Introduction

Gwych. Fy enw i yw Ava Oppenheimer, fi yw'r Gweinidog ar Trieto. Rwy'n mynd i fynd i ddweud mwy am yr hyn rydyn ni'n ei wneud, ond yn gyntaf, rydw i'n mynd i ddechrau gyda ffaith.

Mae aviaeth yn canolbwyntio ar 2.5% o'r emisiynau gwybodaethol, emisiynau carbon, amserol. Mae'r diwydiant ffasiwn yn cydnabod tua 10%.

Nawr, y peth yw, nid yw hyn yn unig yn ystadeg. Mae'n gofyn i'w ddychmygu.

The Environmental Impact of Fashion

Felly, fel rhywun sydd wedi gweithio ym mhrofiad ac yn ffasiwn, rwyf wedi gweld yn gyntaf sut mae cynnwys drosglwyddo'n ffwrdd ar y diwydiant. Felly, heddiw, rydw i'n mynd i ddangos i chi sut y gall datasetau'n cael eu gweithredu mewn gwirionedd yn gallu helpu i newid cydnabyddiaeth a sut y gallwch chi efallai defnyddio hyn yn eich gweithdrefn.

Felly, rhwng fy Stem a'r cymorth cyntaf i, oeddwn i'n gweithio mewn cwmni tech, Synthesia, fe wnes i ddod o hyd i ffasiwn. Roeddwn i'n gweithio fel stylist ar ffilmiau lle byddwn ni'n cael cyfrif amrywiaeth o ddynion a'u cael yn ôl.

Beth sy'n digwydd i'r dynion hyn? Ac dyna'r hyn sy'n gyflwyno'r sbarch o ddiddordeb mewn ddynion a chynaliadwyedd, ac mae hynny'n rhaid i ni greu Trieto.

Fashion Industry Statistics

Felly, y mater yw, mae 80% o awdurdodau e-commerciaidd sy'n cael eu cyflwyno yn mynd i'r llyfn. Nid yw hynny'n cynnwys y cymaint sy'n cael ei gyflawni neu'n cael ei ddysgwyl.

Ac, crewch ar hynny neu be, mae'n llach i gyrffau wneud hyn. A dyna'r mater yw'r costio. Os nad yw pethau'n gweithio i'r cynhyrchwyr neu'r gwasanaethau ar ddiwedd y dydd, nid yw pobl yn hoffi. Ac mae hwnnw'n ein broblem mwyaf.

Felly, hwnnw yw, eto, yr hyn sydd wedi fy ysbrydoli i ddewis Traeato, yw sut na fyddwn ni'n mynd i newid y cymdeithas fel cyfan, ond sut y gallwn newid'r gwasanaethau sydd yno. Felly, gall hynna fod yn cael ei gyflwyno i'n ddydd i ddydd.

Trieto's Approach

Felly, beth ydyn ni'n ei wneud? Rydyn ni'n datblygu diwylliannau gweithredol â'r AI i gynhyrchu garmentau 4D.

Mae hynny'n ddiddorol iawn, ac, ie, mae'n hynny. Byddaf yn mynd at yr hyn y mae hynny'n ei olygu yn ddiweddarach.

Ond rydyn ni'n gofyn i ddatrys pethau o ran gwasanaeth a'r anoddwriaeth yn y diwylliannau ffasiwn.

Felly, beth sy'n ein gwneud yn wahanol? Nid yw'r ymdrech rydyn ni'n ei wneud yn CG, nid yw'n ddatblygu, nid yw'n ymwneud yn unig yn ymdrech Felly, oherwydd, oherwydd, diolch, dwi'n hoff i'n hollbwyntio'n hollbwysig.

The Role of Data in AI

Felly, beth yw'r rôl o ddata mewn AI? Nid yw'r AI yn creadigol yn unigol, ond mae'n hynod yn ymateb. Mae ei creadigrwydd yn ffurfio o'r cymorth rydyn ni'n ei roi.

