von Shopify sagte kürzlich seinen Mitarbeitern in einem internen Memo: „Bevor sie nach mehr Mitarbeiter und Ressourcen bitten, müssen die Groups nachweisen, warum sie nicht das bekommen können, was sie mit KI erledigen wollen.“
In den letzten 6 Jahren in Startups gearbeitet zu haben, ist sowieso keine Possibility, um mehr Mitarbeiter oder mehr Ressourcen zu bitten. Die Einschränkungen sind eng und Sie müssen im Allgemeinen streng in Projekte investieren, von denen Sie zuversichtlich sind, dass sie wirksam sein werden. In diesen Situationen würde Tobi wahrscheinlich wahrscheinlich umformulieren: „Saugen Sie es auf und verwenden Sie einfach KI, wenn Sie können“.
Als Datenwissenschaftler möchte ich verstehen, wie sich unsere Arbeit mit KI entwickelt. Tech -Führungskräfte erwarten eindeutig, dass jedes Workforce effizienter und kreativer ist. Kann ein milliardenweise Parametermodell, obwohl es das gesamte Web gelesen hat, systematisch hilfreich sein, um Ihre eigenen Probleme zu lösen? Um diese Frage anzugehen, schlage ich den folgenden Rahmen vor: Lassen Sie mich alle Projekte durchgehen, an denen ich seit Beginn meiner Karriere gearbeitet habe, und beurteilen Sie, wie viel KI geholfen hätte.
Heute kehren wir auf 2020 zurück. Ich bin ein Junior -Datenwissenschaftler in einem Unternehmen, das von der Pandemic: Miete the Runway ziemlich schlecht getroffen wurde.
Worum ging es beim Projekt
Hire the Runway wurde 2009 eingeführt. Das Unternehmen verzeichnete von 2016 bis 2020 ein schnelles Wachstum, nachdem er sein beliebtes Produkt eingeführt hatte: ein monatliches „unbegrenztes“ Abonnement für Mode, auch bekannt als „Closet within the Cloud“, sodass Sie eine große Anzahl von Excessive -Finish -Kleidung zu einem unschlagbaren Preis mieten können. Das Produkt battle ein Hit für jede Frau, die regelmäßig etwas Neues bei der Arbeit, Nachtläufe, Partys, besonderen Ereignissen usw. tragen wollte. Als Covid im März 2020 anfing und alle wochenlang aufgehört haben … nun, es hat die Stimmung irgendwie getötet.
Die „Netflix of Style“ (ja, einige Leute haben diesen Spitznamen wirklich benutzt) hatten eine wahnsinnige Menge an nicht verwendeten Inventar, eine ganze Saison von Gegenständen, die nur in einem Lagerhaus „sitzen“ werden müssen, und natürlich einen enormen Umsatzrückgang. Es battle dringend, eine neue Einnahmequelle zu finden, um finanziell zu überleben. Nicht der richtige Zeitpunkt, um nach mehr Ressourcen oder Beseitigung zu fragen, da ein Drittel der Belegschaft entspricht.
Hier kam eine brillante Idee: Was wäre, wenn wir versuchen würden, zum Einzelhandelsgeschäft zurückzukehren? Das heißt, verkauft Artikel als gebrauchte Hand, anstatt sie zu mieten. Aber hier battle die große Frage: Da die Aussperrung eines Tages enden wird und die Leute wieder zur Miete gehen, welche Artikel sollten wir vorerst im Vergleich zu einem Rabatt halten? Und wie viel sollte dieser Rabatt sein?
Die 2020 -Lösung
Das Ziel des Projekts ist es, für jedes Produkt den optimalen Preis zu erhalten, der den richtigen Restbetrag zwischen Mieten und Verkauf ist. Sie können den optimalen Preis P als Preis erhalten, der Folgendes maximiert:
Das ist leicht zu finden… vorausgesetzt, Sie kennen die zukünftigen Mieteinnahmen (das „Mietraum“ in dieser Gleichung) und die Preiselastizität (die Wahrscheinlichkeiten in dieser Gleichung).
Anfang 2020 arbeitete ich bereits an der RTR Unit Economics und Income Prognosen. Ich habe ein Modell aufgebaut, das auf der Grundlage einer Artikelvermietung der Gegenstände vorhersagt wurde, wie oft es mehr Male vermietet werden konnte und welche zusätzlichen Einnahmen es generieren würde.
Das fehlende Stück hatte eine Vorstellung von der Preiselastizität, dh die Beantwortung der Frage: Bei einem Preis für einen Artikel wäre die Wahrscheinlichkeit, sie zu verkaufen? Um mehr über dieses Modell zu erfahren, würde ich Sie zu diesem sehr detaillierten und intestine geschriebenen Umleiten umleiten Weblog -Artikel von meinem Teamkollegen Meghan Solari.
Es ist wichtig zu beachten, dass einige Geschäftsbeschränkungen angewendet werden mussten, um sicherzustellen, dass wir keinen ganzen Stil verkaufen und einige Einheiten für Mietstände behalten.
