De Shopify, recientemente le dijo a sus empleados en un memorando interno: “Antes de pedir más personal y recursos, los equipos deben demostrar por qué no pueden obtener lo que quieren hacer usando IA”.
Habiendo trabajado en nuevas empresas durante los últimos 6 años, pedir más personal o más recursos generalmente no es una opción de todos modos. Las restricciones son ajustadas y generalmente debe invertir rigurosamente en proyectos en los que confía será impactante. Entonces, en estas situaciones, Tobi probablemente se reformularía: “Aprovecha y simplemente use AI si puede”.
Como científico de datos, quiero entender cómo nuestro trabajo está evolucionando con IA. Los ejecutivos de tecnología claramente esperan que cada equipo sea más eficiente y más creativo. Pero, ¿puede un modelo de parámetros multimillonarios, aunque ha leído todo Internet, ser sistemáticamente útil para resolver sus propios problemas? Para abordar esta pregunta, propongo el siguiente marco: déjame pasar por todos los proyectos en los que he trabajado desde el comienzo de mi carrera y evaluar cuánto AI habría ayudado.
Hoy, volvemos a 2020. Soy un científico de datos junior en una compañía que la pandemia ha sido golpeada por la pandemia: alquilar la pista.
De qué se trataba el proyecto
Rent the Runway se lanzó en 2009. La compañía experimentó un rápido crecimiento de 2016 a 2020, después de presentar su producto más popular: una suscripción mensual “ilimitada” a la moda, también conocida como “Closet in the Cloud”, lo que le permite alquilar una gran cantidad de ropa de alta gama a un precio inmejorable. El producto fue un éxito para todas las mujeres que querían usar algo nuevo en el trabajo, salidas nocturnas, fiestas, eventos especiales, etc. Así que obviamente, cuando Covid comenzó en marzo de 2020, y todos dejaron de salir durante semanas … bueno, mató un poco el ambiente.
El “Netflix of Fashion” (sí, algunas personas realmente usaron ese apodo) terminó con una cantidad loca de inventario no utilizado, una temporada completa de artículos que solo tendrán que “sentarse” en un almacén y, por supuesto, una gran disminución de los ingresos. Era urgente encontrar un nuevo flujo de ingresos para sobrevivir financieramente. No es el momento adecuado para solicitar más recursos o personal, ya que un tercio de la fuerza laboral fue suspendida.
Aquí vino una idea brillante: ¿qué pasaría si estuviéramos tratando de volver al negocio minorista? Es decir, vender artículos como segunda mano en lugar de alquilarlos. Pero aquí estaba la gran pregunta: a medida que el bloqueo terminará algún día y la gente volverá a alquilar, ¿qué artículos debemos mantener por ahora vs. Vender por un descuento? ¿Y cuánto debería ser este descuento?
La solución 2020
El objetivo del proyecto es obtener para cada producto el precio óptimo, ese será el saldo correcto entre alquilar y vender. Puede obtener el precio óptimo P como el precio que maximizará lo siguiente:
Lo cual es fácil de encontrar … suponiendo que conozca los ingresos futuros de alquiler (el “alquiler de alquiler” en esta ecuación) y la elasticidad del precio (las probabilidades en esta ecuación).
A principios de 2020, ya estaba trabajando en la economía de la unidad RTR y el pronóstico de ingresos. Estaba construyendo un modelo para predecir, según un historial de alquiler de artículos, cuántas veces más podría alquilar y qué ingresos adicionales generaría.
La pieza faltante estaba teniendo una idea de la elasticidad de fijación de precios, es decir, respondiendo a la pregunta: dado un precio para un artículo, ¿cuál sería la probabilidad de venderlo? Para saber más sobre este modelo, te redirigiría a esto muy detallado y bien escrito artículo del blog Por mi compañero de equipo Meghan Solari.
Es importante tener en cuenta que se deben aplicar algunas limitaciones comerciales para asegurarse de que no venderíamos un estilo completo y conservaríamos algunas unidades para alquileres.