Felly, os ydym yn meddwl amdanyn nhw fel hyn, mae ffabrig yn y material ar gyfer clywed, gallem hefyd, mewn yr un ffordd, dweud bod data yn y material ar gyfer AI. Ac yn yr un cwrs, mae materiad anodd yn rhoi clywedd anodd i ni. Felly gallwn ni ddweud yr un peth am AI.

Mae data anodd ac adnoddau anodd yn rhoi allwedd i ni. Ac rydyn ni wedi gweld hynny mewn llawer o ffyrdd gwahanol.

Yn benodol, mae tri-on wirfoddol yn bwynt mawr mewn ffasiwn AI. Ond mae'r adnoddau bresennol arnyn nhw'n cymryd rhan o sgrifio data imej, sy'n bwnc ddiddorol iawn. Ond mae'r problem yw, er nad yw'n cynhyrchu llwyddiant da, nid yw'n cynhyrchu llwyddiant gwych.

Ac nid yw'n symulio ffiseg bywydol, sy'n rhan fawr o clwff. Os ydym yn meddwl amdanyn nhw fel hyn, yn amlwg rydw i'n cymryd ychydig o ffwrdd ychwanegol ar hyn o bryd. Nid yw'r AI sydd wedi'i hyfforddi ar unigolion yn deall yr holl cyfan o'r clwff.

Os ydw i'n siarad â chi o'r safbwynt hwn, diolch. Os ydw i'n siarad â chi o'r safbwynt hwn, gallwch weld y symudiad ymlaen i fy nesaf, ymlaen i fy nesaf, ond nid ydych yn gallu gweld beth sy'n digwydd yn y tŷ. A'r ffordd mae clodd yn gweithio yw'r symudiad yn y ôl yn ymddangos yn unigol i'r holl symudiad o'r clodd.

AI and Fashion

Felly, sut allwn ni hyfforddi gwasanaethau i ddeall clywedd yn gyfan a physigrwydd bywyd wirioneddol? Felly, fel enghraifft o ddata'r cymhwysedd a'r cymhwysedd, rydw i wedi partnerio gyda chyflawniwr ExoLink sy'n defnyddio gwasanaethau AI i greu cwent. Ac mae hyn yn rhywbeth ddiddorol rydyn ni wedi'i wneud.

Ond yn y bôn, roedden ni'n cymryd enghraifft o set ddata anodd, sy'n anodd i mi ddim yn gallu cael fy nghymryd i'w ddangos i chi, a set ddata da. Ac roedden ni'n rhoi'r un prwynt i ddangos y gwahaniaeth a'r allwedd. Felly, set ddata anodd yn cynnwys amrywiaeth o ffynion iPhone gwahanol, gan gynnwys 0.5, ac os oeddech chi wedi cael eu chwarae gyda'r iPhone o'r blaen, byddwch yn gwybod bod 0.5 yn ymddangos yn gwirioneddol yn ystod y ffynion.

Felly, roedden ni'n rhoi'r pront. Mae dyn yn gweithio mewn ffordd, mewn ffordd dyn, mae hi'n ymwybodol â'r camera.

Dyma'r cyflwyniad rydyn ni wedi ei gael. Fel y gallwch weld, dyma fi, ond nid yw hynny'n fy modd. Dyma fy sleid profil ar gyfer cyfeiriad.

Nid yw'n cyflwynio fy swyddi. Yn ôl, rydw i'n atgoffa, dydw i ddim yn gwybod y set data o'r blaen, ond rydw i'n gobeithio cyhoeddi hyn i chi weld y gwahaniaethau.

Nid yw'n gwrando ar y cyflwyniad yn ddiddorol. Yn fawr, mae pobl yn ystyried AI. Nid yw'n ddigon dda.

Ond mae cyflwyniad yn rhan fawr o'r data rydyn ni'n ei ddynnu'r modelau hyn.

Importance of Quality Data

Felly roedden ni'n gwneud hynny eto, yn defnyddio'r un prwynt gyda dataset llawer gwell, mwy o ddyluniau, mwy o ddyluniau cynnigol, fel y gallwch chi ddeall gwybodaeth y dataset yn well. Ac roedd hwn yn yr allwedd rydyn ni'n ei gael.

