IA generativa en eCommerce: todo empezó con un prompt

Usos de la IA generativa

La IA generativa se aplica en multitud de casos. Hemos recopilado algunos usos creativos de la IA generativa y proyectos que puedes crear con modelos generativos en artículos aparte. Aquí tienes algunos de los casos más destacados ahora mismo:

Imágenes

Herramientas de IA generativa, como Nano Banana 2 de Google, pueden crear imágenes nuevas a partir de otras existentes, como un retrato a partir de un rostro o un paisaje nuevo a partir de una escena real.

La Mona Lisa en los estilos de Picasso, Van Gogh y Monet

Texto

Puedes usar herramientas como ChatGPT y Google Bard para redactar noticias, posts de blog, poesía e incluso guiones.

Audio

Sirve para generar música, efectos de sonido e incluso locuciones. Se puede crear audio a medida para muchos fines: desde bandas sonoras de fondo para vídeos hasta sintonías únicas para branding.

Interfaces de lenguaje natural

Permite crear herramientas de comunicación interactivas e intuitivas, mejorando las interacciones digitales en múltiples plataformas.

Síntesis de imágenes

La IA generativa puede crear modelos virtuales detallados y mejorar la visualización en sectores como retail, inmobiliario y más.

Síntesis de espacios

Esta tecnología ayuda a diseñar entornos virtuales, útil en realidad virtual, gaming y comercio online.

Diseño de producto y síntesis de objetos

Se pueden generar diseños novedosos a partir de datos existentes, lo que abre posibilidades en moda, decoración del hogar o automoción.

Farmacéutico

La IA generativa puede crear modelos virtuales y predecir posibles resultados de investigación farmacéutica, acelerando el descubrimiento de fármacos y la personalización de tratamientos.

Marketing personalizado

Se pueden crear anuncios o contenidos a medida, aumentando la eficacia de las campañas en todos los canales.

IA en el trabajo

En mi caso, la IA tiene un impacto muy positivo en cómo trabajo. Como responsable de habilitación en Specsavers, la uso a diario para resolver problemas, apoyar a otros usuarios y generar contenido informativo.

Claro que ya hacía todo esto antes de que llegaran nuestros amigos de la IA, pero mi velocidad de entrega ha aumentado muchísimo. Ahora puedo apoyar a más proyectos y usuarios, y se ha convertido en una herramienta que recomiendo a todo el mundo.

En eCommerce, la IA generativa es cada vez más importante para personalizar la experiencia del cliente y optimizar operaciones.

Fundamentos de la IA generativa

¡Todo empieza con un prompt! La IA generativa parte de un prompt que puede ser texto, una imagen, un vídeo, un diseño, notas musicales o cualquier entrada que el sistema pueda procesar. Este prompt puede introducirlo una persona (por ejemplo, usar GPT-3 para generar texto a partir de una instrucción) o puede ser automatizado (por ejemplo, StyleGAN es una red generativa antagónica, GAN, que genera imágenes de alta calidad a partir de un conjunto de imágenes).

Hay varios tipos de modelos generativos muy usados en machine learning: redes generativas antagónicas (GAN), autoencoders variacionales (VAE) y modelos basados en transformers. Aquí va un resumen:

Redes generativas antagónicas (GAN)

Las GAN son un tipo de red neuronal con dos partes: un generador y un discriminador. El generador crea datos nuevos y el discriminador decide si son reales o falsos. Se entrenan juntas en un proceso llamado entrenamiento antagónico, en el que el generador intenta producir datos indistinguibles de los reales.

Vista general de la estructura de una GAN - source

Autoencoders variacionales (VAE)

Los VAE son otro tipo de red neuronal para modelado generativo. Codifican los datos de entrada en un espacio de menor dimensión y luego los decodifican de vuelta al espacio original. Codificador y decodificador se entrenan conjuntamente para minimizar la diferencia entre los datos originales y los reconstruidos.

Modelos basados en transformers

Los modelos basados en transformers se usan comúnmente en procesamiento de lenguaje natural. Procesan secuencias de entrada y generan secuencias de salida. Son especialmente útiles para generar texto, como descripciones de producto o reseñas de clientes.

Entrenamiento de los modelos

Todos estos modelos aprenden de los datos para generar nuevas instancias. Durante el entrenamiento, se alimentan con grandes conjuntos de ejemplos y aprenden patrones y relaciones. Una vez entrenados, pueden generar nuevas instancias muestreando de la distribución aprendida.

