AI 赋能服装行业？数据能为设计师提供什么灵感？
↑ 点击上方蓝字「IT桔子」
每天了解一点创投圈
IT桔子（itjuzi521）整理
2019 年 10 月 23 日，IT 桔子邀请知衣科技创始人郑泽宇为人工智能社群，带来「人工智能助力服装行业技术升级-以深度学习在服装设计的落地为例」的主题分享，以下是嘉宾分享部分内容：
郑泽宇从 2015 年开始关注国内人工智能的发展，那时 Deepmind 推出的 AlphaGo 让大众对人工智能的概念有了初步认知。随之而来的是人工智能在国内掀起的第一个浪潮，大量的人工智能企业创立起来。
2016 年初的时候郑泽宇和 Google 的一些同事回到国内创办了第一家公司。从那时开始，他开始关注国内人工智能的落地场景，并在许多不同的领域，如安防、能源、金融等，做过一些尝试。
在这个过程中，他接触了到服装行业，觉得通过 AI 技术助力服装行业是一片蓝海。于是在 2018 年初时，郑泽宇及其团队从第一家公司独立出来，成立知衣科技，专注于 AI 技术在服装行业的落地。
谈及人工智能的应用场景，人们第一时间联想到的行业会有金融、医疗、能源、物流、制造、零售、城市、农业等等，但很少听到服装行业。常说「衣、食、住、行」，「衣」是排在第一位的，如此之大的一个行业，为什么人工智能没有得到很好的落地？其中有很多原因。
金融、医疗、能源等等是大家在日常接触比较多的行业，特别对技术人才来讲是很好理解的行业。但技术同行对时尚服装领域的理解并没有很充分。AI 在服装行业里面能干什么？应该植入在哪个环节？很多人会有这样的疑惑和困扰。但随着和行业内企业与从业人员的深入交流，郑泽宇团队发现服装行业的技术能力以及数据化程度都非常低，这里面有很多值得尝试的机会。
郑泽宇发现在服装企业中，设计师接触到的数据化信息非常少，许多设计师甚至不知道自己公司卖得好的款式有哪些。是服装企业没有这些数据么？并不是。原因在于数据的提供方通过数据思维或者互联网运营思维组织整理出来的数据产品不符合设计师的数据处理习惯，设计师不愿意使用这样的数据系统，这使得设计师总是在不了解市场的情况下设计出不受消费者青睐的款式。
设计师对于技术和数据的需求其实很大。但是在相对传统的服装行业，由于数据工具的一些不完整性以及技术从业者对时尚行业特别是对设计师的理解有限，导致目前基本上没有科技类公司在辅助设计环节有所涉猎，这方面仍有着巨大的挖掘空间。
整个服装产业除了公认的市场端高价值之外，另外一个价值高地就在设计环节 。在利润比例上，市场、设计和生产大概是 5：4：1 的分配比例，市场甚至没有明显高于设计。在这样一个价值非常高的环节上，却没有非常好的工具或者为设计环节提供服务的服务商。所以郑泽宇团队认为 AI 技术在服装设计环节落地的机会非常大，这也是他成立知衣科技的初衷，借助科技的力量解决设计师面临的一些问题和困难。
设计师如何工作？什么样的工具能够辅助设计师的工作？
当提到设计师的时候，很多人的第一印象会觉得这份职业十分高大上、偏感性、富有艺术感。但郑泽宇团队在跟设计师群体，特别是大部分的中国设计师近距离交流或者进行合作的时候，发现他们的工作方式很「原始」，设计师之间的沟通交流基本靠微信，也没有专门针对设计师的管理工具或者效率工具。
设计师使用的工具非常原始，还停留在平面时代，选款过程中效率低下，比如一个男装潮牌企业的设计师是怎么去收集跟潮牌相关的款式的呢？设计师只能去各个社交平台上或者对标品牌的官网上去浏览图片，在不同的网站上寻找、收集数据。这就导致大量服装设计助理的日常工作内容就是收集和整理数据。
