تصویر :voguebusiness.com
مجله بنیادی
نئو-فشن: یک سیستم پیش‌بینی روند مد مبتنی بر داده با استفاده از تحلیل کت‌واک
پیش‌بینی روند، جنبه‌ای چالش‌برانگیز و مهم در صنعت مد است. نویسندگان یک سیستم تحلیل روند مد جدید به نام «نئو-فشن» طراحی کرده‌اند که با استفاده از بینایی کامپیوتر و یادگیری ماشین، توصیه‌هایی را در مورد روندهای بالقوه مد به محققان و متخصصان مد ارائه می‌دهد. نئو-فشن شامل سه ماژول است: یک ماژول جمع‌آوری و برچسب‌گذاری داده‌ها، یک ماژول تقسیم‌بندی نمونه و یک ماژول تحلیل روند. نظریه انتشار نوآوری به عنوان چارچوب نظری اصلی برای درک روندهای مد استفاده می‌شود. 32702 تصویر کت‌واک از هفته مد 2019 جمع‌آوری و 769 تصویر به عنوان داده‌های آموزشی برچسب‌گذاری شدند. نئو-فشن قادر است اقلام مد را در تصاویر داده شده شناسایی و تقسیم‌بندی کند و روندهای مد را در رنگ‌ها، سبک‌ها، ترکیب لباس‌ها و سایر ویژگی‌های مد نشان دهد. برای بهینه‌سازی سیستم، می‌توان منابع داده بیشتری را در نظر گرفت تا نه تنها روندها را در دسته‌های بیشتری منعکس کند، بلکه به درک فرآیند ریزش یا تراوش در مد نیز کمک کند.
از تطبیق با سبک زندگی گروه اجتماعی خود گرفته تا ابراز فردیت خود، مصرف‌کنندگان به دلایل مختلف از مد استفاده می‌کنند و همیشه به دنبال راه‌های جدید و متفاوت برای ابراز زیبایی‌شناسی خود هستند. بنابراین، روندهای مد معمولاً بی‌ثبات و وابسته به زمان هستند. امروزه، صنعت مد جهانی دارای یک زنجیره تأمین طولانی است که شامل طراحی مد، منبع‌یابی، تولید، بازاریابی و غیره می‌شود. به همین دلیل، پیش‌بینی تغییرات اغلب سریع در روندهای مد و تمرکز بر محصولات مناسب برای موفقیت بسیار مهم است (بیخچاندانی و همکاران، ۱۹۹۲). با این حال، برای متخصصان مد، ارائه پیش‌بینی‌های دقیق از روندها از منابع و روش‌های داده موجود، چالش برانگیز است.
تصویر : voguemagazine.com
در دنیای مد، پیش‌بینی روند به عنوان جستجوی وسیله‌ای برای پیش‌بینی خلق و خو، رفتار و عادات خرید مصرف‌کننده با شناسایی روندها تعریف می‌شود (هالند و جونز، ۲۰۱۷). با ظهور رویکردهای محاسباتی به روند مصرف‌کنندگان، پیش‌بینی مد به یک حوزه تحقیقاتی نوظهور در بینایی کامپیوتر و یادگیری ماشین تبدیل شده است (Choi et al., 2011; Liu, Luo, et al., 2016; Zhao & Sun, 2018). می‌توان خلاقیت و الهام متخصصان مد را به یک ساختار داده‌محور، به‌ویژه برای پیش‌بینی کوتاه‌مدت، تبدیل کرد. بسیاری از محققان تلاش کرده‌اند تا مدل‌های محاسباتی را برای پیش‌بینی روندهای مد به کار گیرند. Choi et al. (2011) یک مدل خاکستری و مدل شبکه عصبی را برای ایجاد یک مدل ترکیبی جدید که روندهای رنگ را با استفاده از داده‌های ژورنال پیش‌بینی می‌کند، ترکیب کردند.
