ファッションコーデを全力で解析する人工知能「ファッションおじさん」が登場 | SiTest (サイテスト) ブログ

メニューボタン閉じるボタン

ファッションコーデを全力で解析する人工知能「ファッションおじさん」が登場

ファッションの好みを伝えれば人工知能が学習し、ユーザーの嗜好に合わせた服を提案してくれるサイトやアプリなど、ファッションと人工知能を掛け合わせたサービスがぞくぞくとリリースされています。

スナップ写真で解析したがる「ファッションおじさん」

株式会社ニューロープは、ファッションスナップを自動で解析する人工知能「ファッションおじさん」をリリースしました。

LINEでファッションおじさんに友達申請してチャット上でファッションスナップを送ると、そのスナップのアイテムを解析して類似商品や参考コーディネートを案内するというものです。

画像を送ると、すぐにURLが送られてきます。

これをクリックすると、スナップの服装を解析した結果を、アイテムタグと、どれくらい類似しているかを「おじさんの所感」を添えて提出してきます。

ワンピースは理解しているようですが、柄の詳細は自信がないようです。
出来ればハットも検知してほしかったのが本音ですが、勉強中とのことなので、期間を空ければ判定してくれるかもしれません。

人工知能「#CBK scnnr」


この「ファッションおじさん」を動かす人工知能は「#CBK scnnr(カブキスキャナー)」という名前がついています。

同社が運営するファッションサイト「#CBK(カブキ)」にある約100万枚のファッションスナップを、ニューラルネットワークに基づいて学習しています。
ニューラルネットワークとは機械学習で扱われる計算アルゴリズムの一種です。
下記の記事でニューラルネットワークについて詳しく解説していますので併せてお読みください。
人間の脳を模倣した?「ニューラルネットワーク」とは何か。

先ほどのファッションスナップを送るとアイテムタグを出してくるように、
画像を一度言語化するため、既存のサービスやEコマースに組み込みやすくなっているのがこの「#CBK scnnr」の強みです。

人工知能の判定制度を高めるために必要なこと

人工知能の画像解析技術を活用して、類似したアイテムを提案するファッションアプリ。
利用するファンの増加とともに、ファンの期待に応える機能の向上が求められています。

人工知能は、あらかじめ膨大なデータを読み込ませ、特定の画像を分類させる研究が一般的です。

例えば、1枚のスカート画像に「これは何のアイテムか」を正確に答えるには事前に1000万枚以上のスカートの画像を学習させなければいけません。
つまり、膨大な時間とパワーをかける必要があるのです。

利用ユーザーが増え、学習させる画像が増えるほどアルゴリズムの精度が上がると想定できますが、反対に、学習する情報の分類があいまいになると精度が落ちるケースもあると言われています。

服の種類を判定・ユーザーへの推薦を目的とした深層学習の研究レポートによると、
画像全体のマッチングを試みる場合よりも、カテゴリを階層的に分類することで分類精度が向上し、推薦システムへ有用性が高まると発表しました。

また、ニューラルネットワークの過学習を抑えて精度の高い判定をさせるためには、局所的情報を取得する方法を考える必要があると述べています。

さいごに

テキスト検索で商品を探す手間が省けたり、自分の持っているアイテムを着まわすためにインフルエンサーのコーディネートを参考にしたりなど、誰でもかんたんに気になるアイテムを手に入れることが可能になりました。
現在は、ファッションコーデにフォーカスしたサービスが多いですが、正確に解析できるようになれば、その服装に合ったアクセサリーや音楽などをおすすめするサービスが展開されるかもしれません。

人工知能を活用したサービス全般に言えることですが、最終的には「商品と顧客のマッチング精度をどれだけ高められるか」ということに尽きます。
ですので、まずはマッチング精度を極限まで最適化することが重要です。

なお、SiTestブログでは、ファッションと人工知能をテーマにした記事を複数お届けしています。
こちらも併せてチェックしてみてください。
・「人工知能×ファッション…流行を作るのはデザイナー?ユーザー?それともデータ?
・「異性ウケを熟知したAIがユーザーに合った商品をレコメンドする時代に

参考資料

・#CBK scnnr
 http://scnnr.cubki.jp/
・「ファッションおじさん」
 https://prtimes.jp/main/html/rd/p/000000007.000024452.html
・「深層学習を用いたファッションコーディネート因子の抽出」(PDF)
 https://kaigi.org/jsai/webprogram/2016/pdf/101.pdf