1. ВВЕДЕНИЕ

Происхождение одежды до сих пор является предметом жарких споров среди историков. Все, от того, когда это произошло, до того, как это началось, остается в значительной степени неясным, но не требуется антрополога, чтобы заметить, что одежда постоянно развивается. То, что древние люди могли начать как средство защиты от ужасных ледниковых периодов, теперь превратилось в взрыв форм, цветов и текстур.

Сегодня одежда - это больше, чем просто средство прикрыться. Это форма выражения, которая подчеркивает характер человека так же, как и его поведение. Все, от того, что они носят, до того, как они это носят, красноречиво говорит об этом человеке. Значение одежды проистекает из множества факторов, включая, помимо прочего, культуру, декоративный дизайн, социальное положение и стандарты ценности [1]. Например, Thwab (см. Рис. 1.) - это платье с длинными рукавами и длиной до щиколотки, которое носят мужчины на Ближнем Востоке и на Арабском полуострове. Мы можем наблюдать корреляцию между температурой места и цветом тваба. В жарких регионах люди предпочитают носить белый тваб, поскольку белый поглощает меньше тепла, и это стало широко распространенным культурным присвоением в этих регионах.

Такие области, как медицина, финансы и т. Д., Очень важны, и прорыв может иметь широкомасштабное влияние на мир. Хотя прорывы в моде не обещают решений, изменяющих жизнь, тем не менее, они в конечном итоге влияют на нашу жизнь. Отрасли, связанные с модой, процветают, поскольку мировая индустрия моды - это индустрия с доходом в 3 триллиона долларов, и на нее приходится около 2% мирового валового внутреннего продукта [2].

1.1 Искусственный интеллект и мода

Мы живем в век информации, и это эпоха, когда данные намного ценнее золота. Мы производим около 2,5 миллиона терабайт данных каждый день, и по-человечески невозможно проанализировать эту кучу данных, не говоря уже о статистических выводах. Здесь на сцену выходит машинное обучение.

Машинное обучение (M.L.) - это подраздел искусственного интеллекта, который позволяет машинам предсказывать результаты, изучая закономерности между различными точками данных. Будь то рекомендация телешоу или обнаружение злокачественной опухоли на рентгеновском снимке, M.L. Алгоритмы имеют множество приложений в современном мире. Решения на основе машинного обучения быстро становятся нормой во многих отраслях, и индустрия моды - одна из них.

Объем этого исследования не ограничивается только приложениями искусственного интеллекта в мире моды. Я также кратко коснусь результатов своих экспериментов по этому поводу. После этого я расскажу о трех приложениях ИИ в мире моды, а также кратко опишу, как каждое из них работает и какие организации их используют.

2. МОИ ЭКСПЕРИМЕНТЫ

Появление социальных сетей навсегда изменило рекламный ландшафт. Никогда в истории человечества ни одна организация не имела возможности адаптировать рекламу для индивидуального таргетинга на людей. Социальные сети повысили узнаваемость бренда среди потребителей и улучшили связь с аудиторией. Instagram и Facebook стали новым авангардом моды. В Instagram размещено более 25 миллионов аккаунтов брендов, и около 80% пользователей подписаны хотя бы на один [3].

Ежедневно в Instagram публикуется около 95 миллионов сообщений [3]. Согласно исследованию, проведенному отделом исследований Statista в 2019 году, 0,96 ежедневных публикаций в Instagram относились к моде [4]. Что ж, если посчитать, получается огромное число. С точки зрения инженера по машинному обучению, каждое сообщение - не более чем точка данных в этом массивном наборе данных. Я хотел изучить и количественно оценить факторы, определяющие, сколько лайков получает пост о моде в Instagram.