现实中，服装设计师最核心的工作并不是发现灵感、进行创作，对于中国 90% 的设计师而言最核心的工作是选款——怎么做出爆款？去哪发现爆款？怎么判断爆款？
寻找时尚灵感和判断时尚趋势是设计师在工作过程中最大的两个挑战。在传统的模式中，设计师主要依靠主观进行寻找和判断，缺乏市场数据和反馈信息。同时，在设计培训课上，设计老师也更多的去强调设计或者艺术的部分，而缺乏对数据和市场指导的重视，这也导致设计师对技术的需求非常强。
什么数据会对设计师有帮助？
首先是电商聚合数据源，包括淘宝、京东、唯品会等各种各样的电商数据。这类数据具有一定的市场指导作用，比如淘宝销量，京东评论，各个不同平台的点赞或者其他的浏览数据，这些数据可以从侧面反映出市场对某个款式的认可程度。
电商数据的第一个作用是验证信息。某个款式到底流行还是不流行？消费者喜欢还是不喜欢？通过销量数据、评论数据能得到反馈。服装企业在开款环节如果想做去年爆款的一些延续款，就可以参考去年市场上和竞争对手的爆款数据，反推今年什么季节做什么样的款式。
第二作用是可以帮助服装企业更快地对市场做出反应。就这两点而言，电商聚合数据对设计师的选款工作有非常大的帮助。
第二大类的数据是社交媒体的数据，包括微博、小红书、抖音、快手这些平台。这类数据反映了当下的流行趋势。
网红和明星他们在穿什么？他们在发一些什么样的图片？社交媒体会影响到大众对时尚的判断和审美，因此通过对这些数据的分析可以辅助判断近期的流行款式，例如淘宝上有大量 ins 风的服装，可见 ins 上的风格对中国时尚界的影响非常大。鉴于此，知衣科技收集了超过百万的 ins 博主，数万小红书、微博博主最新最潮的数据。
第三大类是更偏时尚专业的数据，比如秀场、订货会、品牌画册这样的一些数据。在时尚度上这类数据要领先于电商及社交媒体数据，是更加前沿的流行趋势。
国内很多的企业在判断、分析流行趋势的时候，时尚专业的数据是一个非常重要的参考标准和依据。如果设计师通过感性的方式欣赏秀场，看完一场 show 之后可能会产生主观偏见的印象，比如当设计师觉得今年红色会流行，只要有两三款红色走秀款就容易让他觉得想法获得了验证，从而产生偏见。
但通过数据分析的方式可以帮助设计师相对客观、精准地来分析品牌定位，比如什么元素更流行？秀场体现了什么趋势？数据提供了更加理性的判断标准，帮助设计师把握流行趋势的变化。
随着互联网的发展，越来越多的数据留存在网上，这些数据量有多大呢？知衣科技每天收入的商品数量超过千万，博文数量超过百万。如此大量的信息，如果不对这些数据进行整理和分析，设计师根本无法人工处理这么多信息。
另外，图片对设计师来说是一个非常有效的传达信息的载体。如何从图像当中去提取专业化的标签是非常重要的事情，因此知衣科技对数据的处理方式都是以图像数据标签识别作为基础的。
识别图像标签首先需要制定专业的标签体系，这就需要与行业结合。知衣科技标签体系通过跟很多设计师的交流，并结合行业内的标准以及比较成熟的标签体系，制定出的一套标签体系能够识别超过 500 个不同的标签。
同时，打标也非常重要，机器学习需要通过训练数据提升准确度。深度学习第一次受到大家关注是通过 imagenet，imagenet 和之前的图像分类数据集相比最大的特点就是数据量大，百万量级的训练数据集才能让深度学习的算法能够达到比较好的效果。
对于服装类的数据来讲也是类似的训练过程。首先需要有大量精准的训练数据，在长期的数据积累过程中知衣科技积累了超过 1000 万的训练数据，所有训练数据完全由专业的设计师团队来进行打标，有一套非常严格的质量控制体系能够让标签识别准确率达到一个比较高的水平。
