Sessie van 19 december: drie AI-klussen in productdata

De sessie van 19 december 2024 splitste AI in productdata in drie klussen die je apart kunt beleggen: beelden, vindbaarheid en foutdetectie. Elke klus heeft een eigen eigenaar nodig.

De opname:

Sprekers:

• Stephan Spijkers, medeoprichter van PIMvendors, over AI in productdatabeheer en vindbaarheid
• Morten Næss, EVP of Technology bij Bluestone PIM, over AI die nu al in een PIM te gebruiken is
• Hendrik van Zwol, "The AI Magician", over hyperrealistische beelden, inclusief de milieukant van AI in productfotografie

Hendrik bracht de milieukosten van AI in productfotografie ter sprake.

Wat de sessie feitelijk behandelde:

Eerst kwam mode aan bod. Realistische productbeelden en virtuele modellen, en een manier om de winkel persoonlijker te maken met minder studiotijd. Dat is een assetworkflow. Die loopt mis als de kledingattributen, de maatreeks en de kleur fout zijn, want dan verkoopt het beeld een product dat je niet hebt.

Daarna kwam vindbaarheid aan bod: zoeken dat een gewone zin begrijpt, en suggesties uit meer dan één marktplaats. Wat de klant te zien krijgt, is maar zo goed als de attributen erachter. Een vaag record geeft een vaag antwoord.

Foutdetectie kwam als laatste, en dat is de klus die de meeste teams overslaan. Volgens de sprekers kan analyse in de PIM fouten en inconsistenties opsporen en corrigeren. Juist dat woord "corrigeren" moet je toetsen. Een voorstel dat een medewerker accepteert, is een andere controle dan een wijziging die ongemerkt wordt doorgevoerd.

Beleg ze als drie aparte beslissingen:

• Beelden: wie een gegenereerde foto goedkeurt voordat die een studiofoto vervangt.
• Vindbaarheid: welke attributen de zoekfunctie mag vertrouwen.
• Correcties: welke velden een model mag wijzigen, en welke bij een persoon blijven.

Varianten, seizoenen en de snelheid van onboarding in mode staan in PIM voor mode en kleding. Gegenereerde beelden zijn assets. In welk systeem je die bewaart, lees je in waar DAM voor staat. Fouten opsporen en corrigeren is een governancekeuze, uitgewerkt in productdatakwaliteit en governance. Vindbaarheid gericht op een agent, in plaats van een klassiek zoekvak, hangt af van het record zoals beschreven in AI-ready productdata.