Wie KI hätte helfen können
Dieses Projekt liegt nahe an einem klassischen Nachfrage- und Angebotsproblem, wobei der Umsatz von Miete und Einzelhandel etwas interessanter wird. Es ist jedoch nicht die größte Herausforderung, die Gleichung zu finden, die den optimalen Preis verleiht. Die Hauptherausforderung besteht darin, jeden Parameter bei unzureichenden Daten zu schätzen.
In der Tat ist die Vorhersage der zukünftigen Nachfrage schwierig: Sie haben nur wenige Monate Geschichte (bestenfalls) für jeden Stil, und Sie müssen einen großen Horizont vorhersagen (im Grunde genommen bis zum Lebensende). Schnelle Veränderungen der Modetrends erfordern ein tiefes Verständnis der Branche, wenn überhaupt vorhersehbar. Und die Unsicherheit, die durch die frühe Covid -Periode geschaffen wurde, machte jede Zeitserie -Modelle sehr schwer zu bauen.
Die Schätzung der Preisgestaltung ist nicht einfacher. Da die Miete die Landebahn kein Einzelhandelsgeschäft battle, stammten die Verkaufsdaten von Design Restricted.
Und genau hier würde die Herausforderung auch für jede KI-gesteuerte Lösung kommen. Eine KI kann nur so intestine sein wie die Daten, die er zur Verfügung stellt.
Lösung für die spärlichen Daten auf Stilebene
Obwohl jeder Stil nur eine begrenzte Geschichte hat, gibt es eine Fülle von Informationen in ähnlichen Elementen. Dies ist ein erstklassiger Anwendungsfall für Transferlernen und gemeinsame Einbettungen, die durch den Zugriff auf vorgebreitete LLMs erleichtert werden können. Einbettungen auf gemeinsamer Stilebene hätten es uns ermöglichen können, starke Annahmen für neue Stile zu treffen, die auf Metadaten basieren: Farbe, Marke, Preis, Stoff, Silhouette… wir hätten effektivere Modelle erstellen können, die lernen, wie man Nachfragekurven aus einigen Datenpunkten vorhersagen und aus Mustern in historisch ähnlichen Elementen abzurufen. Ein Unternehmen wie Stichfix hat diesen Raum Pionierarbeit gemacht, indem sie Ingredient -Metadaten verwendet haben, um tiefe Einbettungen zu erstellen, die über ein neues Inventar hinweg verallgemeinert werden.
Mit einem schnellen Modebadycycy Halten
LLMs hätte es einfacher machen können, sich ständig ändernde Modetrends zu verfolgen und zu verstehen und an externen Signalen zu arbeiten, um potenzielle Veränderungen in der gesamten Branche vorherzusagen. Das battle nicht im Jahr 2020 einfach, da es large Datenabstände abschreibt, herauszufinden, was related ist und schwache Signale interpretiert. Heute ist genau das, was LLMs intestine sind. Unternehmen mögen Trendalytik Tun Sie genau das, um Tiktok, Google -Tendencies und soziale Medien zu scannen, um aufkommende Muster in Silhouetten, Farben oder Influencern -Posts zu ermitteln. Diese Daten wären äußerst wertvoll gewesen, um eine genaue Nachfrageprognose zu machen.
Aufbau eines dynamischen Preisagenten
Eine letzte Sache, die angesichts der heutigen Technologie Spaß daran hätte, einen Agenten aufzubauen, der die Preise in Echtzeit geändert und durch Verstärkungslernen die optimalen Preisstrategien durch die Interaktion mit der Umwelt gelernt hätte. Dies hätte es uns ermöglichen können, sicherzustellen, dass die Preise von der historischen und zukünftigen Nachfrage des Stils abhängen, aber auch von den Kundenfunktionen, dem persönlichen Miet- und Kaufgeschichte, dem Engagement, dem Geschmack usw., die uns näher an die Prime -RL -Groups bei Airbnb oder Uber hätte näher bringen können, die Preise, die auf Echtzeit -Nachfrage basieren, und die Wahrscheinlichkeit der Buchung buchen.
Dies sind einige der Ideen, die ich selbstsüchtig aufgeregt hätte, um daran zu arbeiten, aber beachten Sie zwei wichtige Dinge:
1. Aus Produktperspektive ist es wirklich schwer zu schätzen (insbesondere jetzt, wo ich keinen Zugriff mehr auf die Daten habe), welche Auswirkungen die Auswirkungen auf den Gesamtumsatz hatten.
2. Diese Ideen hätten bereits im Jahr 2020 in der Reged gebaut werden können, da das großartige Workforce von ML-Ingenieuren, die wir auf der Miete The Runway hatten,. Aber es hätte Monate – wenn nicht Jahre – der Forschung und Entwicklung mit hohen Risiken dargestellt, die wir uns zu diesem Zeitpunkt nicht leisten konnten.
Und das ist wahrscheinlich mein bisher Haupt zum Mitnehmen bei LLMs: Sie trivialisieren nicht die Probleme, die wir vor 5 Jahren in unseren Kopf geschlagen haben, aber sie machen es einfacher, Ideen zu testen, die sich in den Tagen unrealistisch lange entwickelt hätten. Dies verändert das Paradigma, in dem Datenteams in der Regel arbeiten und neue Partnerschaftsmöglichkeiten mit Produktteams eröffnen.
Artikel 100% menschlicher geschriebener Mensch