Wenn Worte nicht ausreichen, lassen Sie Bilder sprechen: Wie die visuelle Suche die Produktsuche neu definiert

Menschen denken visuell. Warum also nicht genau so suchen lassen?

In der heutigen inhaltenreichen Welt erwarten Kunden mehr als nur schnelle Ergebnisse. Sie wünschen sich Sucherlebnisse, die sich natürlich und mühelos anfühlen. Die traditionelle visuelle Suche, einst futuristisch, beginnt dieses Versprechen einzulösen, was sich in ihrer wachsenden Nutzung widerspiegelt.

Aber der eigentliche Durchbruch liegt nicht nur darin, Bilder zu erkennen. Er besteht darin, sie zu verstehen.

Im Kern verwandelt die visuelle Suche Bilder in digitale Fingerabdrücke. Dies sind einzigartige Muster, die Farbe, Form und Kontext erfassen. Das System vergleicht diese Fingerabdrücke mit anderen in einem gemeinsamen Bereich, um visuell ähnliche Elemente zu finden.

Doch hier liegt die Herausforderung. Die traditionelle visuelle Suche greift oft zu kurz.

Hier ist der Grund: 

• Ein Produktfoto zeigt möglicherweise ein Sofa, einen Teppich und einen Hund, was es schwierig macht, festzustellen, woran der Käufer tatsächlich interessiert ist.
• Ein verschwommenes, schräges Bild könnte das System verwirren.
• Wichtige Produktdetails wie Grösse, Material oder Stil finden sich oft im Text und nicht auf dem Bild

Multimodale KI verändert das Spiel, indem sie Bilder und Text – und sogar Audio und Video – zu einem einzigen, gemeinsamen Verständnis zusammenführt. Sie erkennt nicht nur, was sich auf einem Foto befindet. Sie versteht, was dieses Foto bedeutet.

Das bedeutet, dass Ihre Kunden Folgendes tun können:

• Mit einem Bild suchen und mit Worten wie „so wie das, aber in Schwarz“ verfeinern
• Beschreiben Sie einen Vibe wie „minimalistisch“, „erdig“ oder „entspannt“ und erhalten Sie Ergebnisse, die zu dieser Stimmung passen.
• Laden Sie ein Foto hoch, ohne den Produktnamen zu kennen, und finden Sie es trotzdem

Es ist nicht nur eine intelligentere Suche. Es ist menschlicher .

Wir verbessern die bildbasierte Suche, indem wir sie kontextbezogener und intelligenter gestalten. Anstatt ein Bild als eigenständige Eingabe zu behandeln, kombiniert jede Suche sowohl das Bild als auch den dazugehörigen Text, einschliesslich Produkttiteln, Beschreibungen und Attributen. Dies bedeutet, dass das System nicht nur versteht, wie etwas aussieht, sondern auch, was es ist und wie es beschrieben wird.

Wir verwenden eine sogenannte multimodale Darstellung, die eine Möglichkeit bietet, sowohl visuelle als auch textuelle Informationen in ein gemeinsames Format zu kodieren, das das System verstehen kann. Dies ermöglicht es uns, die Suche eines Benutzers – unabhängig davon, ob sie mit einem Foto, einer Phrase oder beidem beginnt – auf sinnvolle Weise mit jedem Produkt im Katalog zu vergleichen.

Jedes Produkt wird als Composite-Vektor dargestellt. Betrachten Sie dies als ein intelligentes digitales Profil, das das Aussehen des Produkts mit beschreibenden Daten-Einblicken verbindet. Dies stellt sicher, dass wichtiger Kontext erhalten bleibt. Wenn beispielsweise ein Nutzer ein Foto eines Models hochlädt, das ein komplettes Outfit trägt, es sich bei dem zum Verkauf stehenden Artikel jedoch um ein Paar Schuhe handelt, weiss das System anhand des begleitenden Textes, dass die Schuhe im Mittelpunkt stehen.

Das Ergebnis ist ein Sucherlebnis, das nicht nur visuell ähnliche Artikel liefert, sondern wirklich relevante Treffer. Dies spiegelt sowohl das wider, was der Nutzer sieht, als auch, was es bedeutet, indem visuelle Erkennung mit semantischem Verständnis kombiniert wird.

Multimodale Suche ist nicht nur ein „Nice-to-have“. Sie löst reale Probleme, mit denen sich Anwender täglich konfrontiert sehen. Nehmen wir zum Beispiel diese häufigen Situationen:

• “Ich weiss nicht, wie das heisst.” → Laden Sie ein Foto hoch und finden Sie es sofort.
• „Das gefällt mir, aber nicht genau.“ → Verfeinern Sie mit natürlicher Sprache wie „kürzer“, „für den Sommer“ oder „aus Leder“.
• “Ich möchte denselben Vibe.” → Beschreiben Sie es auf Ihre Art und überlassen Sie den Rest dem System.

Für Vermarkter bedeutet das weniger Sackgassen, mehr Konversionen und ein Sucherlebnis, das sich wie Magie anfühlt.

Bei der visuellen Suche geht es nicht mehr nur darum, Objekte zu erkennen. Es geht darum, Absichten zu erkennen. Multimodale KI schliesst die Lücke zwischen dem, was Kunden sehen, und dem, was sie meinen, und schafft so ein Sucherlebnis, das ebenso intuitiv wie leistungsstark ist.

Erfahren Sie mehr über Experience Search