Nid yw'n edrych yn unig fel fi, ond gan ystyried mai dyma'r tro cyntaf o ddefnyddio un dataset, mae'n eithaf dda, ac mae hefyd yn gwrando ar y prwynt. Yna, rydym wedi cymryd yr holl datasetau a'u cyfrifo mewn dataset fawr ac yn defnyddio prwynt bach.

Mae'r datasetau'n rhan bwysig iawn o ddarparu AI. Mae prwyntio hefyd yn rhan fawr o'r data rydyn ni'n ei ddarparu.

Felly, rydyn ni'n sefyll yn ystod ystod ystod. Maen nhw i gyd yn edrych fel fi, ond mae'r peth yma yw ein bod ni wedi bod yn fawr iawn bod AI wedi cael ei greu ei hun o'u greadigrwydd.

Gallwch weld, mae'r rhan fwyaf o'r ddelwedd hyn, rwy'n ddiweddar iawn, ond mae un ddelwedd lle rwy'n llawer fwy masculin, mae'n edrych yn fwy fel cadet ynaf. Dydw i ddim yn gwybod pam mae hynny wedi digwydd, ond mae'n ddiddorol gweld beth mae AI'n ei wneud, ble mae'n mynd, a pham mae'n mynd yn y ffordd honno.

Synthetic vs. Non-Synthetic Data

Felly, mae hyn yn fy modd i siarad am data sets.

Synthetic versus non-synthetic.

So, synthetic data sets are artificial intelligence, essentially. So, they're generated based off computer vision and simulations.

Super cool, because they're fully customisable, super large scale, very cost-effective, because you don't have to be in a studio shooting everything. And for the same reasons, diversity and control are huge, because you can say, cool, I want to shoot 1,000 people. How much is that going to cost in a studio?

Gyda gwahaniaeth a rheoli, gallwch ddweud, yn iawn, rydyn ni'n mynd i wneud 10,000 o bobl am ffraciwn o'r cost ac hefyd gael canlyniad gwell oherwydd mae'r data yn fwy gwahanol. Fodd bynnag, nid yw data synthetig yn fawr iawn, ac mae yna ddibwysiant model llawn. Os nad yw'r data sy'n cyflwyno'r data synthetig hwnnw'n ddigon dda, bydd eich cychwyn yn ddrwg, fel rydw i wedi'i ddangos i chi yn yr enghraifft gyda'r ddelwedd cyflwyno.

Mae'r ymdrech cychwyn yn fawr. Mae angen modelau genhedlaethu sy'n fawr iawn i gyflawni data synthetig dda.

Yn unig, Rwy'n dweud, rydyn ni i gyd yma nawr. Mae AI yn bwysig ac mae mwy a mwy o bobl yn dysgu amdano, felly nid oes angen i ni bwysleisio am arbenigwyr yn y ffordd hwnnw.

Pros and Cons of Synthetic Data

Nawr, symud ymlaen i ddata synthetig. Pros. Cynhyrchydd sylfaenol uchel, cydnabod a ddim ystyried. Rwy'n mynd i'r rhain i'r un pwynt allweddol yma, sef nad oes ymgysylltiad.

Rydych chi'n hyfforddi set ddata ar sefydliadau byw byw byw. Felly, er enghraifft, mae rhywbeth enw Volumetric Capture, ac os nad ydych chi'n ymwybodol o hynny, mae hynny'n ymwneud â 360 gradd o sganio'r corff. Gwych, gwych, gwych. Gyda hyn, gallwch weld yn sefyllfa bywyd gwirioneddol sut mae pethau'n symud, sut mae person yn gweithio.

Ond, mae prosesu'n costio ffotwn, ac mae cael pobl i fod yn rhan o'r datasetau hyn ychydig yn anodd yn ymwybodol â'r amgylchedd diwethaf AI. Yn unig, mae'r pay-off yn uchel iawn. Dydw i ddim yn dangos hyn i ddweud, penderfynwch un neu'r arall, nid yw hynny.

