要點：
Glisten是一家新的創業公司，通過使用計算機視覺技術，可以在任何照片中瞭解並列出產品最重要的方面。
Glisten的系統模型最初主要是針對時裝，但有了正確的訓練數據以後，它可以應用到很多其他類別。
令人驚訝的是，在當今時代搜索新衣服的最佳方法是點擊幾個多選按鈕，然後滾動瀏覽無休止的圖片。你為什麼不能搜索和看到“綠色圖案低圓領的連衣裙”呢？Glisten是一家新的創業公司，通過使用計算機視覺技術，可以在任何照片中瞭解並列出產品最重要的方面。
現在，你可能認為這在之前就已經存在了。然而從某種意義上說是有幫助的，但無濟於事。聯合創始人Sarah Wooders在麻省理工學院(MIT)從事自己的時裝搜索項目時遇到了這一問題。
她說：“我之前在網上購物時效率很低，搜索了V領短款上衣，結果只有兩件商品。但是當我滾動查看時，大約有20個左右。我意識到事物的標記方式非常不一致。如果在消費者看到搜索結果時發現了問題，那麼後端的情況可能更糟。”
事實證明，計算機視覺系統已經被訓練得非常有效地識別各種圖像的特徵，從識別狗的品種到識別面部表情。當涉及到時裝和其他相對複雜的商品時，它們會做同樣的事情：查看圖片並生成一系列具有相應可信度的功能。
對於給定的圖片，它將產生一種標籤列表，如下圖所示：
可以想象，這實際上非常有用。但這也有很多不足之處。除了它們出現在此圖像中這一點之外，系統並不能真正理解“栗色”和“袖子”的真正含義。如果你問系統這件襯衫是什麼顏色的，它根本不知道，除非你手動從列表中排序，然後說這兩個是顏色，這些是款式，這些是款式的變化等等。
對於一張圖片來說，這樣做並不難，但是一家服裝零售商可能會擁有數千種服裝，每款服裝都有十幾張圖片，每週都會有新圖片出現。你是否想成為將標籤複製和粘貼到已排序字段中的實習生？不想，其他人也不想這樣。Glisten解決了這個問題，它使計算機視覺引擎更能感知上下文，其輸出也更為有效。
還是剛才的圖片，Glisten的系統可能對此進行了優化處理：
Wooders說：“我們的API的反應實際上是，領口是這個，顏色是這個，圖案是這個。”
這類結構化數據可以更容易地插入到數據庫中，有信心讓顧客進行商品查詢。用戶（不一定是目標消費者，Wooders之後解釋道）可以混搭，因為他們知道說到長袖的時候，系統實際上是在查看衣服的袖子，並確定它們是否足夠長。
該系統以不斷增長的大約1100萬張商品圖片和商品詳情頁為基礎進行訓練，系統通過自然語言處理對其進行解析，以找出所指的是什麼。這提供了重要的上下文線索，可以防止模型認為“正式”是一種顏色或“可愛”是一種場合。但你應該正確地意識到，這並不只是僅僅插入數據並讓網絡來解決它那麼容易。
這看起來是一個理想化的版本：
Wooders承認，但認為這並非是一個無法克服的難題。她說：“時尚術語中有很多模稜兩可的地方，這肯定是個問題。當我們為客戶提供輸出時，我們給每個屬性打了分。因此，如果它是模糊的，無論是圓領還是低領，如果算法正確運行，它將在兩個方面都增加很多權重。如果不確定，它會給出一個較低的信心得分。我們的模型是根據人們如何標記事物而訓練的，所以你可以得到人們觀點的平均值作為參考。”
該模型最初主要是針對時裝，但有了正確的訓練數據以後，它可以應用到很多其他類別（同樣的算法可以找到汽車和化妝品等的定義特徵）。下圖是關於如何尋找一個洗髮水瓶的例子（這時候就不是衣服了，而是瓶子的體積，所適用的頭髮類型以及對羥基苯甲酸酯的含量）。
儘管消費者可能會及時看到Glisten技術的好處，但該公司發現，它的客戶實際上離銷售點只有兩步之遙。
Wooders解釋說：“隨著時間的流逝，我們意識到我們要找的客戶是那種感到混亂和虛假的商品數據痛點的客戶，那些主要是與零售商合作的科技公司。我們的第一個客戶實際上是一個價格優化公司，另一個是數字營銷公司。這些都超出了我們認為的應用範圍。”
如果你仔細想想，這是有道理的。你對產品的瞭解越多，與消費者行為和趨勢等相關的數據就越多。夏天的連衣裙又快上市了，但是知道帶有藍色和綠色花卉設計的七分袖款式是更好賣的。
甚至在下週Y Combinator的demo day（美國當地時間3月16日）舉辦之前，該公司就已經有了五位數的月度經常性收入，他們的銷售流程僅限於向他們認為有用的人進行個人推廣。Wooders說：“過去幾周的銷量非常驚人。”
很快，Glisten可能會為許多在線商品搜索引擎提供支持，儘管在理想情況下你甚至都不會注意到（幸運的是，您將更輕鬆地找到所需的內容）。
問題來了，我們的電商平臺什麼時候可以優化呢？
END
閱讀更多 DanielTECH 的文章