知衣科技与国内所有能够提供 API 服务的企业做过一些对标，在服装标签识别准确率上，知衣的图像识别系统至少能高出十个点，客户在使用后会感到非常明显的差异。之所以会有这样的明显的效果改进，是因为知衣科技一方面针对服装有专门的模型结构，因为标签体系很大，可以用多分支结构去训练模型，达到相互促进的效果；另一方面利用高质量的标签数据来更好地训练模型，而不是简单从 imagenet 上 finetuning，因为这样训练出来的模型可迁移性比较差，而服装有街拍、摆拍、挂拍等等，各种各样不同的数据分布相差非常多。
服装设计师是一群非常挑剔的人，当你的模型只有 70% 或者甚至有 60% 的准确度的时候，对他们来讲几乎是不可用的，只有 85% 到 90% 的准确度才在他们容忍范围内。正确率的水平决定系统到底可用不可用，人脸识别只有 80% 的准确率是完全没有办法商业化的，当准确率达到 99% 的时候才有可能用到安防、支付等系统。
服装行业也是类似的，当识别准确率或者标签专业度都达不到要求的时候，系统肯定是不可用的状态。当识别准确率能够达到一定的水准之后，设计师才会逐步地去接受这样的工具。
除了标签识别之外，知衣科技也会做一些图像搜索相关的工作。推荐和搜索是最高效的两种信息获取方式。除了标签搜索之外，以图搜图的这种方式也是必要的。为什么这么久以图搜图仍然没有可用的系统？两个方面的原因，第一就是数据库的大小，算法做的再好，数据库不够全，就找不到相似的东西。因此，知衣科技的第一步就是搜集海量的服饰类相关数据库，解决基础数据的问题。
第二个问题是，搜出来东西到底是背景相似还是其他方面相似？很多人说以图搜图很简单，imagenet pretrained model，再去做特征提取和比较就可以了。但这样做出来的搜索结果完全不能够符合设计师的要求，设计师也不知道为什么会给他推荐不是他想要的结果。
以下几张图都是知衣科技图像识别系统的简单 demo。第一张图是纹理，有些企业有比较大的花型数据库，设计师设计的时候会寻找库中有没有现成的稿件。目前知衣科技和国内一些比较大型的面料厂商有相关的合作案例。
第二张图展示的是款式搜索。大家可以看到搜出来的东西比较「神似」，一模一样的款式对设计师来讲没有太大帮助，他们想要的是相似但又不相同的款式，这样才会对他们的工作有帮助。
第三张图是知衣科技识图部分的简单 demo，一张图平均下来可以识别大概 10 到 15 个不同的标签，包括各种各样的细节和设计点。经过专业设计师的检测，识别出来的准确率基本上能够达到 90% 左右。
下面这张图展示的是 2D 和 3D 不同维度的识别。比如 2D 用于扣图以及面料颜色的识别，把肤色部分区域去除，识别出来的颜色会更加的精准。右边的是 3D 的效果展示，可以看到红色的底色被扣掉，但是纹理和面料还留存在上面，这样方便设计师换纹理或者换面料，能够帮助设计师节省打版和开版的成本。
在拥有技术能力和数据收集能力的背景下，能怎样去帮助设计师的业务？首先全维度数据，通过 AI 的算法能够识别出来服装上的设计点，在拥有这些设计点之后就能够统计分析出时尚流行趋势的变化规律，比如 highlight 一些设计点，通过哪些设计点下降哪些设计点上升，知道今年什么样的款式更流行，什么款式没有那么流行。
当设计师在设计的时候可以参考这些流行元素。当设计师没有灵感的时候，可以去看看应该设计什么样的款式会更加符合市场的需求，有灵感的时候也可以通过数据来验证。比如觉得今年红色流行，但数据显示红色下降了，显示黄色流行，可以看一下到底红色的款式和黄色款式都有哪些。以这种方式帮助设计师把握趋势，更好地进行风控，产生二次思考从而避免一些问题。
