Los influencers generados por IA han sido un tema importante el año pasado. Sus empresas literalmente construyen para lanzar modelos de Instagram de IA que se ven igual que las personas, y publicarán sus "vidas" en Instagram. Y esas personas se ven absolutamente reales, excepto que realmente no existen en el mundo real, o debería decir, existen, pero es más probable que sean un ingeniero de solicitudes masculino que controla todos esos diferentes modelos de IA en lugar de una chica real. Y algunos de ellos son claramente falsos y generados por IA, pero aún así tienen 20K, 80K o incluso más de 100K seguidores en Twitter, y probablemente esté generando algún tipo de ingresos.

Por lo tanto, aunque realmente no entiendo por qué la gente quiere seguir a alguien que saben que no es real, claramente lo demandan. He estado pensando en qué tipo de valor comercial real o caso de uso podría existir para esos modelos de IA. Y recientemente, mi cuñado, Rich, que está dirigiendo un pequeño negocio en China para vender ropa en línea, me preguntó: "¿Puedes hacer que la IA cree 20 o 30 publicaciones sociales diferentes de personas usando mi ropa todos los días?"

Esto me parece bizarro al principio, como ¿por qué necesitas tantas publicaciones nuevas todos los días? Entonces me dijo que la razón por la que necesita tantas publicaciones nuevas todos los días es porque para las personas que compran cosas en línea en China, irían a plataformas de redes sociales como Red Book para encontrar a otras personas que también compraron productos similares y ver sus reseñas e imágenes. Y si alguien busca la ropa que él está vendiendo, entonces el cliente ganará más confianza de que este producto probablemente sea una buena opción.

Realmente no sé si su brillante estrategia realmente va a funcionar, y personalmente no me gusta mucho la idea de publicaciones de redes sociales generadas por IA. Pero creo que los modelos impulsados por IA para la moda y la ropa van a ser muy valiosos. Puede ayudar a las personas a visualizar cómo se verán las prendas mucho mejor que una imagen estática, y esos sitios de comercio electrónico pueden generar una gran cantidad de imágenes de productos para diferentes tipos de clientes.

Los probadores de moda impulsados por IA pueden proporcionar un valor significativo tanto para las empresas de comercio electrónico como para los clientes:

1. Experiencia mejorada para el cliente: Al permitir a los clientes probarse virtualmente la ropa, pueden visualizar mejor cómo les quedarán las prendas. Esto mejora la experiencia de compra y reduce la probabilidad de devoluciones debido a un ajuste o apariencia deficientes.

2. Aumento de las tasas de conversión: Cuando los clientes pueden verse a sí mismos usando la ropa, es más probable que realicen una compra. Esto puede conducir a tasas de conversión más altas y a unas ventas mejoradas.

3. Reducción de devoluciones: Con la capacidad de probarse virtualmente la ropa, los clientes tienen menos probabilidades de pedir artículos que no les queden bien o les sienten bien. Esto puede conducir a una reducción en las costosas devoluciones, lo que puede tener un impacto significativo en los resultados de un negocio.

4. Presentación eficiente de productos: Generar una gran cantidad de imágenes de productos con diferentes modelos, poses y entornos puede ser una tarea laboriosa y costosa. Los probadores de moda impulsados por IA pueden automatizar este proceso, permitiendo a las empresas crear un catálogo de productos más diverso de manera más eficiente.

5. Recomendaciones personalizadas: Los datos recopilados a partir de las experiencias de prueba virtual de los clientes se pueden utilizar para proporcionar recomendaciones de productos personalizadas, mejorando aún más la experiencia de compra y aumentando la probabilidad de ventas adicionales.

6. Ampliación de la oferta de productos: Con los probadores de moda impulsados por IA, las empresas pueden ofrecer una gama más amplia de productos, ya que ya no dependen únicamente de muestras físicas de productos o sesiones de fotos profesionales.

En general, la integración de los probadores de moda impulsados por IA puede proporcionar una ventaja competitiva significativa para las empresas de comercio electrónico, mejorando la experiencia del cliente, aumentando las ventas y reduciendo los costos operativos.

Resumen

En esta sección, exploraremos cómo construir una pipeline de generación de imágenes de IA flexible y potente utilizando herramientas como Stable Diffusion, Confiy AI y el marco Autogon de Anthropic. Cubriremos los siguientes aspectos clave:

1. Comprensión de los modelos de difusión: Profundizaremos en los principios subyacentes de los modelos de difusión y cómo se pueden utilizar para generar imágenes de alta calidad a partir de indicaciones de texto.

2. Aprovechamiento de Confiy AI: Utilizaremos Confiy AI, un proyecto de código abierto, para crear un flujo de trabajo personalizado de generación de imágenes que nos permita integrar varios modelos y técnicas, como IP Adapters y Control Net.

3. Implementación en Replicate: Aprenderemos a implementar nuestro flujo de trabajo de Confiy AI en Replicate, una plataforma alojada, para hacerlo accesible como un servicio de API escalable.

4. Construcción de un sistema multiagente: Finalmente, construiremos un sistema multiagente utilizando el marco Autogon de Anthropic, donde diferentes agentes colaborarán para generar, revisar y mejorar la imagen final.

