A legmodernebb technológiák rohamos tempóban hódítják meg a divat világát, így ma már nem csoda, ha egy cég mesterséges intelligenciát vagy gépi tanulási algoritmusokat vet be a termékfejlesztés során. De hogyan segíthetnek a csillagászati vagy épp kvantumfizikai fogalmak a jövő tavaszi–nyári kollekciók összeállításánál?
A trend egyik központi alakja Chris Moody asztrofizikus, aki a University of Californián doktorált, dolgos hétköznapjait pedig olyan tevékenységekkel töltötte, mint például teljes galaxisok mozgásának szuperszámítógépes szimulációja, illetve a galaxisok ütközésének elemzése. Négy évvel ezelőtt azonban Moody találkozott pár volt kollégájával egy sörre, az események pedig váratlan fordulatot vettek.
Az exkollégák ugyanis már nem asztrofizikával foglalkoztak, hanem egy akkor még viszonylag ismeretlen startuphoz, a Stitch Fixhez szerződtek. A cég napjaink egyik legfelkapottabb fashiontech vállalkozása, amely személyre szabott stílustanácsadást kínál az érdeklődőknek. Ezt úgy kell elképzelni, hogy a kedves ügyfél kiválasztja az igényeinek megfelelő ruhadarabokat, majd egy bizonyos havi összeg fejében néhány hetente kap egy-egy csomagot, amelyben a stílusához passzoló összeállításokat talál, egy személyi stylist tanácsaival kiegészítve. A cég eddigi eredményeit jól mutatja, hogy a Wired magazin értesülései szerint nemrég kétmilliárd dollárra taksálták az értékét.
Ehhez minek asztrofizikus?
Tény, hogy a fenti leírás alapján úgy tűnhet, a Stitch Fix nem tud többet, mint az interneten tucatszámra elérhető személyi stylistok, így jogosan merülhet fel a kérdés, hogy ehhez mi szükség van a Moodyhoz hasonló szakemberekre. A technológiai trükk a háttérben keresendő, éppen ez az, amellyel a kezdetben szkeptikus asztrofizikust volt kollégái el tudták csábítani az egyetemi kutatóintézetek világából a Stitch Fixhez dolgozni. Amikor ugyanis volt munkatársai a Bayes-tételről és a Poincaré-sejtésről kezdtek magyarázni, Moody rájött, hogy a szabás-varrás világában sok hasonlóság fedezhető fel az univerzum szövetének viselkedésével.
Nincs tévedés: a Stitch Fix gépi tanulási algoritmusa ilyen és ehhez hasonló matematikai fogalmakkal dolgozik, amikor az egyes felhasználók öltözködését próbálja meg a számok nyelvére lefordítani, egyéni stílusunk ugyanis számtalan olyan elemből áll össze, amit lehetséges úgynevezett adatpontként valamilyen formában kvantifikálni, és mint ilyet, megértetni egy géppel is. Az ilyen összetett adatmodellek felépítéséhez és elemzéséhez pedig jól jönnek a fizikai modellezésben jártas tudós szakemberek, az imént említett matematikai fogalmak alkalmazásával ugyanis a Stitch Fixhez „dezertált” asztrofizikusok olyan algoritmusokat tudtak kidolgozni, amelyek képesek megtippelni, hogy jó eséllyel egy adott ruha-összeállítás melyik felhasználóknak tetszik majd, és kik lesznek azok, akik már ránézni sem tudnak az adott szettre.
Fotó: Stitch Fix Facebook
Big Data és keresztöltés
A volt csillagászok tehát csónaknyakra és slim fit fazonra cserélték a csillagködök és szupernóvák világát, de a két területet összeköti a hatalmas mennyiségű adat elemzése, vagyis a napjainkban divatos Big Data fogalma. Ez ma már online területen szinte mindenhol, sőt sok azon kívül működő cégnél is létfontosságú, a statisztikák feldolgozása ugyanis értékes tudást hozhat a vállalat konyhájára. Napjainkban ugyanúgy alkalmaz adatbányászokat a Google, a Netflix vagy a Spotify, mint a Stitch Fix, vagy például a mezőgazdasági időjárási előrejelzésekre szakosodott Weather Company.