مدل خاکستری با هدف حل مشکلات سیستم‌های خاکستری، که اغلب با عدم قطعیت در اطلاعات شناخته شده و ناشناخته مواجه هستند، طراحی شده است، در حالی که مدل شبکه عصبی از ساختار شبکه عصبی بیولوژیکی تقلید می‌کند تا الگوهای داده را "یادگیری" کرده و پیش‌بینی کند (Choi et al., 2011). Al-Halah et al. (2017) رویکردی را برای پیش‌بینی محبوبیت سبک‌های بصری با استفاده از یک شبکه عصبی کانولوشن و داده‌های محصولات مد آمازون معرفی کرد. شبکه عصبی کانولوشن، زیرگروهی از شبکه عصبی، الگوهای مرتبط با داده‌ها را از طریق عملیات کانولوشن استخراج می‌کند ("یاد می‌گیرد")، و به طور گسترده برای تجزیه و تحلیل و طبقه‌بندی تصاویر بصری استفاده می‌شود (الحله و همکاران، ۲۰۱۷).
اما تا به حال، اکثر مطالعات مربوط به پیش‌بینی روند مد تنها بر پیش‌بینی یک جنبه از محصولات مد متمرکز بوده‌اند. هیچ‌کدام از آن‌ها روشی سیستماتیک برای پیش‌بینی جامع روندهای مد گسترده‌تر، از جمله رنگ‌ها، سبک‌ها، سیلوئت‌ها و ویژگی‌های منحصر به فرد، ارائه نمی‌دهند. محققان از منابع داده مختلفی برای پیش‌بینی روندها استفاده کرده‌اند. داده‌های متنی و بصری در رسانه‌های اجتماعی، مجلات مد و وب‌سایت‌های تجارت الکترونیک توسط مطالعات قبلی مورد استفاده قرار گرفته‌اند. به عنوان مثال، پارک و همکاران (۲۰۱۶) با موفقیت محبوب‌ترین مدل‌های مد را از پست‌ها و نظرات رسانه‌های اجتماعی پیش‌بینی کردند. با این حال، تحقیقات بسیار محدودی به طور خاص بر تحلیل راه رفتن روی صحنه، تحلیل الگوی تصاویر مد گرفته شده از نمایش‌های مد سطح بالا، متمرکز شده‌اند (ژائو و مین، ۲۰۱۹). ایده‌های جدید مد که ریشه در نظریه‌های نوآوری مد دارند، معمولاً از راه رفتن روی صحنه‌های مد طراحان شروع می‌شوند.
تصویر : voguemagazine.com
تصاویر راه رفتن روی صحنه، آخرین ایده‌ها و روندهای طراحی را منتقل می‌کنند و اطلاعات ارزشمندی را در اختیار طراحان و خریداران مد قرار می‌دهند. با موفقیت الگوریتم‌های یادگیری عمیق در بینایی کامپیوتر در سال‌های اخیر، به ویژه در طبقه‌بندی تصویر (Chen et al., 2017; He et al., 2016) و تشخیص اشیا (Liu, Anguelov, et al., 2016; Redmon & Farhadi, 2017)، ما توانستیم یک سیستم هوش مصنوعی (AI) مبتنی بر داده با استفاده از یادگیری ماشین برای تجزیه و تحلیل تصاویر پیچیده طراحی کنیم. با توجه به این موضوع، مطالعه ما با هدف ساخت یک سیستم پیش‌بینی روند مبتنی بر داده برای پیش‌بینی روندهای فصلی بر اساس تجزیه و تحلیل راه‌های مد انجام شده است. به طور خاص، با داده‌های راه‌های مد در مقیاس بزرگ، مطالعه ما (1) تصاویر راه‌های مد را طبقه‌بندی می‌کند، اقلام مد را از تصاویر داده شده تشخیص می‌دهد و دقت تشخیص را تأیید می‌کند؛ (2) سه مؤلفه کلیدی در پیش‌بینی روند شامل رنگ‌های غالب، سبک‌های محبوب و ترکیب لباس‌ها را آشکار می‌کند؛ (3) جزئیات طراحی را از نظر پارچه، الگو، چاپ، سیلوئت و غیره بررسی می‌کند؛ و (4) شواهد و پشتیبانی‌های کمی برای برندها و شرکت‌های مد برای پیش‌بینی روندهای فصلی ارائه می‌دهد.
