Progetto e sviluppo di un assistente virtuale in ambito Retail = Design and development of a virtual assistant in the Retail field

La tesi ha l’obiettivo di realizzare, mediante algoritmi di machine learning e intelligenza artificiale, un assistente virtuale in ambito Retail, in particolare nel caso moda. L’assistente virtuale immedesima il ruolo di consulente di moda: è in grado di capire quale prodotto stiamo cercando, attraverso la conversazione o l’invio di una fotografia, e fornire raccomandazioni sulla base delle azioni passate. Il focus di questa soluzione è fornire una esperienza utente superiore e aiutare l’utente a trovare il prodotto che sta cercando nel minor tempo possibile. Nell'approccio tradizionale l’utente interagisce direttamente con il sistema per eseguire azioni. Nella soluzione proposta è l’assistente virtuale che, dialogando con l’utente, capisce l’azione da svolgere e interroga i servizi esposti per fornire infine i risultati al cliente. Questo approccio rende il sistema informatico accessibile anche a utenti non esperti. Per capire l’utente è necessario progettare un modello conversazionale, a questo proposto è stato scelto IBM Watson Assistant. Questo strumento permette di modellare, attraverso la creazione di intenti ed entità, un grafo. Ogni cammino del grafo rappresenta una conversazione, in ogni stato l’assistente è in attesa di ricevere informazioni e sulla base di queste decide come rispondere. Nonostante la tecnologia di elaborazione del linguaggio naturale si sia evoluta molto negli anni non è semplice costruire un modello in grado di capire l’utente: i problemi che si presentano non sono soltanto di natura tecnologica ma anche linguistici. Per limitare i conflitti tra frasi simili in intenti diversi, l’architettura del grafo di conversazione è basta su molteplici sotto-modelli che interagiscono. Questo ha permesso di sfruttare le piene potenzialità dello strumento. Per fornire raccomandazioni è necessario costruire un modulo che faccia una predizione di quanto un particolare prodotto può piacere all'utente. Il motore di raccomandazione deve essere alimentato con i feedback dell’utente, per questo motivo l’assistente virtuale non si limita soltanto a presentare un prodotto ma chiede in maniera attiva la sua opinione. L’algoritmo utilizzato per l’addestramento del modello è ALS-WR, appartenente alla famiglia degli algoritmi di filtro collaborativo. L’idea alla base di questo tipo di algoritmo è che i suggerimenti migliori ci vengono forniti da persone con gusti simili ai nostri. Il riconoscimento di prodotti visivamente simili è stato applicato al caso di scarpe e borse. Questo componente si basa su reti neurali convoluzionali di tipo Resnet. Elaborando l’immagine nella rete è possibile estrarne le caratteristiche, eseguendo un precalcolo sul catalogo prodotti si costruisce una base dati e al momento della predizione si determina, attraverso un modello di Nearest Neighbors, il prodotto più simile. Nel caso scarpe è stato svolto un fine-tuning, su un dataset costruito a partire da una scannerizzazione del web, della Resnet34, a partire dalla versione pre-addestrata su ImageNet. Nel caso borse sono state combinate le reti Resnet50 e Resnet152 pre-addestrate su ImageNet. Per privilegiare i prodotti con un colore simile, dato che le reti sono generiche, viene effettuata un’analisi dei colori dominanti della fotografia per mezzo dell’algoritmo di clustering K-Means. Questo ci permette di estrarre un’informazione sui colori ed utilizzarla per decidere qual è prodotto è più simile.