A sokat emlegetett gépi tanulás ugyanis lehetővé teszi, hogy egy számítógépes rendszernek, algoritmusnak megtanítsuk, hogyan néz ki valami. Ez a valami természetesen lehet egy galaxistípus is az űrteleszkópok fotóin, de nem feltétlenül kell csillagászati kategóriákban gondolkodni. Amit a gép felismer egy képen, azt fel fogja ismerni milliónyi másikon is – mindegy, hogy csillagködöket mutogatnak neki, vagy épp több millió, az interneten nyilvánosan elérhető street fashion fotót, amelyekből következtetni lehet arra, hogy egy országban vagy egy régióban épp milyen divatmárkák, színek vagy épp fazonok a menők. Nem véletlen, hogy napjainkban még az elit egyetemeken végző (asztrofizikus) kutatók jelentős része is a Szilícium-völgy valamelyik menő cégénél keres munkát posztdoktori tanulmányok vagy professzori pálya helyett. Ezeknek a szakembereknek köszönhető például, hogy a Netflix-fiókunk folyamatosan ajánlgatja az ízlésünknek megfelelő filmeket és sorozatokat, de a Stitch Fix ajánlómotorját is a gépi tanulásban jártas szakértők programozták.
Fotó: Stitch Fix Facebook
Persze az sem utolsó szempont, hogy egyetemi kutatói állásból kevesebb van, mint ahány szakembert kitermelnek a felsőoktatási intézmények, arról nem is beszélve, hogy a Szilícium-völgy jól menő startupjainál lényegesen komolyabb fizetésekkel várják a tehetséges szakembereket. Ahogy Sudeep Das, egy szintén pályaelhagyó, ma már a Netflixnél dolgozó asztrofizikus fogalmazott: „nagyon hűségesnek kell lenni, ha valaki az akadémiai pályán szeretne maradni”.
Persze nem csak asztrofizikusokat szívnak fel a hasonló vállalkozások, azonban úgy tűnik, valamiért ez a foglalkozás az, ami remekül „fekszik” a gépi tanulás világának is. „Asztrofizikusokban nagyon jók vagyunk – mondja Eric Colson, a Stitch Fix algoritmusokért felelős vezetője. – Sok olyan kutató van, aki valamilyen kvantitatív területen szerezte a doktoriját, de ha grafikonon ábrázolnánk, asztrofizikusokból akad a legtöbb a pályán kívül. Nagyon jók a matematikában, olyannyira, hogy a legtöbbjük jobb matematikus a matematikusoknál is. Ráadásul a programozáshoz is jól értenek, azt is mondhatnám, hogy a többségük jobb informatikus, mint azok, akik ilyen végzettséget szereztek.”
Látens stílus és sajátvektorok
Ahhoz, hogy egy picit jobban megértsük, mi történik például a Stitch Fix boszorkánykonyhájában, meg kell ismerkednünk a látens stílus fogalmával. A cég ugyanis nem azt kéri a felhasználóktól, hogy olyan semmitmondó fogalmakkal határozzák meg saját stílusukat, mint a sportos vagy az elegáns, hanem a vásárlási mintázatokat figyelve megállapítja, hogy melyek azok a ruhadarabok, amelyek egy adott felhasználónak tetszenek, és melyek azok, amelyek kevésbé.
Emellé fejlesztettek egy Style Shuffle nevű eszközt is, amely a Tinder párkereső alkalmazás jobbra-balra húzható mechanikáját hívja segítségül: a felhasználóknak különböző ruhákat mutatnak, ők pedig jobbra vagy balra húzással döntik el, hogy tetszik-e nekik az adott darab, vagy sem. Az algoritmus ebből aztán egy Style Space-nek nevezett digitális térképet állít össze, hogy megmutassa, melyek azok a ruhadarabok, amelyek elnyerték a felhasználó tetszését, és amelyeket a lehető legkönnyebben be lehet szerezni, lehetőleg minél közelebbi helyszínről. Az így létrehozott öntanuló algoritmus pedig olyan következtetéseket tud levonni, hogy ha valakinek például tetszenek a vaskosabb nyakláncok, akkor valószínűleg a gyöngyökből álló nyakékeket is kedvelni fogja. A legérdekesebb az egészben az, hogy a háttérben működő matematikai szabályszerűségek meglepően hasonlóak ahhoz, amiből Chris Moody a PhD-jét írta. „A látens stílusokból kirajzolódó térkép egy úgynevezett Poincaré-tér – magyarázza a tudós. – Ugyanezt használta fel Einstein is a relativitáselmélet leírásához.”
Chris Moody (Fotó: YouTube)
Ez azonban csak egy eleme a stíluselemző rendszernek, Moody és kollégái alkalmazták például az úgynevezett sajátvektor-dekompozíció elméletét is, ami a kvantummechanikában is használt matematikai koncepció – ezzel voltak képesek „összetevőire” szétszálazni egy olyan összetett és absztrakt fogalmat, mint az egyéni stílus. Ők maguk a folyamatról azt mondták: olyan ez, mint ha „megpróbálnánk kihallani, hogy egy megpendített gitárhúr a rezgése során milyen zenei hangokat ad ki”.