پیش‌بینی روند مد و تحلیل کت‌واک
یک روند به عنوان «الگو یا جهت تغییر: روشی برای رفتار یا لباس پوشیدن که در حال توسعه یا آشکارتر شدن است» تعریف می‌شود (هالند و جونز، ۲۰۱۷، صفحه ۵۰). یک روند می‌تواند یک کالای محبوب، روشی برای لباس پوشیدن یا استایل دادن، یا ترکیب رنگ‌هایی باشد که در یک زمان معین محبوب هستند. پیش‌بینی روند، جمع‌آوری چیزهایی است که طراحان و سایر افراد تأثیرگذار کلیدی را الهام می‌بخشد؛ و تعیین می‌کند که چگونه این الهامات سپس به محصولاتی تبدیل می‌شوند که در فروشگاه‌ها و کمد لباس مصرف‌کنندگان ظاهر می‌شوند. پیش‌بینی‌کنندگان روند عمدتاً در ابتدای فرآیند خلاقیت نقش دارند. بر اساس تحقیقات پیش‌بینی روند، طراحان مد، تولیدکنندگان و خریداران می‌توانند پیش‌بینی کنند که چه چیزی احتمالاً «مد روز» خواهد بود، سپس محصول را ایجاد کنند (جکسون، ۲۰۰۷). علاوه بر این، پیش‌بینی کوتاه‌مدت و بلندمدت معمولاً زمانی که شرکت‌ها روندهای مد را پیش‌بینی می‌کنند، ذکر می‌شود. در حالی که پیش‌بینی بلندمدت، چشم‌انداز مشترکی برای توسعه یک برند یا شرکت ایجاد می‌کند، پیش‌بینی کوتاه‌مدت شامل پیش‌بینی رنگ، توسعه پارچه و توسعه سبک در کل چرخه عمر محصول است (Keiser et al., 2017).
تصویر : voguemagazine.com
امروزه اکثر سرویس‌های پیش‌بینی روند بر پیش‌بینی کوتاه‌مدت تمرکز دارند، و پیش‌بینی‌کنندگان روند معمولاً ۱ تا ۲ سال قبل از فصل برای اکثر مجموعه‌های مد کار می‌کنند (کیم و همکاران، ۲۰۱۳). با توسعه فناوری دیجیتال، به ویژه ظهور رسانه‌های اجتماعی، برخی از برندهای پیشرو در مد، به سرعت از صحنه مد به فروشگاه‌ها منتقل می‌شوند تا تنها در عرض چند ماه یا حتی چند هفته با روندهای جدید روبرو شوند (استاین، ۲۰۱۹). پیش‌بینی‌کنندگان روند از دانش خود در زمینه طراحی مد و درک خود از تاریخ مد برای انجام تحقیقات عمیق و شناسایی روندهای گذشته و آینده استفاده می‌کنند. منابع اطلاعاتی متنوعی در تحقیقات پیش‌بینی روند دخیل هستند. از نمایش‌های مد، فرهنگ عامه، سبک خیابانی، داده‌های خرده‌فروشی، هنر و سبک زندگی گرفته تا فرهنگ و فناوری دیجیتال، پیش‌بینی‌کنندگان روند به دنبال ایده‌ها و الهامات هستند تا دریابند چه چیزی جدید و چه چیزی در آینده است (کیزر و همکاران، ۲۰۱۷). نمایش مد همچنان بخش مهمی از ارائه مد است و نمایش‌های فصلی مد همیشه نقش مهمی در ارائه اطلاعات در مورد اینکه کدام طرح‌ها بیشتر مورد توجه مطبوعات و خریداران قرار می‌گیرند، ایفا می‌کنند. در عین حال، گزارش‌ها و تحلیل‌های مربوط به مد، ارزشمندترین خدمات مربوط به روند هستند که توسط بسیاری از آژانس‌های مد در مرحله الهام اولیه استفاده می‌شوند (هالند و جونز، ۲۰۱۷).
بخش اول از مطلب :نئو-فشن: یک سیستم پیش‌بینی روند مد مبتنی بر داده با استفاده از تحلیل کت‌واک
در مورد پیش بینی ها در صنعت مد بیشتر بخوانید :
19 پیش بینی بیشتر مد برای سال 2025
HSBC چرخش اقتصادی قوی در ویتنام در سه ماهه چهارم 2023 را پیش بینی می کند ( 2023 )
ترند در صنعت مد چه معنایی دارد (2024-25)