Al final de esta sección, tendrás una comprensión integral de cómo construir una pipeline de generación de imágenes de IA flexible y potente que se pueda utilizar para diversas aplicaciones, como la creación de contenido para redes sociales, la visualización de productos de comercio electrónico y más.

Para implementar el modelo de IA en Replicate, necesitamos realizar algunos cambios leves en el flujo de trabajo. Replicate admite modelos y nodos personalizados específicos, por lo que necesitamos encontrar alternativas compatibles con su plataforma.

Primero, debemos eliminar algunos nodos personalizados que Replicate no admite. En este caso, eliminaremos el nodo prepare image for inside face. Luego, podemos usar la imagen original en su lugar.

Después de realizar estos cambios, podemos hacer clic en el botón "Guardar formato de API" para guardar el flujo de trabajo como un archivo JSON. Este archivo JSON se puede cargar en Replicate para crear un nuevo flujo de trabajo.

A continuación, necesitamos actualizar el modelo utilizado en el flujo de trabajo. Replicate admite un conjunto diferente de modelos, por lo que tendremos que encontrar una alternativa que funcione para nuestro caso de uso. En este ejemplo, utilizaremos el modelo Jugernaut.

También debemos cambiar el nodo load image para que use una URL de imagen en lugar de un archivo local. Esto facilita el uso del flujo de trabajo en Replicate.

Una vez realizados estos cambios, podemos copiar el archivo JSON e ir a la interfaz de usuario de Replicate. Aquí, podemos crear un nuevo flujo de trabajo y pegar el código JSON. Replicate entonces generará la imagen en función del flujo de trabajo que hemos definido.

El tiempo total para generar la imagen en Replicate es de aproximadamente 2 minutos, lo que es mucho más rápido que ejecutarlo en una máquina local con una GPU 3080. Esto se debe a que Replicate utiliza GPU potentes para escalar el proceso de generación de imágenes.

Una cosa a tener en cuenta es que algunas partes de la imagen generada pueden no coincidir perfectamente con la imagen de ropa original. Para abordar esto, podemos construir un sistema multiagente que itere en el proceso de generación de imágenes hasta que la ropa sea una coincidencia del 100%.

En la siguiente sección, exploraremos cómo crear este sistema multiagente utilizando el marco Autogon, que facilita la configuración de flujos de trabajo complejos con varios agentes que colaboran para lograr el resultado deseado.

Resumen

En esta sección, exploraremos cómo crear un sistema multiagente utilizando AutoGPT para generar y refinar imágenes impulsadas por IA para aplicaciones de moda y comercio electrónico. El sistema consistirá en varios agentes que trabajarán juntos para:

1. Generar una imagen inicial en función de una indicación de texto y una imagen de referencia.
2. Revisar la imagen generada y proporcionar comentarios para mejorarla.
3. Ajustar la imagen mediante la corrección de cualquier problema y el escalado a una mayor calidad.

Este enfoque permite un proceso de generación de imágenes más iterativo y controlado, aprovechando los puntos fuertes de diferentes modelos y técnicas de IA.

Implementación del sistema multiagente

Configuración del entorno

1. Crea una nueva carpeta para tu proyecto y ábrela en Visual Studio Code.
2. Crea tres archivos: tools.py, main.py y un archivo .env para almacenar tus credenciales de API.

Definición de las herramientas

En tools.py, crearemos las funciones que los agentes utilizarán para realizar sus tareas.

# Código de las herramientas

Configuración de los agentes

En main.py, definiremos los agentes y sus interacciones.

# Código de los agentes

En esta configuración, tenemos tres agentes:

1. Generador de imágenes: Responsable de generar la imagen inicial en función de la indicación proporcionada y la imagen de referencia.
2. Revisor de imágenes: Compara la imagen generada con la imagen de referencia original y proporciona comentarios sobre qué tan bien coinciden.
3. Ajustador de imágenes: Corrige cualquier problema con la imagen generada (por ejemplo, distorsión de las manos) y la escala a una mayor calidad.

El group_chat y el group_chat_manager gestionan la coordinación y el flujo de información entre los agentes.

El agente user_proxy es responsable de iniciar el flujo de trabajo y pasar la indicación inicial y la imagen de referencia al grupo de chat.

Ejecución del flujo de trabajo

Para ejecutar el flujo de trabajo, ejecuta el script main.py. Los agentes colaborarán para generar, revisar y refinar la imagen hasta que el resultado final sea satisfactorio.

La salida mostrará el historial de chat entre los agentes, incluidos los comentarios y las iteraciones sobre la imagen generada.

Conclusión

Al crear un sistema multiagente con AutoGPT, hemos construido un flujo de trabajo flexible y extensible para generar y refinar imágenes impulsadas por IA. Este enfoque permite un mejor control, personalización y aseguramiento de la calidad en comparación con un proceso de generación de imágenes de un solo paso.

Puedes mejorar aún más este sistema agregando más agentes especializados, integrando modelos de IA adicionales y explorando diferentes casos de uso más allá de la moda y el comercio electrónico.