A divat nyelvére lefordítva ez egészen komplex stíluselemek értelmezését is lehetővé teszi, például feltérképezhetővé teszi egy olyan felhasználó ízlését, akinek alapvetően a nőies vonalvezetésű ruhadarabok tetszenek, de kevésbé kedveli az elegáns, üzleties stílust, mint a kényelmet és a hétköznapi megjelenést. Így a személyi stylistok részletesebb, átfogóbb képet kaphatnak az egyes ügyfelek ízléséről, mint ha csak a már említett címkékkel írnák körül saját ízlésüket.
A fizikai jelenségeket kutató szakemberek közül valószínűleg nem sokan gondolkodnak azon, hogy elhagyják a pályájukat a divat világáért, pedig ennek a területnek is elképesztő mélységei vannak. Hihetetlen, de lehetséges tudományként tekinteni egy olyan fogalomra, mint az egyéni stílus, az egyéni ízlés
– mondja Moody.
Eric Colson szerint az is magyarázza a cég népszerűségét a kutatói állásokat otthagyó tudósok körében, hogy a Stitch Fixnél dolgozva „olyan hatással lehetnek a világra, a felhasználókra, amit az elméletekkel foglalkozó korábbi munkahelyükön csak nagyon ritkán láthatnának. […] Itt hozzájárulhatnak olyan termékek megjelenéséhez, amelyeknek láthatják is az emberekre gyakorolt hatását. Ha jól végzik a munkájukat, az ügyfeleink olyan ruhadarabokhoz jutnak, amelyekhez ragaszkodni fognak.” A visszaküldési arányt ugyanis a cég szigorúan figyelemmel kíséri, ez az egyik legfontosabb mérőszámuk, amit folyamatosan igyekeznek javítani.
Fotó: Stitch Fix Facebook
A big data világa egyébként azért is lehet vonzó például az asztrofizikusok számára, mert jóval változatosabb kihívásokat tartogat számukra, mint az univerzum titkainak fürkészése – utóbbi területen ugyanis nem ritkaság, hogy a kutatók akár éveket is eltöltenek egy-egy probléma vagy kérdés megoldásával, megválaszolásával. „A legizgalmasabb kérdések közül pedig egy csomót már meg is válaszoltunk – teszi hozzá ehhez a Wirednek nyilatkozó Amber Roberts, aki exasztrofizikusként most az Insight Data Science-nél segíti volt kollégái pályaváltását. – Tudjuk, mekkora az univerzum, megmértük a fény sebességét, felfedeztünk fekete lyukakat. Ezek persze óriási dolgok, és az ilyen felfedezéseknek köszönhető, hogy sok ember érdeklődik a terület iránt. De a valóság az, hogy ha valaki asztrofizikusként helyezkedik el, akkor jó eséllyel egy rendkívül apró részterületen fog dolgozni, ahol háromévente elkészít majd egy kutatási anyagot, amit talán tíz ember olvas majd világszerte. Csak nagyon kevesekből lesz akkora név, mint például Carl Sagan.”
Hasonló véleményen van a már említett Sudeep Das is, aki szerint az univerzum kutatását egyfajta romantika övezi.
„Amikor megpróbáltam elmagyarázni a szüleimnek, hogy mivel fogok foglalkozni, azt mondták: de hát olyan szép dolgokat kutattál az univerzumban, most meg ajánlórendszereket gyártasz a felhasználóknak? – emlékezett vissza az egykori kutató. – Azt viszont már kevésbé értik meg, hogy a kutatói munka jelentős része technikai dolgokról szól, például arról, hogy az egyik paraméter 50 százalékos hibahatárát 5 százalékkal csökkentsük, nem pedig arról, hogy a világegyetem nagy összefüggésein gondolkodnánk.”
Abban egyetértenek a megkérdezett szakemberek, hogy bár a munkájuk kevésbé grandiózus, mint korábban, számukra nem kevésbé nemes dolog, ha elégedettebb felhasználók pozitív üzeneteit olvasgatják. Sőt ilyenkor érzik, hogy tudományos karrierjüknek így is volt valamilyen, a világot előremozdító eredménye. Ahogy Sudeep Das fogalmazott:
Ez is olyan, mintha egy univerzumot fedeznénk fel. Az emberi lények univerzumát.
