Mağazadan alışveriş dönemi sona mı erdi? Teknoloji, güzellik endüstrisini yeni bir seviyeye taşıyor.
Makyaj endüstrisi yıllar içinde büyük bir dönüşüm geçirdi ve hızla büyüdü. Markalar, farklı cilt tiplerine ve kişisel tercihlere hitap eden geniş bir ürün yelpazesi sunuyor. Ancak ürün çeşitliliği arttıkça, kişinin kendi ihtiyaçlarına uygun ürünü bulması da zorlaştı.
Buna karşılık, geleneksel e-ticaret sitelerinin sunduğu ürün açıklamaları genellikle yetersiz kalıyor. Özellikle makyaj ürünü satın alırken kritik öneme sahip olan renk, parlaklık seviyesi ve bitiş türü gibi malzeme özelliklerine dair yeterli bilginin bulunmaması, bu eksikliğin başlıca sebeplerinden biri.
Bu sorunu çözmek amacıyla Dezaki et al. (2023), makyaj ürünlerinin malzeme özelliklerini görsellerden tanımlayan bir yapay zeka sistemi geliştirdi. Geliştirilen araç, hem ürün keşfi hem de sanal deneme sistemleri için fayda sağlıyor. Virtual try-on (sanal deneme) sistemleri ise alışveriş sürecini daha etkileşimli ve hassas hale getirerek kullanıcı deneyimini optimize ediyor. Araştırmacıların geliştirdiği otomatik sistem üç temel bileşenden oluşuyor:
1. Makyaj Ürünlerinin Temel Özelliklerinin Belirlenmesi: Bu bileşen, makyaj ürünlerinin temel özelliklerini (ana renk, yansıtıcı renk, format ve bitiş türü gibi) görsellerden tanımlar. Format, ürünün dokusunu ifade eder (toz, krem, stick veya sıvı). Bitiş türü ise ürünün yüzeyde bıraktığı etkidir (mat, parıltılı, metalik veya simli gibi). Bu süreçte, görsel seçimi, renk tonu bölgelerinin tespiti, renk tahmini ve format sınıflandırması gibi çeşitli makine öğrenimi yöntemleri kullanıldı.
2. Giyim Ürünlerinin Renk ve Doku Analizi: Bu bileşen, giyim ürünlerinin renk ve doku gibi özelliklerini görsellerden analiz eder. Bu özellikler, belirli kıyafetlerle uyumlu makyaj ürünlerinin önerilmesini sağlar.
3. Makyaj ve Giyim Uyumu: Bu bileşen, kişisel tercihlere veya giyim tarzına göre belirli makyaj ürünlerini önermek için kullanılır. Sistem, örneğin bir kıyafetle uyumlu göz farı veya ruj gibi kişiselleştirilmiş öneriler sunabilir.
Araştırmacılar, 3.700 göz farı ürününden oluşan bir veri seti üzerinde kapsamlı deneyler yaptı. Her ürün için yaklaşık 5 görsel kullanıldı. Sonuçlara göre, sistem malzeme özelliklerini tanımlamada oldukça etkili. Aynı zamanda ana renk tahmini o kadar başarılı ki, insanlar tahmin edilen renk ile gerçek rengi ayırt etmekte zorlanıyor.
Ayrıca, bu sistem ruj ve fondöten gibi diğer makyaj kategorilerinde de başarılı sonuçlar vererek çeşitli ürünlerde kullanılabileceğini kanıtladı.
Araştırmacılar, makine öğrenimi yöntemlerinin performansını insanların yorumlarıyla karşılaştırmak için ek testler yaptı. Sonuçlar, sistemin insan yargısına kıyasla daha tutarlı ve objektif olduğunu gösterdi. Bu da sistemin oldukça doğru ve güvenilir olduğunu ortaya koyuyor.
Ürün Önerileri Alanındaki Etki
Ürün önerileri söz konusu olduğunda, bu sistem oldukça etkili. Malzeme özelliklerini entegre ederek daha ilgili ve kişiselleştirilmiş öneriler sunuyor. Örneğin, sistem bir kıyafetin rengine ve kumaş türüne uyumlu bir göz farı veya ruj önerebiliyor. Yapılan bir çalışmada, katılımcıların %78’i sistemin önerdiği seçenekleri tercih etti. Bu da malzeme özelliklerinin makyaj önerilerindeki önemini vurguluyor.
Sonuç
Araştırma, makyaj ürünlerinin malzeme özelliklerini tanımlayan kapsamlı bir makine öğrenimi sistemi sunuyor. Bu sistem, yalnızca ürün keşfi için değil, aynı zamanda sanal deneyim (virtual try-on) sistemleri için de oldukça etkili. Göz farı, ruj ve fondöten gibi çeşitli makyaj kategorilerinde yüksek doğruluk gösteriyor. Ayrıca, giyim ürünleriyle uyumlu öneriler sunarak kişiselleştirilmiş tavsiyelerde malzeme özelliklerinin önemini ortaya koyuyor. Sanal deneme sistemleri makyaj endüstrisinde yaygın olarak kullanılsa da, bu araç daha doğru ve kişiselleştirilmiş ürün önerileri sunarak çevrimiçi makyaj alışveriş deneyimini dönüştürme potansiyeline sahip.
Kaynak
Dezaki, F. T., Arora, H., Suresh, R., Banitalebi-Dehkordi, A., & Celikik, M. (2023, September). Automated material properties extraction for enhanced beauty product discovery and makeup virtual try-on. In Workshop on Recommender Systems in Fashion and Retail (pp. 33-52). Cham: Springer Nature Switzerland.