Я использовал разнообразный набор функций, таких как количество комментариев, язык подписи, количество помеченных учетных записей, подтвержденный статус и т. Д. Помимо этого, я использовал следующие техники для извлечения признаков:

  1. Анализ настроений в заголовках и комментариях. Текущий анализ настроений дает хорошее представление о настроениях, стоящих за публикацией. Я заметил, что посты с положительными подписями имеют положительные комментарии и набирают больше лайков.
  2. Узор и цвет изображения. Я подумал, что может помочь количественная оценка информации о цвете и узоре. Я пропустил изображения через модель YOLOv4, чтобы обнаружить и локализовать людей на этих изображениях. Я извлек изображения людей, а затем прогнал их по двум моделям. Одна модель определила узоры на их одежде, а другая - доминирующий цвет. На Рисунке 2 изображены характеристики модели.
  3. brisq_score: Instagram - это визуальная платформа, и качество изображений способствует их популярности. BRISQUE расшифровывается как «слепой / без эталонного оценщика пространственного качества изображения», и это алгоритм, который использует оценку качества изображения без эталонного изображения. Поскольку изображение не сравнивается с каким-либо другим изображением, этот процесс называется слепым или референсным. Искажения могут проникать в изображение разными способами, такими как размытие, шум, водяные знаки, преобразования цвета, геометрические преобразования и т. Д. BRISQUE пытается идентифицировать эти искажения, а затем оценивает изображение от 0 до 100, где 0 соответствует высшему баллу качества изображения, а 100 - самому низкому.
  4. Содержание изображения. Обнаружение бегущих объектов на изображениях помогло мне количественно оценить визуальную информацию с точки зрения ее содержания. Фигура. 2 представляет часто встречающиеся объекты в зависимости от их частоты.

Это были некоторые из выдающихся особенностей, которые я использовал в этом мини-проекте. Прогностическим моделям не хватало огневой мощи, чтобы делать высокоточные прогнозы, да и набор данных не был достаточно большим. Я узнал, что существует много данных, ожидающих сбора и анализа. Прогностические модели могут использоваться для оценки тенденций, а также для определения рынков и управления ими. Я подробно расскажу об этих приложениях в следующем сегменте.

3. ПРИЛОЖЕНИЯ AI

Многие отрасли принимают искусственный интеллект как новую норму, и мода не отстает. В индустрии моды существует множество различных применений ИИ. Однако большинство из них относятся к бизнес-аспекту этой отрасли. Это исследование относится к приложениям искусственного интеллекта, связанным с модой. Три основных таких приложения:

1. Прогностический анализ

2. Расширенный поиск

3. Генеративное моделирование

3.1 Прогностический анализ

Прогнозный анализ - это надмножество таких действий, как интеллектуальный анализ данных, анализ данных, статистические выводы. Это относится к процессу сбора большого количества информации и последующего прогнозирования неизвестного в будущем. Прогнозный анализ очень популярен на фондовом рынке. В мире моды компании используют прогнозный анализ, чтобы отслеживать меняющиеся тенденции, следить за продуктами конкурентов и понимать предпочтения потребителей.

Прогнозирование трендов включает в себя отслеживание и анализ модных тенденций и покупательских привычек людей. Я рассмотрел свой взгляд на расширенный прогнозный анализ в разделе 2. Здесь я упомянул общие практики, которые компании используют для прогнозирования тенденций в моде на основе искусственного интеллекта.

Для машинного обучения первостепенное значение имеют качественные данные. С появлением социальных сетей недостатка в данных не было. Анализ сообщений в социальных сетях может помочь определить, какие товары популярны. Включив мои методы из раздела 2. Можно создавать продвинутые модели машинного обучения, которые могут определять изменения на рынке моды. Это касается не только социальных сетей. Быстрое и повсеместное внедрение торговых площадок электронной коммерции, таких как Amazon, eBay и т. Д., Упростило отслеживание структуры потребления клиентов.

Такие модели искусственного интеллекта полагаются на непрерывные данные, которые показывают либо потребление продукта пользователями, либо популярность продукта в социальных сетях. Алгоритмы машинного обучения могут обнаруживать модели потребления, которые могут быть невидимы невооруженным глазом. Такие модели, как LSTM, используются для отслеживания сезонных данных. Наличие ячеек памяти позволяет им легко отслеживать временные данные и рисовать закономерности между ними.

Стартап Finesse из Кремниевой долины использует эту технологию для создания новых продуктовых линеек на основе прогнозируемых тенденций. Их каталог довольно интересен и сильно отличается от того, что предлагают другие сайты. Каталог состоит из одежды, которая может быть в тренде в ближайшие несколько месяцев. Это помогает им получать доход, потому что они не только выделяются среди конкурентов, но и будут иметь продукты, готовые к отправке к тому времени, когда начнется тенденция.

