想想你上次受到启发尝试新造型是什么时候——从你在 Instagram 上看到的可爱扎染上衣，到最新一期《Vogue》中穿着高级定制礼服的名人。后来，当试图想出最好的词来描述这个造型时，你发现你不是诗人。您很难找到合适的词来解释领口的形状或圆点图案的间距，当您尝试基于文本的搜索时，结果与您追求的趋势相去甚远。在今天的 re： MARS 2019 大会上，亚马逊宣布了一项解决这个问题的功能。介绍 StyleSnapStyleSnap 是一项人工智能驱动的功能，可帮助您购物 - 您需要做的就是拍摄您喜欢的外观的照片或屏幕截图。Consumer Worldwide 首席执行官 Jeff Wilke 在 re： MARS 主题演讲中宣布了该功能，他说：“客户体验的简单性掩盖了其背后技术的复杂性。首先，您所要做的就是单击亚马逊应用程序右上角的相机图标，然后选择“StyleSnap”选项;然后只需上传您喜欢的时尚造型的照片或屏幕截图。StyleSnap 将为您提供亚马逊上与照片中外观相匹配的类似商品的推荐。在提供推荐时，StyleSnap 会考虑多种因素，例如品牌、价格范围和客户评论。幕后创新虽然 StyleSnap 为客户提供了无缝体验，但构建此功能并非易事。生活方式图片和影响者的帖子是不可预测的，姿势与地点一样多样——从有影响力的人在室内咖啡馆享用羊角面包，到名人在阳光明媚的海滩上在遮阳伞下享用莫吉托。StyleSnap 使用计算机视觉和深度学习来识别照片中的服装物品，无论环境如何。深度学习技术还有助于将图像中的服装商品分类为“合身连衣裙”或“法兰绒衬衫”等类别。深度学习为时尚发现提供动力深度学习是指一类基于人工神经网络的机器学习技术，其灵感来自人脑的工作。神经网络由数百万个相互连接的人工神经元组成，可以通过向神经元提供一系列图像来“训练”以检测服装图像。例如，如果我们向网络提供数千张长裙和手风琴裙的图像，它最终将能够区分这两种款式之间的区别。然而，如果我们用一件苏格兰短裙来呈现它，它可能会感到困惑并预测一个不正确的类别，直到提供足够的示例来训练它。为了让神经网络识别更多数量的类，我们可以将更多数量的层堆叠在一起。前几层通常学习边缘和颜色等概念，而中间层则识别“花卉”或“牛仔布”等图案。在通过所有图层后，该算法可以准确识别图像中的合身性和服装风格等概念。然而，我们必须更进一步——前馈神经网络在添加一定数量的层后会停滞并最终退化。这被称为梯度消失问题，即来自训练数据的信号在层之间分布得如此之多，以至于完全丢失。亚马逊使用残差网络来克服这个问题，因为他们使用快捷方式允许训练信号跳过网络中的某些层。这有助于网络首先学习“边缘”和“模式”等基本特征，然后关注复杂的概念。亚马逊研究人员开发的一种独特方法使网络能够学习新概念，同时记住过去学到的东西——这对于使 StyleSnap 能够有效地处理大量数据至关重要。影响者参与虽然 StyleSnap 允许客户通过简单地截取他们喜欢的造型来发现鼓舞人心的时尚发现，但它也可以帮助时尚影响者扩大他们的社区。此外，参与亚马逊影响者计划的时尚影响者也有资格获得他们激发的购买佣金。与在亚马逊在线商店、Amazon Go 或 Whole Foods 购物类似，StyleSnap 是亚马逊如何利用人工智能改变客户生活的最新例子。