除了可以在渠道数据上进行从趋势到款式开发的链路，还可以通过以图搜图、智能试衣这样一些工具，帮助设计师提高效率。根据用户的行为习惯，个性化推荐图片或者博主，支持按类目以及自然语言的搜索，这样设计师找款的时候会更加方便。
通过对电商数据的收集、整理和分析，能够帮助客户更快地找到现在市场上的爆款，如何定价、如何定颜色，SKU 怎么分布，不同的颜色比例，不同品类该怎么样来规划。同样通过对历史数据的分析能够让设计师清楚地了解到市场情况，比如去年双 11 流行什么元素，去年 6 月流行什么款式，从而帮助设计师在做设计的时候不会设计出太偏离市场需求的款式。知衣科技的产品能够通过一些具象的数据分析，帮助设计师或者商品部门更好地把握商品规划。
上面是知衣科技的合作案例，帮助服装从业者的单人监控店铺数量从最初 10 家增加到 200 家，款式上线周期从三周缩短到一周，开发款式数量从每个月 50 款增加到近每月 200 款。
随着直播的兴起，上新节奏越来越快。传统的服装品牌每年要上新 3000 到 5000 款，而现在很多直播网店一个月就要播 2000 款以上。新的服装商业模式对款式数量的需求越来越大，对开款效率的要求也越来越高，通过数据分析工具能够帮助设计师在保证开款质量的同时，提高开款效率，进而提升整个企业的运作效率。
知衣科技也能帮助服装企业提升制作商品企划的效率，大部分服装企业都要规划今年做什么产品，特别是线下服装企业，都是反季开款，提前半年做规划。怎样规划半年之后应该开多少连衣裙、衬衣、牛仔裤？怎么样把握比例？通过数据分析工具，服装企业不仅能知道自己的情况，还能了解竞争对手甚至整个行业是什么样的情况。这对企业的商品企划有巨大的指导作用，帮助商品企划制作时间从三个月缩短到两个月，另外设计师通过知衣科技的分析工具还能够提升 10% 的款式选中率，开款质量能够得到更好的保证。
趋势分析和智能试衣这样的一些工具，能够提高设计师工作效率并且降低成本，例如智能试衣工具能够降低服装企业的打样成本，当设计师觉得某一款版型还不错，而面料或者纹理需要更换时，只需通过智能试衣工具在线上即可实现。
目前很多知名服装品牌或顶级淘宝店商家都与知衣科技有着深入的合作。之所以能够在相对比较短的时间内获得数百家客户青睐，是因为知衣科技的数据和技术能力不仅是被设计师认可的，而且被证明是能够在服装行业成功落地应用的。
在人工智能技术落地过程中最核心的思路是发现问题，比如要思考行业或者具体场景中有哪里需要得到提升，技术在提升过程中能够起到什么样的作用，需要什么样的技术来做支撑。找到这样的需求的时候，再去把这个需求实现出来，这样才能真正帮助客户创造价值、节省成本以及创造利润，这才是技术能够落地的比较好的场景。
几亿年轻人都在熬夜，为什么夜宵外卖的生意还这么难做？
投资人重磅分享企业成长法则：账上钱不够 18 个月时就要敲响警钟了
郑泽宇，杭州知衣科技有限公司 CEO，2011 年本科毕业于北京大学，后前往美国卡耐基梅隆大学（CMU）进修硕士学位，研究方向为半监督式学习。2015 年进入 Google 从事人工智能相关工作，作为主要技术人员参与并领导了多个人工智能项目。2018 年 2 月，回国创办知衣科技，同年 6 月完成近千万美元的 A 轮融资。
知衣科技是一家利用人工智能技术服务服装行业的科技公司，公司的愿景是将人工智能和数据挖掘领域的前沿技术转化为服装行业的生产力。