3.2 Расширенный поиск

Почти во всех фильмах или сериалах можно нанять хорошего художника по костюмам. Их задача - выбрать лучшие костюмы на основе роли актера, и вы знаете, что они сделали свою работу правильно, когда костюмы дополняют тему и характер, которого играет актер. Если какая-то одежда привлекает ваше внимание, и вы с нетерпением ждете возможности ее купить, то поиск этого товара может стать проблемой. Несмотря на то, что каждый предмет платья в фильме может быть каталогизирован, найти точный комплект одежды, который использовался в конкретной сцене, - настоящая проблема.

Расширенный поиск изображений использует множество различных моделей для идентификации различных предметов. одежды в каждой сцене, а затем выполняет поиск в базе данных, используя показатели сходства изображений, чтобы определить точные платья. В разделе 2 этого исследования я продемонстрировал аналогичную концепцию, используя две разные модели для определения узоров и цветов в одежде, но в ней отсутствовала возможность поиска. Расширенные модели используют алгоритмы сегментации для сегментации пикселей, содержащих одежду на каждом изображении, а затем классифицируют их по различным классам, таким как рубашки, шорты, платья и т. Д. Эти сегменты затем используются в качестве ссылок другой моделью для выполнения поиска на основе изображений и ближайшее совпадение будет указано в результате.

Amazon выпустила один из таких продуктов, который в народе называется шазам для одежды, и это программное обеспечение на базе искусственного интеллекта помогает покупателям находить одежду. Название этого продукта - StyleSnap. Вы можете опробовать это приложение, перейдя по этой ссылке. Можно загрузить изображение, и Amazon покажет ту же одежду в своем каталоге. Эта поисковая система ускоряет поиск ткани для потенциальных клиентов и повышает их удовлетворенность.

3.3 Генеративное моделирование

Природа - один из величайших архитекторов, которых я когда-либо видел. Миллионы лет эволюции привели к появлению организмов, способных выжить в любых условиях и обладающих невероятными способностями. Эти методы проб и ошибок привели к появлению этих организмов за миллионы лет. А теперь представьте, что, если мы воспользуемся искусственным интеллектом для создания одежды для нас на основе фиксированных критериев? Такой вид автоматизированного проектирования называется генеративным моделированием.

Эволюционные алгоритмы - это вычислительные алгоритмы, вдохновленные эволюцией. Этот алгоритм начинается с набора образцов, и на первой итерации некоторые из этих образцов умирают. Из сохранившихся образцов создается следующее поколение, и с каждой итерацией пружины становятся все лучше и лучше. Каждое последующее поколение приводит к лучшим образцам. Для. Например, если целью является создание прочной обуви с использованием минимального количества материала. Каждое последующее поколение будет выпускать обувь, для изготовления которой потребуется меньше материала. Похожий пример можно увидеть здесь.

Помимо этого, генерирующие состязательные сети используются для создания новых невидимых дизайнов. Эти конструкции можно фильтровать и улучшать, используя строгие параметры дискриминатора. GAN, сокращение от Generative Adversarial networks, - это нейронные сети, состоящие из двух модулей. Один - генератор, а другой - дискриминатор. Оба играют друг против друга в игре с нулевой суммой. Перед генератором возложена задача

генерирование выходных сигналов, которые дискриминатор не может различить. Роль дискриминатора - различать выходные сигналы, генерируемые генератором. В конце концов, и то, и другое продолжает улучшаться и дает желаемые результаты.

Генеративное моделирование в моде может привести к созданию невиданной ранее одежды, экологически чистой, недорогой и приятной для глаз. ИИ штурмует дизайн и вписывается в сферу моды, поскольку заботится как об эстетике, так и о полезности.

