De Nederlandse modegroep The Sting gebruikt de AI-stack van Google Cloud om productbeschrijvingen te automatiseren, modelfoto’s te genereren en een contenthub voor meerdere merken op te zetten. Wel kiest het modebedrijf ervoor om altijd een mens de eindcontrole te laten doen.
Tijdens Google Cloud Live AI in Amsterdam sprak Techzine met Martijn Schouwe, AI-manager bij The Sting en Martin du Prie van Xebia. Samen bouwen zij AI-oplossingen voor The Sting. The Sting is een modegroep met 145 winkels in Nederland en België. Net als veel andere bedrijven begon The Sting zijn AI-traject met experimenten. Het eerste concrete resultaat was de automatisering van productbeschrijvingen. Wanneer er een nieuw kledingstuk binnenkomt, maakt het systeem een foto, combineert deze met de richtlijnen voor de tone of voice van het merk en genereert een productbeschrijving. Een contentmarketeer controleert de beschrijving voordat die live gaat in de webshop.
Deze workflow weerspiegelt een principe dat de AI-aanpak van The Sting kenmerkt: menselijk toezicht bij elke stap voor publicatie. Er wordt aan efficiëntie gewonnen, maar de redactionele controle wordt niet uit handen gegeven.
De GenAI Photo Studio
Het ambitieuzere initiatief is de GenAI Photo Studio van The Sting, waar met AI foto’s worden gegenereerd van modellen die echte kledingstukken dragen voor de webshop. Schouwe beschrijft het doel als het zo nauwkeurig mogelijk nabootsen van het bestaande, conventionele fotografieproces. Dit omvat het genereren van meerdere foto’s per kledingstuk en het vragen van toestemming voordat een afbeelding online gaat. De modellen in de foto’s bestaan niet echt, de kledingstukken wel.
Dit was geen eenvoudig AI-project. Het simpelweg plaatsen van een kledingstuk op een oppervlak en het genereren van een afbeelding levert niet de kwaliteit op die nodig is voor een modewinkel. Het team moest uitzoeken hoe stof op een lichaam valt. Denk aan hoe verschillende materialen, zoals linnen of leer, visueel overkomen, en hoe consistentie kan worden bereikt voor duizenden SKU’s. Schouwe merkt op dat de AI-modellen van Google al een groot deel van de materiaalredenering voor hun rekening nemen. Dit helpt voorkomen dat voor elke afbeelding afzonderlijk om input moet worden gevraagd. Dat is uiteindelijk een vereiste voor elke AI-oplossing, het moet schaalbaar zijn.
Nauwkeurigheid is vooral een commerciële noodzaak. Als een gegenereerde afbeelding een kledingstuk verkeerd presenteert, denk aan een verkeerde stoftextuur, een verkeerde pasvorm of een verkeerd silhouet, dan is de kans groot dat klanten die op basis van die afbeelding een aankoop doen, het artikel terugsturen. Dat is precies wat het team probeert te voorkomen.
Lees ook: Van pilot naar productie: wat er echt nodig is om AI in de praktijk toe te passen
De Content Hub: één platform, meerdere merken
Du Prie van Xebia brengt zijn achtergrond bij een digitaal contentbureau mee naar het project, en dat is bepalend voor zijn bijdrage: een bredere Content Hub, gebouwd op Google Cloud. Het uitgangspunt is eenvoudig: merken hebben veel verschillende soorten content nodig, van statische Instagram-afbeeldingen tot afbeeldingen voor productdetailpagina’s en korte video’s. Het is inefficiënt om elk type in een aparte tool of workflow te maken. De Content Hub zou daar een oplossing voor kunnen bieden.
De Content Hub biedt één UI/UX-omgeving waar merkteams het type asset kunnen selecteren dat ze nodig hebben, vervolgens kunnen ze het genereren met behulp van het juiste basismodel en het direct doorsturen voor beoordeling. Collega’s van de juridische afdeling of marketing kunnen worden aangewezen als beoordelaars, ontvangen meldingen en beheren hun beoordelingswachtrij via een dashboard.
Richtlijnen en onderbouwing
Twee technische elementen maken de Content Hub geschikt voor gebruik binnen grote ondernemingen. Ten eerste zorgen merk- en visuele richtlijnen ervoor dat gegenereerde content binnen de gedefinieerde identiteit van elk merk blijft. Ten tweede is het model gebaseerd op echte productdata, een cruciale vereiste voor de modebranche. Als de AI een kledingstuk introduceert dat niet in de voorraad aanwezig is, ontvangen klanten iets anders dan wat ze hebben besteld. Dat leidt tot meer retourzendingen. Door de generatie te koppelen aan geverifieerde productassets wordt die kloof gedicht.
De basismodellen van Google vormen de kern
De Content Hub maakt gebruik van verschillende basismodellen van Google. Nano Banana zorgt voor het genereren van afbeeldingen. Veo maakt het mogelijk om video’s te maken. Voor korte videocontent waarvoor een voice-over nodig is, is Lyria beschikbaar voor het genereren van audio. Du Prie merkt op dat Google zijn eigen oplossingen op de markt brengt, maar bewust ruimte laat voor branchespecifieke implementaties. Dit werkt goed voor een modewinkelketen die met meerdere merken actief is in een specifieke regionale markt.
Schaalbaarheid is de echte uitdaging
Iedereen met toegang tot Nano Banana kan één aantrekkelijke afbeelding genereren. De uitdaging is om 1.000 afbeeldingen van 1.000 verschillende kledingstukken consistent te genereren, binnen de merkrichtlijnen en gekoppeld aan product- en consumentengegevens. En dit alles te presenteren via een gebruikersinterface die niet-technische gebruikers met vertrouwen kunnen bedienen. Dit is het probleem dat de Content Hub moet oplossen, en daarvoor is integratie met de bestaande e-commerce-gegevensinfrastructuur nodig in plaats van op zichzelf staande AI-tools.
The Sting gebruikt ook gevectoriseerde productbeschrijvingen van oudere kledingstukken als referentielagen voor het genereren van nieuwe beschrijvingen, hiervoor gebruikt men vectorzoekfuncties binnen de workflow voor productbeschrijvingen, ook al bevinden de bredere mogelijkheden voor vectorzoekfuncties zich in hun e-commerceplatform in plaats van in de Google Cloud-stack.
Bekijk ook: Hoe Mollie ML en AI combineert in een gereguleerde fintech
Detectie van sociale trends en de feedbackloop
Met het oog op de toekomst beschrijft Schouwe de ambitie om trends op sociale platforms te detecteren en daarop in te spelen. Dit kan worden gedaan door in reactie daarop relevante content te genereren, continu te publiceren, prestaties te meten en de resultaten terug te koppelen naar de volgende cyclus. Deze content-engine met gesloten loop staat nog op de roadmap, maar de onderliggende componenten, denk aan trenddetectie, contentgeneratie en prestatiemeting, worden momenteel onderzocht.
Dankzij AI kan The Sting sneller en goedkoper werken
Dit voorbeeld laat goed zien hoe een modebedrijf met AI sneller en goedkoper kan werken. De AI-modellen zijn zeer bedreven in het opstellen van productbeschrijvingen die perfect bij het merk passen en kunnen binnen enkele minuten afbeeldingen en video’s van de kledingstukken genereren, terwijl er voorheen een fotograaf en modellen moesten worden ingepland om alle foto’s te maken. Dit bespaart tijd en geld en stimuleert innovatie. Het is een goed voorbeeld van hoe AI bedrijfsprocessen kan verbeteren en kosten kan besparen.
Lees ook: Vrouwen blijven te veel buiten beeld bij AI-uitrol