Floral Sleeve: Short Length: Medium Neck: Turtle Type: Day Extracción de atributos
38. Category: Dress Print: Floral Sleeve: Short Length: Medium Neck: Turtle Type: Day Ruffles: No Extracción de atributos
39. Category: Dress Print: Floral Sleeve: Short Length: Medium Neck: Turtle Type: Day Ruffles: No Extracción de atributos
40. ¿Cuál es el producto? No siempre es fácil... ¿Chándal o pijama? ¿Producto o detalle?
41. Clasificador basado en texto
42. Representaciones de los datos Predicción de etiqueta Practical sophisticated this season hot trend jacket . . Texto es transformado en vectores Aprendizaje supervisado = Entrenamiento + predicción Diferente tipo de datos de entrada - Mismo tipo de algoritmos Predicción de texto
43. Títulos y descripciones ambiguas o poco concisas Puffer o Bomber Jacket? No siempre es fácil...
44. Formas distintas de llamar al mismo concepto spandex = elastane? Underarmour = Under Armour? XXL = 2XL? Blue = Sky? No siempre es fácil... Títulos y descripciones ambiguas o poco concisas
45. Formas distintas de llamar al mismo concepto Lenguajes inconsistentes y falta de información No siempre es fácil... Títulos y descripciones ambiguas o poco concisas
46. Del producto en la web ...
47. ...al producto en la plataforma
48. ...al producto en la plataforma
49. 2. Análisis de colores
50. “[...] ese azul representa millones de dólares, y muchos puestos de trabajo, y resulta cómico, que creas que elegiste algo que te exime de la industria de la moda, cuando, de hecho, llevas un jersey que fue seleccionado para tí, por personas como nosotros, entre un montón de cosas.”
51. Paso 1: extraer la prenda
52. Paso 1: extraer la prenda
53. Paso 1: extraer la prenda skirt coat boots
54. Paso 2: extraer el color
55. Paso 3: agrupar colores 115, 254, 214 26,76,200 0,176,80 198 192 152
56. CIELAB ΔE* Comisión Internacional de la Iluminación Paso 3: agrupar colores
57. Paso 3: agrupar colores Los k centroides iniciales son generados aleatoriamente k grupos son generados asociando el punto con la media más cercana El centroide de cada uno de los k grupos se recalcula Pasos 2 y 3 se repiten hasta que se logre la convergencia
58. Paso 3: agrupar colores
59. Paso 3: agrupar colores
60. Paso 4: extraer color del texto Diccionario de colores / códigos
61. Análisis de productos por color
62. Análisis de productos por color
63. ¡Demo!
64. Arquitectura de precios
65. Arquitectura de precios
66. Expansión internacional
67. Rueda de color
68. Rueda de color
69. ¡Gracias! ¿Preguntas? javier.ordonez@stylesage.co | Javier Ordóñez | @fjordonz alicia@stylesage.co | Alicia Pérez | @alipeji