Por ejemplo, una GAN puede entrenarse con un conjunto de imágenes y aprender a generar otras similares.

Un VAE puede entrenarse con rostros y aprender a generar caras parecidas a las del conjunto.

Y un modelo basado en transformers puede entrenarse con descripciones de producto y aprender a generar textos con estilo y contenido similares.

En conjunto, estos modelos son herramientas potentes para crear contenido y datos nuevos, y se usan ampliamente en muchas aplicaciones.

IA generativa en eCommerce

La IA generativa tiene muchas aplicaciones en eCommerce, y las empresas la usan para personalizar la experiencia, mejorar operaciones y aumentar ventas. Estos son algunos frentes donde ya se está aplicando:

Recomendaciones de producto

Uno de los usos más comunes en eCommerce. Se pueden analizar datos de clientes y generar recomendaciones personalizadas para cada persona. Por ejemplo, Amazon utiliza IA generativa para sugerir productos en función del historial de navegación y compra.

Personalización

También puede personalizar la experiencia de otras formas, como generando contenido a medida o adaptando la interfaz. Por ejemplo, crear descripciones personalizadas o modificar el diseño del sitio según las preferencias de cada cliente.

Engagement con el cliente

Se puede mejorar creando asistentes virtuales y chatbots que ofrezcan soporte y recomendaciones personalizadas. Por ejemplo, un chatbot que responda a preguntas habituales del negocio, como solicitar acceso a un sistema o pedir vacaciones.

Generación de contenidos

La IA puede generar todo tipo de contenidos para eCommerce: descripciones, reseñas y anuncios. Consulta el artículo de DataCamp sobre cómo usar ChatGPT para ventas y aprovechar la IA generativa en la creación de contenido.

Casos de uso de IA generativa en eCommerce

Varias empresas de eCommerce ya han implementado con éxito IA generativa para mejorar sus operaciones.

Algunos ejemplos rápidos:

• Amazon usa IA generativa para personalizar el contenido para sus clientes.
• Shopify lanzó recientemente Shopify Magic para ayudar a los vendedores a ahorrar tiempo, vender más y dar más visibilidad a sus productos.
• eBay utiliza IA generativa para su Smart Store, que ayuda a los vendedores a crear experiencias de compra personalizadas.
• Etsy usa IA generativa para abrir nuevas posibilidades en el comercio B2B en mercados emergentes.

Veamos un par con más detalle:

Amazon

Primero de la lista, y sin sorpresa, Amazon está muy metida en IA generativa. Genera recomendaciones personalizadas para quienes visitan su web. Además, en lugar de lanzar chatbots como sus rivales Microsoft (ChatGPT) y Google (Bard), ha optado por aprovechar su dominio en la nube con AWS (Amazon Web Services) para lanzar dos nuevos modelos de lenguaje en su plataforma, Bedrock.

Bedrock permitirá a los clientes usar los modelos de machine learning de Amazon sin que sus datos se filtren al conjunto más amplio de información con el que se entrenan esos sistemas. Esto aborda una preocupación clave para las organizaciones que quieren construir productos propios de IA generativa.

Alibaba Group

Alibaba Group ha presentado su modelo de IA generativa Tongyi Qianwen ("verdad de mil preguntas"), que se integrará en todas las apps de la compañía en un futuro próximo.

El modelo puede resumir notas de reuniones, redactar emails y preparar propuestas de negocio. También se integrará en Tmall Genie, el asistente de voz de Alibaba.

Según su CEO Daniel Zhang, esta tecnología "cambiará profundamente cómo producimos, trabajamos y vivimos". El objetivo es abrir el modelo a clientes para que creen sus propios modelos de lenguaje a medida, y ya han empezado a registrar usuarios.

Limitaciones y consideraciones éticas

La primera pregunta de muchos líderes de datos al valorar la IA generativa en el trabajo suele ser algo así como «¿qué hacen estas herramientas con todos estos datos?». Y de ahí surge otra: «¿podemos preguntarle a la IA cualquier cosa?». La respuesta corta, por ahora, es un rotundo no.

Ya hemos visto filtraciones de datos por uso de IA en el trabajo (véase la prohibición de ChatGPT en Samsung tras una filtración de código sensible) y muchas empresas están estableciendo normas internas sobre cómo usar la IA, e incluso algunas la han prohibido por completo.

