Ante una prenda dada el usuario debe calificar las que mejor combinen. Fuente: eBay Research Labs
La moda se considera como un espejo de la vida social, cultural y económica de una sociedad. A menudo se interpreta como un sistema de comunicación no verbal. No es de extrañar por tanto que sociólogos, psicólogos o incluso economistas hayan llevado a cabo numerosos estudios para entender las complejidades que encierra. A través de estos estudios se ha comprobado por qué ciertas modas se adaptan mejor a unos tiempos que a otros o las influencias externas que la condicionan.
El reto está en conseguir un sistema automatizado que aconseje sobre qué ropa ponerse o si una prenda combina con otra. Varios grupos de investigación han indagado en esta línea sin encontrar un método realmente efectivo. Hasta ahora se han centrado en modelos puramente informáticos, ignorando la importancia que cobran los usuarios.
Sin embargo, la posibilidad que ahora brindan las herramientas para analizar grandes cantidades de datos en Internet, permite estudiar estas opciones desde la perspectiva del usuario. Así se consigue un enfoque que tiene en cuenta tanto el gusto personal como colectivo.
Ese ha sido el objetivo de Anurag Bhardwaj y su equipo del eBay Research Labs en California, Estados Unidos. Según explican en la publicación sobre su proyecto, han desarrollado dos sistemas de recomendación visual de moda diferentes, recurriendo a opiniones a través de crowdsourcing para comprobar si las combinaciones son buenas.
En un artículo publicado en la web de la revista MIT Technology Review, avanzan que los resultados del estudio proporcionan información interesante sobre la forma en que el hombre evalúa la ropa y sus combinaciones, pero también deja entrever que las recomendaciones automatizadas aún tienen mucho camino por recorrer.
El reto está en conseguir un sistema automatizado que aconseje sobre qué ropa ponerse o si una prenda combina con otra. Varios grupos de investigación han indagado en esta línea sin encontrar un método realmente efectivo. Hasta ahora se han centrado en modelos puramente informáticos, ignorando la importancia que cobran los usuarios.
Sin embargo, la posibilidad que ahora brindan las herramientas para analizar grandes cantidades de datos en Internet, permite estudiar estas opciones desde la perspectiva del usuario. Así se consigue un enfoque que tiene en cuenta tanto el gusto personal como colectivo.
Ese ha sido el objetivo de Anurag Bhardwaj y su equipo del eBay Research Labs en California, Estados Unidos. Según explican en la publicación sobre su proyecto, han desarrollado dos sistemas de recomendación visual de moda diferentes, recurriendo a opiniones a través de crowdsourcing para comprobar si las combinaciones son buenas.
En un artículo publicado en la web de la revista MIT Technology Review, avanzan que los resultados del estudio proporcionan información interesante sobre la forma en que el hombre evalúa la ropa y sus combinaciones, pero también deja entrever que las recomendaciones automatizadas aún tienen mucho camino por recorrer.
Tabla con los acuerdos y desacuerdos entre las valoraciones de los usuarios. Fuente: eBay Research Labs
Aprendizaje automático
Los investigadores crearon dos algoritmos diferentes, entrenados con más de 13.000 fotografías de moda tomadas de Internet. En cada fotografía, el modelo lleva una combinación superior e inferior, permitiendo así que los sistemas busquen correlaciones entre distintas opciones, por ejemplo, de top y falda.
El primer algoritmo, al que Bhardwaj y su equipo llaman recomendador de moda determinista (DFR), evalúa los colores de la parte de arriba y los compara con la de abajo. A continuación, le da a cada combinación una clasificación, que se puede comparar con otras. Así, cuando se consulta el algoritmo para mostrar una parte de arriba en concreto, el sistema busca en su particular base de datos aquellas partes de abajo que, al combinarse, consigan las calificaciones más altas.
El segundo algoritmo es un recomendador de moda estocástico (SFR), lo que implica el uso de métodos probabilísticos para solucionar problemas. En este caso se vale de la regla predefinida de que la ropa con dibujos o estampados combina mejor con prendas de un solo color. Como consecuencia, al buscar por ejemplo un top estampado, todas las recomendaciones serán de faldas de color liso.
Hasta aquí la parte automatizada. El siguiente paso era incorporar las preferencias del usuario. Para ello Bhardwaj y su equipo pidieron a 140 personas del servicio Mechanical Turk de Amazon, especializado en microtrabajos, que evaluaran las recomendaciones en una escala de mala, neutral, buena o excelente.
Cada algoritmo se presentó con una imagen elegida al azar de una base de datos de 1.000 fotos de faldas. El sistema debía entonces elegir un top de otra base de datos independiente con imágenes de partes de arriba. Los resultados muestran ciertos patrones de preferencia entre los usuarios como, por ejemplo, una falda de color liso combinada con un top estampado.
Más interesante resulta que los usuarios prefieran también estampados simples, como lunares, rayas o cuadros, en lugar de otros más complejos como animales, motivos florales o geométricos. Y con las clasificaciones, los usuarios realizan la tarea más rápidamente cuando les presentan estampados simples que cuando son complejos. Los investigadores justifican esta tendencia recurriendo a los neurocientíficos, que comprobaron hace tiempo que la complejidad de una imagen determina el tiempo que se tarda en procesarla visualmente.
