Was ist Klassifikation in der Mode?
Eine Machine-Learning-Aufgabe, die jedes Element einer von mehreren vordefinierten Kategorien zuordnet.
Kurz erklärt
Klassifikation (Classification) ist eine Machine-Learning-Aufgabe, die jedes Element einer von mehreren vordefinierten Kategorien zuordnet. In der Mode treibt sie Aufgaben an wie das Taggen von Produktbildern als Kleid, Rock oder Oberteil oder die Vorhersage, ob bei einer Bestellung ein Stornierungsrisiko besteht.
Wie funktioniert es in der Praxis?
Ein Klassifikationsmodell wird mit Beispielen trainiert, die bereits das richtige Label tragen. Hat es genug gelabelte Produktbilder gesehen, lernt es zum Beispiel, welche visuellen Muster auf einen V-Ausschnitt, eine Midilänge oder einen Blumenprint hinweisen. Kommt ein neues Bild hinzu, gibt das Modell die wahrscheinlichste Kategorie aus, meist zusammen mit einem Konfidenzwert.
Typische Anwendungen in der Mode sind:
- Automatisches Attribut-Tagging von Produktbildern für Kataloge und B2B-Portale.
- Einordnung von Retourengründen in Kategorien wie Passform, Qualität oder Farbe.
- Markierung von Bestellungen oder Kunden mit Risiko für Stornierung oder verspätete Zahlung.
- Weiterleitung eingehender E-Mails von Händlern an das richtige Team.
Das Gegenstück für kontinuierliche Zahlen, etwa die Vorhersage einer Verkaufsmenge, heisst Regression.
Warum ist das wichtig?
Einheitliche Kategorien sind das Rückgrat von Suche, Filtern, Reporting und Planung. Manuelles Tagging ist langsam und fällt je nach Person unterschiedlich aus, besonders bei grossen saisonalen Kollektionen. Klassifikation macht Produktdaten vollständiger und einheitlicher, was verbessert, wie Einkäufer Produkte finden und wie Analytics-Teams sie vergleichen.
Wie nutzt KI sie?
Moderne Klassifikatoren stützen sich bei Bildern oft auf Computer Vision und bei Texten auf Sprachmodelle. Einige neuere Systeme können in Kategorien einordnen, auf die sie nicht explizit trainiert wurden, indem sie eine Beschreibung jeder Kategorie lesen, was hilft, wenn eine Marke neue Attribute einführt.
Typische Fallstricke
Ein Klassifikator lernt, was ihm seine Trainingslabels beibringen. Uneinheitliches Labelling, etwa zwei Namen für dieselbe Farbe, führt zu verworrenen Ergebnissen. Kategorien müssen klar definiert sein, Grenzfälle brauchen Regeln, und Vorhersagen mit geringer Konfidenz sollten zur Prüfung an eine Person gehen. Modelle müssen zudem neu getestet werden, wenn sich der Produktmix ändert, etwa wenn eine Marke in eine neue Kategorie einsteigt.
Häufige Fragen
Was ist ein Beispiel für Klassifikation in der Mode?
Ein gängiges Beispiel ist das automatische Taggen von Produktfotos mit Attributen wie Art des Kleidungsstücks, Ausschnitt oder Muster. Das Modell ordnet jedes Bild vordefinierten Kategorien zu, sodass die Produktdaten einheitlich sind.
Wie genau sind Modelle zur Bildklassifikation in der Mode?
Die Genauigkeit hängt von der Qualität der Trainingslabels und davon ab, wie klar sich die Kategorien unterscheiden. Eindeutige Attribute wie die Art des Kleidungsstücks sind meist einfacher als subtile wie die Stofftextur, daher prüfen viele Teams Ergebnisse mit geringer Konfidenz manuell.