知衣科技以图像处理、机器学习、数据挖掘为核心能力，致力于解决服装企业时尚趋势挖掘、服装款式图片搜索推荐、生产销售平衡难等问题，以期成为服装行业信息化基础设施的建设者和行业技术升级的引领者。
目前知衣科技共推出了三款产品，分别是 AI 数据、AI 趋势、炼丹炉。
2019 年 10 月 23 日，IT 桔子邀请知衣科技创始人郑泽宇为人工智能社群，带来「人工智能助力服装行业技术升级-以深度学习在服装设计的落地为例」的主题分享，以下是嘉宾分享部分内容：
1
1
1
人工智能与服装行业郑泽宇从 2015 年开始关注国内人工智能的发展，那时 Deepmind 推出的 AlphaGo 让大众对人工智能的概念有了初步认知。随之而来的是人工智能在国内掀起的第一个浪潮，大量的人工智能企业创立起来。
2016 年初的时候郑泽宇和 Google 的一些同事回到国内创办了第一家公司。从那时开始，他开始关注国内人工智能的落地场景，并在许多不同的领域，如安防、能源、金融等，做过一些尝试。
在这个过程中，他接触了到服装行业，觉得通过 AI 技术助力服装行业是一片蓝海。于是在 2018 年初时，郑泽宇及其团队从第一家公司独立出来，成立知衣科技，专注于 AI 技术在服装行业的落地。
谈及人工智能的应用场景，人们第一时间联想到的行业会有金融、医疗、能源、物流、制造、零售、城市、农业等等，但很少听到服装行业。常说「衣、食、住、行」，「衣」是排在第一位的，如此之大的一个行业，为什么人工智能没有得到很好的落地？其中有很多原因。
金融、医疗、能源等等是大家在日常接触比较多的行业，特别对技术人才来讲是很好理解的行业。但技术同行对时尚服装领域的理解并没有很充分。AI 在服装行业里面能干什么？应该植入在哪个环节？很多人会有这样的疑惑和困扰。但随着和行业内企业与从业人员的深入交流，郑泽宇团队发现服装行业的技术能力以及数据化程度都非常低，这里面有很多值得尝试的机会。
郑泽宇发现在服装企业中，设计师接触到的数据化信息非常少，许多设计师甚至不知道自己公司卖得好的款式有哪些。是服装企业没有这些数据么？并不是。原因在于数据的提供方通过数据思维或者互联网运营思维组织整理出来的数据产品不符合设计师的数据处理习惯，设计师不愿意使用这样的数据系统，这使得设计师总是在不了解市场的情况下设计出不受消费者青睐的款式。
设计师对于技术和数据的需求其实很大。但是在相对传统的服装行业，由于数据工具的一些不完整性以及技术从业者对时尚行业特别是对设计师的理解有限，导致目前基本上没有科技类公司在辅助设计环节有所涉猎，这方面仍有着巨大的挖掘空间。
整个服装产业除了公认的市场端高价值之外，另外一个价值高地就在设计环节 。在利润比例上，市场、设计和生产大概是 5：4：1 的分配比例，市场甚至没有明显高于设计。在这样一个价值非常高的环节上，却没有非常好的工具或者为设计环节提供服务的服务商。所以郑泽宇团队认为 AI 技术在服装设计环节落地的机会非常大，这也是他成立知衣科技的初衷，借助科技的力量解决设计师面临的一些问题和困难。
1
2
1
设计师的困境设计师如何工作？什么样的工具能够辅助设计师的工作？
当提到设计师的时候，很多人的第一印象会觉得这份职业十分高大上、偏感性、富有艺术感。但郑泽宇团队在跟设计师群体，特别是大部分的中国设计师近距离交流或者进行合作的时候，发现他们的工作方式很「原始」，设计师之间的沟通交流基本靠微信，也没有专门针对设计师的管理工具或者效率工具。