Los investigadores crearon dos algoritmos diferentes, entrenados con más de 13.000 fotografías de moda tomadas de Internet. En cada fotografía, el modelo lleva una combinación superior e inferior, permitiendo así que los sistemas busquen correlaciones entre distintas opciones, por ejemplo, de top y falda.
El primer algoritmo, al que Bhardwaj y su equipo llaman recomendador de moda determinista (DFR), evalúa los colores de la parte de arriba y los compara con la de abajo. A continuación, le da a cada combinación una clasificación, que se puede comparar con otras. Así, cuando se consulta el algoritmo para mostrar una parte de arriba en concreto, el sistema busca en su particular base de datos aquellas partes de abajo que, al combinarse, consigan las calificaciones más altas.
El segundo algoritmo es un recomendador de moda estocástico (SFR), lo que implica el uso de métodos probabilísticos para solucionar problemas. En este caso se vale de la regla predefinida de que la ropa con dibujos o estampados combina mejor con prendas de un solo color. Como consecuencia, al buscar por ejemplo un top estampado, todas las recomendaciones serán de faldas de color liso.
Hasta aquí la parte automatizada. El siguiente paso era incorporar las preferencias del usuario. Para ello Bhardwaj y su equipo pidieron a 140 personas del servicio Mechanical Turk de Amazon, especializado en microtrabajos, que evaluaran las recomendaciones en una escala de mala, neutral, buena o excelente.
Cada algoritmo se presentó con una imagen elegida al azar de una base de datos de 1.000 fotos de faldas. El sistema debía entonces elegir un top de otra base de datos independiente con imágenes de partes de arriba. Los resultados muestran ciertos patrones de preferencia entre los usuarios como, por ejemplo, una falda de color liso combinada con un top estampado.
Más interesante resulta que los usuarios prefieran también estampados simples, como lunares, rayas o cuadros, en lugar de otros más complejos como animales, motivos florales o geométricos. Y con las clasificaciones, los usuarios realizan la tarea más rápidamente cuando les presentan estampados simples que cuando son complejos. Los investigadores justifican esta tendencia recurriendo a los neurocientíficos, que comprobaron hace tiempo que la complejidad de una imagen determina el tiempo que se tarda en procesarla visualmente.
Aplicaciones
La utilidad del desarrollo de este tipo de algoritmos de recomendación de moda en el futuro aún no está clara. Un problema potencial es que Bhardwaj y su equipo no facilitan en su estudio información acerca del perfil de los usuarios que emplearon en Mechanical Turk de Amazon. No especifican si son hombres o mujeres, los grupos de edad, etnias o culturas; factores que podrían tener un efecto significativo sobre la forma de vestir.
Lo que es más, es posible que los miembros del grupo que realizan esta tarea se seleccionen teniendo en cuenta sus conocimientos sobre moda, pero es imposible saberlo a partir de la publicación de este estudio.
Los investigadores por su parte ven varias aplicaciones para la herramienta. Por ejemplo en el comercio electrónico, donde se puede recomendar al cliente que suba una prenda al carro de compra, otros artículos que combinen bien. También puede ser útil en plataformas de comercio con grandes inventarios, para apoyar con imágenes las búsquedas. Por ejemplo, puede ser difícil describir con palabras lunares de diferentes tamaños, pero son fáciles de reconocer visualmente.
En definitiva, pueden aumentar significativamente las ventas si funcionan bien. Eso es algo que Amazon, Netflix, Apple y otras compañías similares ya tienen en cuenta. La posibilidad de que un algoritmo de recomendación de moda ayude a sumar clientes aumentará el interés por realizar más investigaciones de este tipo.
De momento, el equipo del eBay Research Labs aspira a centrar investigaciones futuras en una comprensión más profunda de otros aspectos de la moda, como el estilo de la ropa, texturas, etc, de donde obtener más información.
La utilidad del desarrollo de este tipo de algoritmos de recomendación de moda en el futuro aún no está clara. Un problema potencial es que Bhardwaj y su equipo no facilitan en su estudio información acerca del perfil de los usuarios que emplearon en Mechanical Turk de Amazon. No especifican si son hombres o mujeres, los grupos de edad, etnias o culturas; factores que podrían tener un efecto significativo sobre la forma de vestir.
Lo que es más, es posible que los miembros del grupo que realizan esta tarea se seleccionen teniendo en cuenta sus conocimientos sobre moda, pero es imposible saberlo a partir de la publicación de este estudio.
Los investigadores por su parte ven varias aplicaciones para la herramienta. Por ejemplo en el comercio electrónico, donde se puede recomendar al cliente que suba una prenda al carro de compra, otros artículos que combinen bien. También puede ser útil en plataformas de comercio con grandes inventarios, para apoyar con imágenes las búsquedas. Por ejemplo, puede ser difícil describir con palabras lunares de diferentes tamaños, pero son fáciles de reconocer visualmente.
En definitiva, pueden aumentar significativamente las ventas si funcionan bien. Eso es algo que Amazon, Netflix, Apple y otras compañías similares ya tienen en cuenta. La posibilidad de que un algoritmo de recomendación de moda ayude a sumar clientes aumentará el interés por realizar más investigaciones de este tipo.
De momento, el equipo del eBay Research Labs aspira a centrar investigaciones futuras en una comprensión más profunda de otros aspectos de la moda, como el estilo de la ropa, texturas, etc, de donde obtener más información.