Ond gobeithio y gallwch weld bod rhai o'r gwybodaethau a'r data synthetig yn cysylltu â rhai o'r canlyniadau mewn data bywyd. Ac mae hyn yn dangos ein bod yn gallu defnyddio'r rhain gyda'i gilydd i greu canlyniadau gwych iawn. A dyna'r hyn rydyn ni'n ei wneud yn TRIATO.

Fe wnes i ddewis y byddaf wedi gofyn i ChatGPT beth roedd hi'n meddwl am y mathau gwahanol hwnnw o ddata, ac roedd hwn yn yr allwedd rydyn ni'n ei gael. Mae data synthetig a data gwirioneddol ddim yn cydweithwyr, maen nhw'n gydweithwyr. Pan maen nhw'n cael eu defnyddio gyda'i gilydd, maen nhw'n ffordd mwyaf allweddol i hyfforddi modelau AI sy'n gydweithredol a hyfforddiol.

Ac fel y dywedais, dyna'r hyn rydyn ni'n ei wneud yng Nghymru. Rydyn ni'n ceisio cael modelau hyfforddiol a hyfforddiol i hyfford

Conclusion

Now I'm going to briefly discuss the bigger picture. 1So, as I mentioned, the fashion industry contributes to 10% of global carbon emissions.

Everyone in this room has clothes on and I'm sure everyone in this room has ordered clothes at least once in their life. I know my mum, for example, when something goes on sale, she's like, oh, top for five quid. Am I small? Am I a medium? Am I a large? I'll order all and I'll return some.

Ac mae hynny'n ffyrdd rydyn ni'n ei leoli mewn cymdeithas ac rydyn ni ddim yn meddwl am y canlyniadau o'n gweithgareddau.

Ac mewn gwirionedd, dydw i ddim yn cydnabod bod cymaint o bobl yn gobeithio, sy'n ddrwg iawn iawn. Felly, beth allwn ni ei wneud i newid y ffordd rydyn ni yng nghymru?

Rydyn ni eisiau gwella trioddau gwirfoddol yn trioddau gyda ddata gwell, felly gallwn lleihau'r adnoddau'n gyffredinol. Ydych chi'n dychmygu dylunio garmen yn gwirfoddol, mae'n cyfeillio'n gwych ac gallwch weld hynny ar ddynion corff unigol, cyn i unrhyw ddyn o ffabrig gael ei ddysgu.

Yn y ffordd hon, mae greadigwyr yn dal i greu, mae cymdeithasau yn dal i fuddsoddi, ac mae'r byd yn dal i fyw. Ac rwy'n credu mai dyna'r peth allweddol. Nid oes rhaid i ni gompromiso unrhyw beth yma, ond gallwn ddefnyddio AI ar gyfer llesiant yn y ffordd hon.

Mae'n bwysig adnabod nad yw AI yma er mwyn lleihau gweithredaeth. Mae'n yma er mwyn ei gynyddu.

Er mwyn canolbwyntio ar sut rydyn ni'n gweithredu a chynhyrchu datasetau, gallwn nodi'r potensial llawer o AI.

Ac os ydych chi'n gweithio gyda'r AI yn eich gweithgareddau, rydw i'n gofyn i chi, beth ydych chi'n gweithio'r data gyda, a beth ydych chi'n cael ei gyflwyno? Ac mae hynny'n fy arwain i fwy o gyfweliad, rwy'n ddiolch, nid oes gen i ddemo.

Ond ie, rydw i eisiau agor.

Diolch yn

Q&A Session

A yw'n fwy ar y safle dyluniad? Felly bydd y cwmnïau'n dyluni gwaith sy'n llai tebyg i gael ei gyflwyno neu yw'n fwy ar y safle prynu? Mae'n llai tebyg i chi gael pethau sy'n rhaid i chi eu cyflwyno neu'r ddau? Ie, cwestiwn gwych.