设计师使用的工具非常原始，还停留在平面时代，选款过程中效率低下，比如一个男装潮牌企业的设计师是怎么去收集跟潮牌相关的款式的呢？设计师只能去各个社交平台上或者对标品牌的官网上去浏览图片，在不同的网站上寻找、收集数据。这就导致大量服装设计助理的日常工作内容就是收集和整理数据。
现实中，服装设计师最核心的工作并不是发现灵感、进行创作，对于中国 90% 的设计师而言最核心的工作是选款——怎么做出爆款？去哪发现爆款？怎么判断爆款？
寻找时尚灵感和判断时尚趋势是设计师在工作过程中最大的两个挑战。在传统的模式中，设计师主要依靠主观进行寻找和判断，缺乏市场数据和反馈信息。同时，在设计培训课上，设计老师也更多的去强调设计或者艺术的部分，而缺乏对数据和市场指导的重视，这也导致设计师对技术的需求非常强。
1
3
1
大数据与设计师
什么数据会对设计师有帮助？
首先是电商聚合数据源，包括淘宝、京东、唯品会等各种各样的电商数据。这类数据具有一定的市场指导作用，比如淘宝销量，京东评论，各个不同平台的点赞或者其他的浏览数据，这些数据可以从侧面反映出市场对某个款式的认可程度。
电商数据的第一个作用是验证信息。某个款式到底流行还是不流行？消费者喜欢还是不喜欢？通过销量数据、评论数据能得到反馈。服装企业在开款环节如果想做去年爆款的一些延续款，就可以参考去年市场上和竞争对手的爆款数据，反推今年什么季节做什么样的款式。
第二作用是可以帮助服装企业更快地对市场做出反应。就这两点而言，电商聚合数据对设计师的选款工作有非常大的帮助。
第二大类的数据是社交媒体的数据，包括微博、小红书、抖音、快手这些平台。这类数据反映了当下的流行趋势。
网红和明星他们在穿什么？他们在发一些什么样的图片？社交媒体会影响到大众对时尚的判断和审美，因此通过对这些数据的分析可以辅助判断近期的流行款式，例如淘宝上有大量 ins 风的服装，可见 ins 上的风格对中国时尚界的影响非常大。鉴于此，知衣科技收集了超过百万的 ins 博主，数万小红书、微博博主最新最潮的数据。
第三大类是更偏时尚专业的数据，比如秀场、订货会、品牌画册这样的一些数据。在时尚度上这类数据要领先于电商及社交媒体数据，是更加前沿的流行趋势。
国内很多的企业在判断、分析流行趋势的时候，时尚专业的数据是一个非常重要的参考标准和依据。如果设计师通过感性的方式欣赏秀场，看完一场 show 之后可能会产生主观偏见的印象，比如当设计师觉得今年红色会流行，只要有两三款红色走秀款就容易让他觉得想法获得了验证，从而产生偏见。
但通过数据分析的方式可以帮助设计师相对客观、精准地来分析品牌定位，比如什么元素更流行？秀场体现了什么趋势？数据提供了更加理性的判断标准，帮助设计师把握流行趋势的变化。
随着互联网的发展，越来越多的数据留存在网上，这些数据量有多大呢？知衣科技每天收入的商品数量超过千万，博文数量超过百万。如此大量的信息，如果不对这些数据进行整理和分析，设计师根本无法人工处理这么多信息。
另外，图片对设计师来说是一个非常有效的传达信息的载体。如何从图像当中去提取专业化的标签是非常重要的事情，因此知衣科技对数据的处理方式都是以图像数据标签识别作为基础的。
1
4
1
人工智能在服装行业的落地识别图像标签首先需要制定专业的标签体系，这就需要与行业结合。知衣科技标签体系通过跟很多设计师的交流，并结合行业内的标准以及比较成熟的标签体系，制定出的一套标签体系能够识别超过 500 个不同的标签。
同时，打标也非常重要，机器学习需要通过训练数据提升准确度。深度学习第一次受到大家关注是通过 imagenet，imagenet 和之前的图像分类数据集相比最大的特点就是数据量大，百万量级的训练数据集才能让深度学习的算法能够达到比较好的效果。
