WEBVTT

00:00:00.350 --> 00:00:03.650
Lo que vemos aquí comienza con
una gran cantidad de datos de producto,

00:00:03.683 --> 00:00:04.650
sobre todo imágenes.

00:00:04.650 --> 00:00:07.166
Esta es una colección típica,
una sola colección.

00:00:07.166 --> 00:00:09.050
Y hay muchas a lo largo del año.

00:00:09.050 --> 00:00:13.200
Tomamos todas estas imágenes
y las procesamos con varios modelos de IA

00:00:13.466 --> 00:00:17.716
para extraer cosas sencillas,
como el color de todos estos artículos,

00:00:17.716 --> 00:00:20.716
pero también en mayor detalle:
¿Qué patrones hay?

00:00:20.916 --> 00:00:24.750
¿Qué camisas tienen estampados
y cuáles no?

00:00:24.750 --> 00:00:27.016
Pero aún más importante

00:00:27.016 --> 00:00:29.966
es obtener una comprensión
semántica más profunda:

00:00:29.966 --> 00:00:34.016
¿Qué artículos son adecuados para una boda,
cuáles para una entrevista de trabajo?

00:00:34.016 --> 00:00:36.383
A la izquierda: ¿Qué artículos
son ideales para la playa?

00:00:37.133 --> 00:00:39.150
Y para hacerlo aún más desafiante:

00:00:39.150 --> 00:00:41.216
La moda no trata solo de prendas individuales,

00:00:41.216 --> 00:00:43.800
sino del concepto
completo de un outfit.

00:00:43.800 --> 00:00:48.000
Llevamos varias prendas juntas
y debemos decidir

00:00:48.000 --> 00:00:49.350
qué combina.

00:00:49.350 --> 00:00:53.933
Para esto, también usamos IA
para analizar los propios outfits.

00:00:54.416 --> 00:00:59.266
Tomamos imágenes de modelos
y descomponemos los outfits para entender

00:00:59.266 --> 00:01:02.116
cuáles son las diferentes prendas
y cómo pueden combinarse,

00:01:02.116 --> 00:01:05.483
tanto en términos de composición
como de capas, como vemos aquí.

00:01:05.483 --> 00:01:07.133
¿Qué se puede superponer?

00:01:08.116 --> 00:01:11.100
Con toda esta información,
podemos hacer lo siguiente:

00:01:11.100 --> 00:01:14.416
Hemos construido un grafo
de conocimiento

00:01:14.450 --> 00:01:19.200
basado en expertise de moda,
que llamamos Fashion DNA.

00:01:20.116 --> 00:01:24.750
Esto nos permite crear recomendaciones
acertadas, donde

00:01:24.750 --> 00:01:28.500
los artículos combinan entre sí,
pero igual de importante:

00:01:28.500 --> 00:01:31.950
que se ajusten a las preferencias
del cliente en la tienda.