Felly, mewn gwirionedd, yr hyn rydym ni fel cwmni ymchwil, rydym yn ymchwil am llawer o wahanol ffyrdd y gallwn, eto, cynnwys A.I. mewn i ddiogelu. Felly, mae'n ymwneud â'r ddau. Yr hyn rydym ni'n ei wneud yw ceisio creu diwylliannus wirioneddol.

Felly, gallwch weld, eto, heb geisio ar ddynion gwirioneddol, beth fyddai'n edrych ar eich coed. Yn ogystal â hynny, mae yna ddiddordeb gwych fel Clo3D, lle, fel dylunydd, gallwch ddefnyddio manwsgriptau 2D, sy'n enwedig techpacks, a gweld beth fyddai'n edrych fel mewn aset 3D. Byddwn ni'n mynd i wneud rhywbeth tebyg, ond byddwn ni'n cyflwyno dechnolegau ychydig wahanol, fel y gallwch weld ffisigrwydd go iawn. Yn ogystal â hynny, ar gyfer dylunyddion a chynhyrchwyr fwyaf, rwy'n gobeithio bod hynny'n ateb i'ch cwestiwn.

A beth yw'r broblem fwyaf rydych chi'n ei gael gyda'r data wirioneddol? Nid yw'r bobl eisiau rhoi'r imej eu corff neu beth? Ie, dyna gwestiwn gwych.

Felly, fel y dywedais yn gyflym, captur volumetric, dyna un o'r ffyrdd rydyn ni'n cael y data wirioneddol honno. Felly, rydyn ni'n cysylltu synthetig â data wirioneddol. Mae problem mawr yw cael pobl ar bwrdd â phethau.

Mae pobl yn anodd iawn am ffacio, ac os ydyn nhw'n rhan o'r datasetau AI, beth mae hynny'n ei olygu iddyn nhw ar gyfer eu llywodraeth, os maen nhw'n gwerthu eu gwreiddiadau i AI. Felly, rwy'n credu mai dyna'r adnodd mwyaf rydyn ni'n ei drafod ar hyn o bryd. Yn ogystal â'r cost o brosesu, mae hynny'n beth mawr ar hyn o bryd.

Nid ydych chi eisiau ceisio creu tŵl gynaliadwy a chael cymaint o bwyd cyfrifol, oherwydd rydyn ni'n gwybod beth mae A ydych chi wedi cael syniad o beth mae pobl eraill yn ei wneud yn y ffordd hon? Ie, dyna gwestiwn gwych.

Mae yna ddewision hyfryd ar hyn o bryd, yn enwedig gyda try-ons wirfoddol. Mae llawer o bobl yn gwneud 3D, sy'n hyfryd iawn. Yn amlwg, rydyn ni i gyd wedi gweld 3D o'r blaen.

Ond rwy'n credu mai'r mater yw ein bod ni wedi dod i ffyrdd o siarad am 3D fel yw 2D. Ac mae hyn yn y peth rwyf wedi'i weld yn llawer. Rydyn ni'n ceisio cyfathrebu cyfnod o'r ffordd a gwneud gwybod beth yw ffiseg ac ystyried beth yw ffiseg.

Yr hyn rydyn ni'n ei wneud yw 4D, felly rydyn ni'n gweithredu amser i'n modelau hyfforddi ac, gan hynny, rydyn ni'n dweud, iawn, beth yw ar ddechrau fy fferm i nad ydych chi'n gallu gweld beth sy'n digwydd? A sut mae hynny'n effeithio ar y cyfan o'r clod, er enghraifft? A'r peth da gyda capture volumetric yw efallai y gallwch

yn fideo, gweld beth sy'n digwydd, ac yna hyfforddi hynny i'ch modelau. Felly, gobeithio y bydd hynny'n llwyr, ond dyna ein dull unigol. Mae'n mynd i 4D dros 3D.

Ond ie, os yw hynny'n bwysig, diolch yn fawr iawn i chi.