对于服装类的数据来讲也是类似的训练过程。首先需要有大量精准的训练数据，在长期的数据积累过程中知衣科技积累了超过 1000 万的训练数据，所有训练数据完全由专业的设计师团队来进行打标，有一套非常严格的质量控制体系能够让标签识别准确率达到一个比较高的水平。
知衣科技与国内所有能够提供 API 服务的企业做过一些对标，在服装标签识别准确率上，知衣的图像识别系统至少能高出十个点，客户在使用后会感到非常明显的差异。之所以会有这样的明显的效果改进，是因为知衣科技一方面针对服装有专门的模型结构，因为标签体系很大，可以用多分支结构去训练模型，达到相互促进的效果；另一方面利用高质量的标签数据来更好地训练模型，而不是简单从 imagenet 上 finetuning，因为这样训练出来的模型可迁移性比较差，而服装有街拍、摆拍、挂拍等等，各种各样不同的数据分布相差非常多。
服装设计师是一群非常挑剔的人，当你的模型只有 70% 或者甚至有 60% 的准确度的时候，对他们来讲几乎是不可用的，只有 85% 到 90% 的准确度才在他们容忍范围内。正确率的水平决定系统到底可用不可用，人脸识别只有 80% 的准确率是完全没有办法商业化的，当准确率达到 99% 的时候才有可能用到安防、支付等系统。
服装行业也是类似的，当识别准确率或者标签专业度都达不到要求的时候，系统肯定是不可用的状态。当识别准确率能够达到一定的水准之后，设计师才会逐步地去接受这样的工具。
除了标签识别之外，知衣科技也会做一些图像搜索相关的工作。推荐和搜索是最高效的两种信息获取方式。除了标签搜索之外，以图搜图的这种方式也是必要的。为什么这么久以图搜图仍然没有可用的系统？两个方面的原因，第一就是数据库的大小，算法做的再好，数据库不够全，就找不到相似的东西。因此，知衣科技的第一步就是搜集海量的服饰类相关数据库，解决基础数据的问题。
第二个问题是，搜出来东西到底是背景相似还是其他方面相似？很多人说以图搜图很简单，imagenet pretrained model，再去做特征提取和比较就可以了。但这样做出来的搜索结果完全不能够符合设计师的要求，设计师也不知道为什么会给他推荐不是他想要的结果。
以下几张图都是知衣科技图像识别系统的简单 demo。第一张图是纹理，有些企业有比较大的花型数据库，设计师设计的时候会寻找库中有没有现成的稿件。目前知衣科技和国内一些比较大型的面料厂商有相关的合作案例。
第二张图展示的是款式搜索。大家可以看到搜出来的东西比较「神似」，一模一样的款式对设计师来讲没有太大帮助，他们想要的是相似但又不相同的款式，这样才会对他们的工作有帮助。
第三张图是知衣科技识图部分的简单 demo，一张图平均下来可以识别大概 10 到 15 个不同的标签，包括各种各样的细节和设计点。经过专业设计师的检测，识别出来的准确率基本上能够达到 90% 左右。
下面这张图展示的是 2D 和 3D 不同维度的识别。比如 2D 用于扣图以及面料颜色的识别，把肤色部分区域去除，识别出来的颜色会更加的精准。右边的是 3D 的效果展示，可以看到红色的底色被扣掉，但是纹理和面料还留存在上面，这样方便设计师换纹理或者换面料，能够帮助设计师节省打版和开版的成本。
在拥有技术能力和数据收集能力的背景下，能怎样去帮助设计师的业务？首先全维度数据，通过 AI 的算法能够识别出来服装上的设计点，在拥有这些设计点之后就能够统计分析出时尚流行趋势的变化规律，比如 highlight 一些设计点，通过哪些设计点下降哪些设计点上升，知道今年什么样的款式更流行，什么款式没有那么流行。
