Algoritmi di Machine Learning al servizio del fast fashion

Ottanta miliardi di vestiti all’anno: questo è quanto realizza l’industria del fast fashion, con tempi medi di appena 15 giorni fra il momento della produzione e quello della vendita. Dana Thomas, in “Fashionopolis: The Price of Fast Fashion and the Future of Clothes”, parla di “un abbigliamento realizzato in grandi quantità e alla velocità della luce, venduto a prezzi stracciati in migliaia di negozi in tutto il mondo: copiano la moda dei top designer e ne realizzano una versione economica”.

Termine coniato all’apertura del primo negozio Zara a New York nel 1989, il fast fashion è oggi fortemente condizionato, pressoché in tempo reale, dal passaparola sui social media, Instagram soprattutto, che fa da barometro del gusto e della tendenza del momento. Tendenza che per gli stilisti e le aziende produttrici diventa vitale saper cogliere prima possibile, un po’ come accade agli investitori, nella frenesia dei mercati finanziari.

E proprio dal mondo della finanza, e precisamente della consulenza bancaria sulla gestione di capitali, viene Redexe, società padovana di capital management legata sia al mondo dell’impresa sia a quello della ricerca universitaria.

Machine Learning e modelli matematici all'ultima moda

Da pochi mesi la società ha avviato una partnership con un’azienda di fast fashion ed abbiamo perciò cercato di capire che legame (tecnologico) ci sia fra queste due realtà, assieme a Riccardo Donati, founder e Ceo.

Un fisico “prestato alla finanza… e ora alla moda, che sembra quanto di più frivolo e distante dai modelli matematici applicati alle oscillazione di mercato: può spiegarci come ha deciso di occuparsi  della predizione di tendenze moda e in che modo ha affrontato il  problema?

Tutto è nato un po’ per caso, come molte delle cose migliori. Un nostro cliente nell’ambito della gestione del capitale, un’azienda operante nel campo della moda fast fashion, ci ha espressamente chiesto se non fosse possibile utilizzare i medesimi modelli predittivi, che impiegavamo per valutare i migliori investimenti, anche per predire quale colore sarebbe andato di moda di lì a pochi mesi, riducendo così i tentativi e i prototipi, che rappresentano un costo notevole in una catena del valore che richiede tempi rapidissimi di progettazione, produzione e consegna. Per questa valutazione abbiamo scelto di prendere in esame essenzialmente Instagram, oggi irrinunciabile per chi voglia capire le tendenze di costume.

Ma come riuscite in pratica a capire quale sarà il colore di tendenza della prossima stagione?
Abbiamo costruito un sistema basato in parte su algoritmi di Machine Learning e in parte su sistemi esperti, per ridurre il tasso di overfitting, cioè del sovradattamento ai dati osservati, che porta all’interpretazione errata degli stessi

La combinazione di Machine Learning e sistemi esperti è un po’ in controtendenza: oggi si tende in genere a riporre una fiducia quasi assoluta nelle potenzialità della sola AI...
Le potenzialità, appunto, ma che a nostro parere non si sono ancora concretizzate nella realtà. In effetti la nostra posizione è abbastanza critica e questo ci viene proprio dall’esperienza nel campo finanziario: è vero che abbiamo computer potenti, ma non ancora così potenti, è vero poi che abbiamo grandi quantità di dati, ma non ancora uno storico così grande da riuscire ad allenare gli algoritmi senza incorrere in errori persino madornali. Si rischia insomma di imparare dal rumore, e spesso si verificano delle condizioni reali che non si sono mai verificate in precedenza e per le quali non abbiamo proprio dati pregressi. Il risultato migliore, per la nostra esperienza, ci viene allora pre-elaborando i dati, attraverso l’intelligenza umana, fin dove è possibile, e solo dopo fornendoli all’algoritmo di Machine Learning.

Ci può fare un esempio concreto?
  In ambito finanziario, possiamo ad esempio scegliere di alimentare il sistema con i tassi a breve termine e con quelli a lungo termine o direttamente con la differenza fra essi. Nel primo caso non c’è pre-elaborazione e si spera che il sistema sia in grado di riconoscere da solo la correlazione fra i diversi tassi, mentre nel secondo caso, fornendo un dato maggiormente strutturato, i risultati sono di gran lunga migliori. Così anche nel campo della moda: in media elaboriamo un migliaio di foto al giorno, ma non alimentiamo il sistema con l’intera foto, bensì suddividiamo il problema in varie fasi: riconoscimento del corpo della persona, riconoscimento dei singoli capi di abbigliamento, riconoscimento dei colori. Vengono cioè date all’AI immagini normalizzate, ad esempio con già l’informazione sulla temperatura del colore. Per ogni immagine, in pratica, sono definiti dei cluster di colori (una sorta di raggruppamento intelligente della gamma di colore ivi presente) e solo a quel punto entra in gioco il Machine Learning per la predizione del colore di tendenza.

E proprio in questo passaggio avete intuito la sorprendente analogia con i modelli elaborati per i mercati finanziari...
Esatto. Nella fase predittiva entrano infatti in gioco i modelli fisico-matematici cosiddetti di spin. Per farla breve, si tratta di modelli che descrivono il comportamento delle calamite come costituite da tante piccole sotto-calamite che risentono dell’orientamento reciproco dei propri vicini in una sorta di relazione imitativa. In pratica, è la stessa che intercorre fra gli investitori e ovviamente è la stessa che si genera all’interno dei social network: oltre una certa soglia di imitazione si ha una vera e propria polarizzazione verso una certa direzione, e si rileva una crescita addirittura esponenziale. Sono comportamenti assolutamente analoghi.

Davvero è sorprendente come un contesto così fortemente matematico evidenzi un atteggiamento, quello imitativo, così fortemente umano...
Proprio così. E la riprova è che il sistema funziona. Per esempio la scorsa primavera fra gli addetti ai lavori c’era molta incertezza sulla scelta fra rosso e rosa fluo come colore dominante per la stagione estiva: il nostro algoritmo ha puntato decisamente al rosa fluo e questo è stato poi assolutamente confermato dai fatti.

A che punto è oggi il vostro lavoro?
Il sistema è in fase beta ormai da qualche mese. L’azienda che ci ha suggerito questa applicazione è pronta a scommetterci, al punto da entrare nel capitale della nostra società e da farsi carico della gestione commerciale del prodotto, e dovremmo riuscire a chiudere alcune trattative con altre aziende già all’inizio del prossimo anno.

L’Intelligenza artificiale, come strumento di previsione e di supporto alle decisioni, è assieme alla sostenibilità, il trend principale del settore della moda nel 2020, secondo le linee guida tratteggiate da Retex, specialista dell’innovazione nel retail. E il sistema di Redexe va proprio in queste due direzioni, tanto più che la riduzione degli investimenti sbagliati comporta non solo un risparmio economico, ma anche un impatto sociale e ambientale da parte di un settore, il fast fashion, che, non dimentichiamolo, è il secondo più inquinante al mondo dopo quello petrolifero.

Ma c’è ancora di più: nel 2028 il mercato della moda usata è previsto ribaltare la propria posizione rispetto al fash fashion, arrivando a valere negli Stati Uniti 64 miliardi di dollari contro 44 (cfr. report 2019 di ThredUp). Ancor più di allora la partita si giocherà tutta sui social e la velocità di individuazione delle tendenze moda si rivelerà sempre più cruciale. Ecco dunque che un algoritmo nato per i mercati finanziari, ma a ben vedere profondamente calato nella natura più profonda dell’animo umano, l’imitazione, permetterà davvero di fare la differenza.