Amazon travaille sur de nouveaux systèmes à base d’intelligence artificielle pour permettre à ses clients de voir en photo ce que donnent des ensembles de vêtements et accessoires sur des modèles, le tout de façon automatique et dynamique à partir des requêtes des clients.
Amazon perfectionne ses outils dédiés à « l’essayage virtuel » (la prévisualisation sur des photos) des vêtements et autres accessoires de mode. Ses chercheurs spécialisés en intelligence artificielle, qui travaillent au sein du Lab126, l’unité de R&D d’Amazon, ont développé de nouvelles fonctionnalités utilisant plusieurs algorithmes simultanément. Leurs recherches ont été détaillées sur le blog Amazon Science le 5 juin et seront présentées lors de la conférence CVPR (Computer Vision and Pattern Recognition), organisée par l’IEEE, qui se tiendra virtuellement du 14 au 19 juin prochain.
COMBINER AUTOMATIQUEMENT DIFFÉRENTS CRITÈRES
Le premier algorithme permet aux utilisateurs d’affiner leurs requêtes en spécifiant des variations de certains critères (couleur, coupe, taille, motif…) à partir d’une image. Par exemple, l’utilisateur peut modifier un produit en tapant par exemple « motif floral plus clair ». Le deuxième établit des recommandations de produits qui peuvent se marier avec les vêtements ou accessoires déjà sélectionnés, et le troisième synthétise l’image d’un modèle portant plusieurs vêtements ou accessoires distincts à partir des choix de l’utilisateur, pour voir s’ils s’accordent bien.
La difficulté, relève Amazon, est d’utiliser du texte pour affiner une image provenant d’un résultat de requête : il faut trouver un moyen de fusionner les descriptions textuelles et les caractéristiques de l’image en une seule représentation, tout en intégrant différents niveaux de précision – l’utilisateur pouvant affiner sa recherche avec des mots et expressions très abstraits – et enfin préserver la qualité de l’image originelle tout en tenant compte des modifications.
Pour ce faire, la Marketplace Amazon a mis au point un système basé sur trois éléments : une image source, une révision textuelle et une image cible qui correspond à la modification. Chaque élément est traité en parallèle par un réseau de neurones différent. A chaque passage, la représentation de l’image source est fusionnée avec la représentation du texte, et cette représentation est corrélée avec la représentation de l’image cible. Chaque représentation doit prendre en charge des modifications textuelles. Chaque fusion des représentations linguistique et visuelle est réalisée via un réseau neuronal à deux composantes. Le premier identifie les caractéristiques visuelles qui devraient être les mêmes dans les images source et cible. Le second identifie les caractéristiques qui doivent changer.
GÉRER LA DÉFORMATION DES VÊTEMENTS SUR LE CORPS
Le troisième système, baptisé Outfit-VITON, tente une nouvelle approche pour synthétiser un modèle portant des vêtements. Les chercheurs expliquent que les systèmes de machine learning existants sont entraînés à partir de photos du même vêtement prises depuis différents angles de vue, un procédé laborieux.
Leur système utilise à la place des GANs (generative adversarial networks ou réseaux antagonistes génératifs) pour transformer l’image d’un article en fonction des requêtes d’un utilisateur. Il s’appuie par ailleurs sur les mensurations de l’utilisateur afin de fournir une estimation aussi proche que possible de la façon dont le vêtement serait porté dans la vie réelle. Selon Amazon, ce système améliore de 58% la correspondance avec une modification textuelle.
Amazon utilise un processus en trois étapes pour synthétiser une image d’un modèle portant des vêtements issus de différentes sources. D’abord un réseau de génération de formes, puis un réseau de génération d’apparence. La troisième étape affine les paramètres pour préserver certaines caractéristiques comme le logo ou un motif, sans modifier la silhouette du modèle.
DES PRÉCÉDENTS AVEC ECHO LOOK
Si ces avancées technologies sont prometteuses, encore faut-il que ces « essayages » correspondent à une expérience de qualité pour l’utilisateur. Si dans le cas d’expériences de réalité augmentée, comme ce que propose L’Oréal dans le domaine de la beauté, on peut réellement parler d’essayage virtuel, le terme peut sembler abusif pour une « simple » visualisation de vêtements en photo sur un modèle. Passé cette nuance, les ressources technologiques d’Amazon lui permettent de se démarquer des enseignes traditionnelles à l’heure actuelle, et cela représente un avantage non négligeable.
La firme de Seattle utilise d’ailleurs déjà des technologies d’intelligence artificielle pour nourrir Style by Alexa, développée pour l’application Amazon Shopping. Cette fonctionnalité propose des recommandations, compare et évalue des tenues et vêtements de manière personnalisés en combinant algorithmes et données clients. Elle est née en 2017 avec la caméra connectée Echo Look, qui était doté d’une fonctionnalité « Style Check » permettant à ses utilisateurs d’obtenir en temps réel des recommandations et des conseils personnalisés à partir de leurs photos ou de vidéos.
LE COÛT DE LA LOGISTIQUE DES RETOURS
Les fonctionnalités d’essayage virtuel se multiplient ces derniers mois, avec différents niveaux de maturité. L’un des plus intéressants en date est un projet mené par une équipe de chercheurs issus du Media and Data Science Research Lab d’Adobe, de l’Institut indien de technologie d’Hyderabad et de l’université Stanford. Baptisé SieveNet, en référence à l’utilisation d’un réseau de neurones, leur projet a pour objectif de reproduire les caractéristiques d’un vêtement à la perfection, notamment la matière et les plis en fonction du modèle le portant, le tout sans altérer la qualité de l’image finale.
Alors que le textile est un secteur fragile et durement touché par la pandémie qui a entraîné la fermeture de nombreux magasins, ces outils permettant de mieux estimer le rendu réel d’un vêtement deviennent de plus en plus importants pour assurer une vente. Ce type de fonctionnalité permet par ailleurs de réduire le nombre de retours, qui augmentent de manière exponentielle avec la hausse des commandes en ligne et la possibilité offerte par certains sites e-commerce, comme Zalando et Asos, de ne régler que les achats conservés.
A noter qu’Amazon s’essaie depuis un an environ à ce type de service. « Personal Shopper by Prime Wardrobe » permet aux clientes américaines de recevoir chaque mois une box personnalisée de vêtements et de renvoyer gratuitement les autres. Plébiscité par les consommateurs, ce type d’option provoque, en incitant les consommateurs à commander davantage d’articles pour les essayer à domicile, une augmentation des retours et un coût logistique important en matière de livraison et de traitement en entrepôt.