当设计师在设计的时候可以参考这些流行元素。当设计师没有灵感的时候，可以去看看应该设计什么样的款式会更加符合市场的需求，有灵感的时候也可以通过数据来验证。比如觉得今年红色流行，但数据显示红色下降了，显示黄色流行，可以看一下到底红色的款式和黄色款式都有哪些。以这种方式帮助设计师把握趋势，更好地进行风控，产生二次思考从而避免一些问题。
除了可以在渠道数据上进行从趋势到款式开发的链路，还可以通过以图搜图、智能试衣这样一些工具，帮助设计师提高效率。根据用户的行为习惯，个性化推荐图片或者博主，支持按类目以及自然语言的搜索，这样设计师找款的时候会更加方便。
通过对电商数据的收集、整理和分析，能够帮助客户更快地找到现在市场上的爆款，如何定价、如何定颜色，SKU 怎么分布，不同的颜色比例，不同品类该怎么样来规划。同样通过对历史数据的分析能够让设计师清楚地了解到市场情况，比如去年双 11 流行什么元素，去年 6 月流行什么款式，从而帮助设计师在做设计的时候不会设计出太偏离市场需求的款式。知衣科技的产品能够通过一些具象的数据分析，帮助设计师或者商品部门更好地把握商品规划。
上面是知衣科技的合作案例，帮助服装从业者的单人监控店铺数量从最初 10 家增加到 200 家，款式上线周期从三周缩短到一周，开发款式数量从每个月 50 款增加到近每月 200 款。
随着直播的兴起，上新节奏越来越快。传统的服装品牌每年要上新 3000 到 5000 款，而现在很多直播网店一个月就要播 2000 款以上。新的服装商业模式对款式数量的需求越来越大，对开款效率的要求也越来越高，通过数据分析工具能够帮助设计师在保证开款质量的同时，提高开款效率，进而提升整个企业的运作效率。
知衣科技也能帮助服装企业提升制作商品企划的效率，大部分服装企业都要规划今年做什么产品，特别是线下服装企业，都是反季开款，提前半年做规划。怎样规划半年之后应该开多少连衣裙、衬衣、牛仔裤？怎么样把握比例？通过数据分析工具，服装企业不仅能知道自己的情况，还能了解竞争对手甚至整个行业是什么样的情况。这对企业的商品企划有巨大的指导作用，帮助商品企划制作时间从三个月缩短到两个月，另外设计师通过知衣科技的分析工具还能够提升 10% 的款式选中率，开款质量能够得到更好的保证。
趋势分析和智能试衣这样的一些工具，能够提高设计师工作效率并且降低成本，例如智能试衣工具能够降低服装企业的打样成本，当设计师觉得某一款版型还不错，而面料或者纹理需要更换时，只需通过智能试衣工具在线上即可实现。
目前很多知名服装品牌或顶级淘宝店商家都与知衣科技有着深入的合作。之所以能够在相对比较短的时间内获得数百家客户青睐，是因为知衣科技的数据和技术能力不仅是被设计师认可的，而且被证明是能够在服装行业成功落地应用的。
在人工智能技术落地过程中最核心的思路是发现问题，比如要思考行业或者具体场景中有哪里需要得到提升，技术在提升过程中能够起到什么样的作用，需要什么样的技术来做支撑。找到这样的需求的时候，再去把这个需求实现出来，这样才能真正帮助客户创造价值、节省成本以及创造利润，这才是技术能够落地的比较好的场景。
推荐阅读
市场寒冬里，详解 2019 新诞生的 13 家投资机构！
「观大势，定赛道」 沃赋资本褚自航的投资经
几亿年轻人都在熬夜，为什么夜宵外卖的生意还这么难做？
投资人重磅分享企业成长法则：账上钱不够 18 个月时就要敲响警钟了
头条系社交梦碎,「绿洲」杀进前三，拼多多霸榜社交电商