4. ЗА И ПРОТИВ

Также как у монеты две стороны. Слияние моды и искусственного интеллекта также имеет свои преимущества и недостатки. Хотя преимущества перевешивают недостатки, стоит перечислить оба. Вот они:

4.1 Преимущества

ИИ в моде имеет следующие преимущества:

  1. Лучшее взаимодействие с пользователем: пользователи будут иметь индивидуальный опыт просмотра одежды, не говоря уже о простоте доступа. Покупки будут приятными, и они будут тратить меньше времени на просмотр бессмысленных каталогов.
  2. Уменьшение запасов. Производители ткани оценивают, какие рисунки и цвета могут подойти. Это требовало их производства на основе этих оценок и обычно приводило к непроданным товарам. Лучшее понимание и точное прогнозирование снизят запасы и связанные с ними цены [5].
  3. Более точные прогнозы. Это приведет к увеличению продаж для продавцов и компании, поскольку они могут предсказать предстоящую тенденцию и подготовиться к ней. Эти прогнозы будут использовать данные из социальных сетей и продаж электронной коммерции, чтобы сделать точные прогнозы о предстоящих тенденциях.
  4. Разнообразие продуктов. Генеративное моделирование приведет к созданию более совершенных продуктов, доступных в различных формах, размерах, дизайне и цветах. Модели покупки этой одежды позволят лучше и глубже понять поведение покупателей.
  5. Повышение прибыли для производителей. Производители смогут выпускать яркие дизайны за небольшую часть стоимости. Это приведет к увеличению прибыли производителей. Следовательно, более высокая прибыль.
  6. Более высокое соотношение цены и качества. Поскольку покупатели получат продукцию более высокого качества за небольшую часть цены, они смогут покупать товары более высокого качества с более высокой денежной стоимостью и избежать потерь.
  7. Экологичные продукты. Оптимизируя производственный процесс с помощью генеративного моделирования, продукты становятся экологичными. Используя более разумные и строгие ограничения при выполнении генеративных процедур. Это приведет к производству товаров, для производства которых используется меньше сырья. Таким образом, минимизация потерь и максимизация пропускной способности.

4.2 Недостатки и этическая дилемма

С точки зрения продукта, у использования ИИ в моде не так много недостатков. Недостаток предусмотрительности и исследований может привести ко многим проблемам. Опять же, ИИ не влияет напрямую на эти аспекты, но может сыграть решающую роль.

  1. Расточительство. Более выгодные предложения, лучший дизайн и лучшее качество продуктов могут привести к перерасходу средств среди клиентов. Эти чрезмерные расходы могут контролироваться брендами, если будут предприняты определенные меры, такие как интеллектуальная реклама. Если не установить флажок, это приведет к разбазариванию. Перерасход приведет к первоначальному буму в индустрии моды, но этот бум утихнет и приведет к большим потерям.
  2. Агрессивная реклама. Агрессивная реклама побуждает пользователей тратить больше, а это может привести к разорению. Специально подобранная реклама делает пользователя недовольным, а временами заставляет его чувствовать себя неадекватно или открыто осознавать структуру своего тела. Это состояние называется дисморфией тела, и благодаря социальным сетям оно растет. Это психологически побудит их больше тратить на моду для борьбы с дисморфией и создаст дьявольскую петлю.

С этим можно справиться, установив строгие и четкие правила для рекламы. Ограничение степени, в которой ИИ может собирать информацию о жизненном выборе пользователей, приведет к менее адаптированной рекламе и приведет к меньшему ущербу.

5. ВЫВОД

Искусственный интеллект может найти прорыв в мире моды. Интеллектуальные конструкции и инструменты прогнозирования на базе искусственного интеллекта могут улучшить взаимодействие с пользователем и сделать производственный конвейер более экологически чистым. Некоторые этические дилеммы могут возникнуть из-за агрессивной персонализированной рекламы, и с ними можно бороться, используя строгие этические принципы. Я верю, что ответственное использование ИИ приведет к светлому будущему индустрии моды.

6. ЛИТЕРАТУРА

  1. ТЕ РАНГИ ХИРОА, 1973. САМОАНСКАЯ МАТЕРИАЛЬНАЯ КУЛЬТУРА.
    Бюллетень Музея Бернис П. Бишоп, Лондон
  2. FASHION UNITED, 2020 .
    https://fashionunited.com/global-fashion-industry-statistics/
  3. BRAND WATCH, 2019.
    https://www.brandwatch.com/blog/instagram-stats/
  4. STATISTA, 2019.
    https://www.statista.com/statistics/873935/daily-instagram-brand-posts-by-vertical/
  5. САМАНТА ВОЛХУТЕР, 2021.
    https://wearebrain.com/blog/ecommerce/ai-sustainable-fashion/