WEBVTT

00:00:00.350 --> 00:00:03.650
O que vemos aqui começa com
uma grande quantidade de dados de produto,

00:00:03.683 --> 00:00:04.650
sobretudo imagens.

00:00:04.650 --> 00:00:07.166
Esta é uma coleção típica,
uma única coleção.

00:00:07.166 --> 00:00:09.050
E há muitas ao longo do ano.

00:00:09.050 --> 00:00:13.200
Pegamos em todas estas imagens
e processamo-las através de vários modelos de IA

00:00:13.466 --> 00:00:17.716
para extrair coisas simples,
como a cor de todos estes artigos,

00:00:17.716 --> 00:00:20.716
mas também em maior detalhe:
Que padrões existem?

00:00:20.916 --> 00:00:24.750
Que camisas têm estampados
e quais não têm?

00:00:24.750 --> 00:00:27.016
Mas ainda mais importante

00:00:27.016 --> 00:00:29.966
é obter uma compreensão
semântica mais profunda:

00:00:29.966 --> 00:00:34.016
Que artigos são adequados para um casamento,
quais para uma entrevista de emprego?

00:00:34.016 --> 00:00:36.383
À esquerda: Que artigos
são indicados para a praia?

00:00:37.133 --> 00:00:39.150
E para tornar tudo ainda mais desafiante:

00:00:39.150 --> 00:00:41.216
A moda não é apenas sobre peças individuais,

00:00:41.216 --> 00:00:43.800
mas sobre todo o
conceito de um outfit.

00:00:43.800 --> 00:00:48.000
Usamos várias peças em conjunto
e temos de decidir

00:00:48.000 --> 00:00:49.350
o que combina.

00:00:49.350 --> 00:00:53.933
Para isto, também recorremos à IA
para analisar os próprios outfits.

00:00:54.416 --> 00:00:59.266
Pegamos em imagens de modelos
e desconstruímos os outfits para perceber

00:00:59.266 --> 00:01:02.116
quais são as diferentes peças
e como podem ser combinadas,

00:01:02.116 --> 00:01:05.483
tanto em termos de composição
como de camadas, como vemos aqui.

00:01:05.483 --> 00:01:07.133
O que se pode sobrepor?

00:01:08.116 --> 00:01:11.100
Com toda esta informação,
podemos fazer o seguinte:

00:01:11.100 --> 00:01:14.416
Construímos um grafo
de conhecimento

00:01:14.450 --> 00:01:19.200
baseado em expertise de moda,
a que chamamos Fashion DNA.

00:01:20.116 --> 00:01:24.750
Isto permite-nos criar recomendações
certeiras, onde

00:01:24.750 --> 00:01:28.500
os artigos combinam entre si,
mas igualmente importante:

00:01:28.500 --> 00:01:31.950
que correspondam às preferências
do cliente na loja.