La inteligencia artificial ha comenzado a infiltrarse en diversas industrias, y la moda no es la excepción. Julie Bornstein, con una trayectoria impresionante en el comercio digital, soñó con crear una plataforma que utilizara IA para ayudar a los clientes a encontrar las prendas perfectas. Sin embargo, la realidad ha demostrado ser mucho más complicada de lo que había anticipado.
En una reciente conversación con Bornstein y su CTO, Maria Belousova, se revelaron los desafíos que conlleva traducir la complejidad de la moda en un formato comprensible para los algoritmos de IA.
Aunque Daydream ha conseguido asegurar una financiación de 50 millones de dólares, el camino hacia la implementación efectiva de su visión ha sido arduo.
El desafío de interpretar la demanda del cliente
El enfoque inicial de Daydream era sencillo en teoría: conectar a los consumidores con las prendas que deseaban a través de un sistema de IA. No obstante, la realidad es que cumplir con solicitudes como “necesito un vestido para una boda en París” implica una serie de complejidades.
¿Eres la novia, la madre de la novia o una invitada? ¿Qué nivel de formalidad se requiere? ¿Qué estilo quieres proyectar?
La complejidad de la comunicación
Estas preguntas son solo la punta del iceberg. La IA a menudo tiene dificultades para captar el contexto completo de las solicitudes, lo que puede llevar a resultados inesperados. Por ejemplo, un usuario que se describa como “un rectángulo” que desea lucir como un “reloj de arena” podría recibir recomendaciones inadecuadas, como vestidos con patrones geométricos.
Este tipo de *errores de interpretación* se deben a la inconsistencia en la forma en que los diferentes modelos de IA comprenden las consultas.
A medida que la plataforma se desarrollaba, Bornstein se dio cuenta de que era crucial mejorar el equipo técnico y retrasar el lanzamiento de la aplicación, inicialmente programado para el otoño de. En diciembre de, la contratación de Belousova, ex-CTO de Grubhub, marcó un cambio significativo en la dirección del proyecto.
La fusión de vocabularios entre clientes y comerciantes
Una de las áreas más desafiantes que Daydream enfrenta es la necesidad de alinear el vocabulario utilizado por los consumidores con el de los comerciantes. Mientras que los comerciantes tienden a categorizar productos en función de atributos como color y estilo, los clientes suelen describir sus necesidades de manera más contextual y personal. Esta divergencia en la comunicación puede complicar la búsqueda de productos adecuados.
Visualización y comprensión de productos
Para superar estas barreras, Daydream no solo se basa en el análisis del lenguaje, sino que también utiliza modelos visuales para entender mejor los productos. Si un cliente menciona un color específico o muestra un accesorio que planea usar, la IA puede hacer conexiones más efectivas. Este enfoque ha llevado a la plataforma a mejorar su capacidad de respuesta, aunque todavía enfrenta desafíos en su fase beta.
Por ejemplo, aunque la plataforma ha mejorado, un intento de solicitar pantalones de esmoquin negros resultó en recomendaciones de pantalones deportivos beige. Estos contratiempos son parte del proceso de aprendizaje, y Bornstein está convencida de que la persistencia y la reestructuración del equipo están llevando a resultados más satisfactorios.
Lecciones de otros emprendimientos de IA
Bornstein no es la única en enfrentar problemas similares. Meghan Joyce, CEO de Duckbill, también ha lidiado con la adaptación de la IA en su servicio de asistencia personal. Según ella, los modelos de IA se mostraron a menudo sobreconfidentes, llevando a situaciones confusas donde la IA afirmaba haber completado tareas que en realidad no había ejecutado.
Las experiencias compartidas por estos líderes de startups revelan que, aunque hay una gran promesa en el uso de la inteligencia artificial, los caminos hacia el éxito están llenos de obstáculos y requieren ajustes constantes. La anticipación de una rápida adopción de la IA en la industria podría ser ilusoria, y muchos ejecutivos ahora piensan que el verdadero impacto se verá en un futuro cercano, tal vez en 2026 o 2027.