Limitaciones y retos de la IA generativa

• Calidad y cantidad de datos. Para aprender y producir contenido realista y relevante, los modelos generativos necesitan muchos datos de alta calidad. Encontrarlos, recopilarlos, limpiarlos y etiquetarlos lleva tiempo, cuesta dinero y puede introducir errores o sesgos. Puede que las empresas aún no tengan las habilidades o el conocimiento para hacerlo a escala.
• Evaluación y feedback. Evaluar y mejorar estos modelos es complejo porque no hay una forma clara y objetiva de medir la calidad, precisión, originalidad o utilidad del contenido generado. El feedback humano es esencial, pero también puede ser subjetivo, inconsistente o escaso. Sin recursos dedicados, esto es difícil.
• Escalabilidad y fiabilidad. Los recursos computacionales necesarios para entrenar y ejecutar modelos generativos pueden limitar su escalado y fiabilidad. Además, pueden generar resultados inesperados o indeseados que dañen la reputación o la confianza del negocio o de sus clientes.

Consideraciones éticas de la IA generativa

• Privacidad y seguridad. Datos sensibles o personales del negocio o de sus clientes —preferencias, comportamientos, identidades o información financiera— pueden verse expuestos, usados o filtrados por modelos generativos. Esto plantea riesgos de privacidad y seguridad.
• Equidad y responsabilidad. Los sesgos presentes en los datos de entrenamiento o en la interacción humana pueden reflejarse o amplificarse. Esto puede llevar a decisiones o resultados injustos o discriminatorios. Deben existir mecanismos que garanticen equidad y responsabilidad en los modelos y sus salidas.
• Transparencia y confianza. Los modelos generativos pueden producir contenido indistinguible del creado por personas, lo que puede generar confusión o engaño. Deben existir formas de revelar o verificar el origen y la naturaleza del contenido generado y asegurar su calidad y relevancia.

Perspectivas de futuro

La IA generativa tiene aplicaciones en muchos ámbitos, pero uno de los más prometedores es el eCommerce, con grandes oportunidades en el horizonte.

Realidad aumentada y virtual

La IA puede combinarse con VR y AR para ofrecer experiencias de compra más inmersivas. Por ejemplo, una app de AR con IA generativa podría ayudar a visualizar muebles en casa antes de comprarlos.

Descubrimiento de productos

Puede ayudar a las personas a encontrar lo que buscan de forma más fácil y eficiente. Por ejemplo, generar imágenes realistas y variadas de productos a partir de descripciones o bocetos para visualizar mejor lo que quieren.

También puede crear recomendaciones personalizadas según preferencias, comportamiento y feedback, aumentando la satisfacción y la fidelidad.

Engagement con el cliente

Las empresas pueden comunicarse con sus clientes de manera más eficaz y creativa. Por ejemplo, con herramientas como la stable diffusion puedes crear contenido atractivo y relevante para redes sociales, blogs, newsletters o anuncios, atrayendo más tráfico y conversiones.

La IA generativa también puede generar respuestas naturales y humanas para chatbots o asistentes de voz, ofreciendo mejor servicio y soporte.

Prevención del fraude

La IA ayuda a detectar y prevenir actividades fraudulentas o ataques en plataformas de eCommerce con más eficacia y precisión. Por ejemplo, puede crear identidades o rostros sintéticos para verificación, dificultando el acceso a impostores o bots.

También puedes usar IA generativa para crear datos realistas y diversos con fines de entrenamiento o prueba, mejorando el rendimiento y la robustez de los modelos antifraude. Aprende más sobre Fraud Detection in Python con el curso online de DataCamp.

Conclusión

La IA generativa es una tecnología potente que puede crear contenido nuevo y atractivo para negocios de eCommerce. Ayuda a atraer más clientes, personalizar su experiencia y aumentar su fidelidad. También permite optimizar operaciones como la gestión de inventario, precios y marketing. El uso eficaz de la IA generativa —y de la IA en general— será un factor diferencial clave cuando un cliente deba elegir entre varias plataformas.

La IA generativa es un antes y un después para el eCommerce y un activo valioso para cualquier empresa que quiera prosperar en la era digital. Descubre los conceptos de IA generativa en el curso de DataCamp.