Cómo la IA podría haber ayudado
Este proyecto está cerca de un problema clásico de demanda y oferta, con el giro de los ingresos minoristas de alquiler frente a minoristas que lo hacen un poco más interesante. Pero encontrar la ecuación que da el precio óptimo no es el principal desafío. El principal desafío es cómo estimar cada parámetro dados los datos insuficientes.
De hecho, predecir la demanda futura es difícil: solo tiene unos pocos meses de historia (en el mejor de los casos) para cada estilo, y necesita predecir un horizonte grande (básicamente hasta el final de la vida). Los cambios rápidos en las tendencias de la moda requieren una comprensión profunda de la industria a predecir, si es predecible. Y la incertidumbre creada por el período Covid Early hizo que los modelos de series de tiempo fueran muy difíciles de construir.
Estimar la elasticidad de los precios no es más fácil. Como Rent the Runway no era un negocio minorista, los datos de ventas fueron por diseño limitado.
Y ahí es exactamente donde vendría el desafío para cualquier solución impulsada por la IA. Una IA solo puede ser tan buena como los datos que se proporcionan.
Resolver los datos de nivel de estilo escaso
Aunque cada estilo tiene un historial limitado, hay una gran cantidad de información en artículos similares. Este es un caso de uso principal para el aprendizaje de transferencia y los incrustaciones compartidas que podrían haberse hecho más fáciles con el acceso a LLM previamente capacitados. Los incrustaciones de nivel de estilo compartido podrían habernos permitido hacer suposiciones sólidas en los nuevos estilos basados en metadatos: color, marca, precio, tela, silueta … podríamos tener modelos de mayor eficacia que aprenden cómo predecir curvas de demanda desde algunos puntos de datos, extraídos de patrones en elementos históricamente similares. Una empresa como Punto de puntada ha sido pionero en este espacio mediante el uso de metadatos de elementos para crear integraciones profundas que se generalizan en un nuevo inventario.
Mantenerse al día con el ciclo rápido de la moda
LLMS podría haber hecho que sea más fácil seguir y comprender las tendencias de la moda en constante cambio y trabajar en señales externas para predecir posibles cambios en toda la industria. Eso no era algo fácil en 2020, porque requiere desechar cantidades masivas de datos, descubrir qué es relevante e interpretar señales débiles. Hoy, eso es exactamente en lo que los LLM son buenos. Compañías como Tendencia Haga exactamente eso, escaneando a Tiktok, Google Trends y las redes sociales para superficie de los patrones emergentes en siluetas, colores o publicaciones de influencers. Esos datos habrían sido extremadamente valiosos para hacer un pronóstico de demanda preciso.
Construyendo un agente de precios dinámico
Una última cosa que podría haber sido divertida de explorar, dada la tecnología actual, es construir un agente que hubiera modificado los precios en tiempo real y aprendido, a través del aprendizaje de refuerzo, las estrategias de precios óptimas al interactuar con el medio ambiente. Eso podría habernos permitido asegurarnos de que los precios dependan de la demanda histórica y futura del estilo, pero también de las características del cliente, es decir, el historial de alquiler y compra personal, el compromiso, el gusto, etc. que podrían habernos acercado a los principales equipos de RL en Airbnb o Uber, ajustando continuamente los precios en función de la demanda en tiempo real y la probabilidad de reserva.
Estas son algunas de las ideas en las que yo mismo habría estado muy emocionado de trabajar, pero tenga en cuenta dos cosas importantes:
1. Desde la perspectiva del producto, es realmente difícil estimar (especialmente ahora que ya no tengo acceso a los datos) cuál habría sido el impacto en los ingresos generales.
2. Estas ideas también podrían haberse construido internamente en 2020, dado el gran equipo de ingenieros de ML que teníamos en Rent the Runway. Pero habría representado meses, si no años, de investigación y desarrollo con altos riesgos, que no podríamos pagar en ese momento.
Y esa es probablemente mi conclusión principal hasta ahora en LLM: no trivializan los problemas que usamos para golpear nuestras cabezas a los 5 años (o aún no), pero facilitan la prueba de ideas que habrían tomado un tiempo poco realista para desarrollarse en los días. Esto cambia el paradigma en el que los equipos de datos generalmente operan y abre nuevas oportunidades de asociación con los equipos de productos.
Artículo 100% escrito