מערכת AI לתעשיית היופי והקוסמטיקה
חלוקה סטנדרטית ל-4–6 סוגי עור לא עובדת: מצב העור משתנה עם הגיל, העונה והמחזור ההורמונלי. לקוחות מתאכזבים מהמלצות "מותאמות אישית" כשקרם לא מתאים להן. אנו בונים מערכות AI שפותרות בעיה זו — מאבחון ועד ניסיון וירטואלי, עם שיפורים מדידים בהמרות ונאמנות לקוחות.
הניסיון שלנו: 5+ שנים ב-Computer Vision ו-ML, עם למעלה מ-20 פרויקטים שהושלמו עבור קמעונאים ויצרני קוסמטיקה. כל פתרון משולב בתשתית קיימת: ענן, on-premise או היברידי. להלן פירוט של הרכיבים המרכזיים.
טיפוח עור מותאם אישית מבוסס על מודלי ML מולטי-מודאליים: תמונות עור, שאלונים, היסטוריית רכישות. במקום segmentation — מרחב מצבי עור רציף. ניסיון וירטואלי — באמצעות neural rendering עם GAN ו-WebGL. ניתוח עור, חיזוי יציבות פורמולה, בקרת איכות — משלימים את המערכת האקולוגית. אנו מבטיחים איכות בכל שלב: מדדים ביניים, בדיקות A/B, דוחות. פרקטיקות MLOps המבוססות על Weights & Biases ו-MLflow מבטיחות שחזור ניסויים. צרו קשר לייעוץ — נדון בפרויקט שלכם ונספק הערכה תוך יומיים.
כיצד AI מתאים אישית טיפוח עור?
הבעיה במערכות קלאסיות היא חלוקה ל-4–6 סוגים. סוג העור אינו סטטי: גיל, אקלים, לחץ משנים אותו. גישת ML משלבת מספר ערוצי נתונים:
- שאלון (תחושות, בעיות, העדפות)
- תמונות עור (שומניות, נקבוביות, מרקם — באמצעות CV)
- היסטוריית רכישות ותגובות
- הקשר (אקלים, עונה, גיל)
ארכיטקטורה: מקודד מולטי-מודאלי — ViT לתמונות, קידוד דחוס לשאלון, סינון שיתופי להיסטוריה. שרשור → MLP מנבא ציון התאמה לכל מוצר. בפיילוט עם קמעונאית יופי (120 אלף SKU, 80 אלף משתמשים), precision@10 = 0.41 לעומת 0.27 למנוע סוגי העור — גבוה פי 1.5. עלייה בגודל הסל: +14%, מה שמשמעותו עבור קמעונאי ממוצע הכנסה נוספת של עד 14–20 אלף דולר לחודש.
מדוע ניסיון וירטואלי דורש Neural Rendering?
ניסיון וירטואלי הוא הרכיב הטכני המורכב ביותר. כיסוי טקסטורה פשוט עם alpha blending לא מתחשב בתאורה ובגיאומטריית הפנים.
בסיס: MediaPipe FaceMesh מספק 478 נקודות ציון תלת-ממדיות בזמן אמת על CPU. חלוקה לאזורים (שפתיים, עפעפיים, גבות) — באמצעות BiSeNet-V2 (כ-5ms על GPU).
תוצאות ריאליסטיות דורשות:
- הערכת תאורה (SphericalHarmonics) — תיקון לתאורת הסצנה
- מיזוג מודע לגיאומטריה — עיוות צבע המבוסס על עקמומיות השפתיים
- הדגשות ספקולריות — למוצרים מבריקים (מודל Phong)
מערכות מתקדמות משתמשות ב-BeautyGAN: יצירה מותנית עם גוון כ-embedding פותרת חוסר איזון בין מחלקות. עיבוד GAN ריאליסטי פי 5 מכיסוי טקסטורה, בעוד WebGL + MediaPipe מהיר פי 10 מבחינת זמן השהיה (20ms לעומת 200ms), קריטי למכשירים ניידים.
| גישה | זמן השהיה | איכות | ישימות |
|---|---|---|---|
| כיסוי טקסטורה (alpha blend) | <5ms | נמוכה | אבות טיפוס |
| WebGL + MediaPipe | <20ms | בינונית | דפדפן, מובייל |
| עיבוד GAN | ~200ms | גבוהה | מסחר אלקטרוני, תצוגות |
| Neural Rendering | >500ms | גבוהה מאוד | פרסets, תמונות |
ניתוח עור מתמונות: פרטים
צינור עיבוד:
- זיהוי פנים (MTCNN או RetinaFace)
- יישור פנים באמצעות נקודות ציון
- סיווג ספציפי לאזור:
- שומניות/יובש: LBP + CNN
- נקבוביות: חיתוך ברזולוציה גבוהה → זיהוי חריגות
- קמטים: זיהוי קצוות + ניקוד צפיפות
- היפרפיגמנטציה: CIE Lab + זיהוי כתמים
- אקנה: זיהוי אובייקטים (YOLO, Faster R-CNN)
מערכי נתונים ציבוריים נדירים — אנו משתמשים ב-FFHQ + תיוג פנימי של דרמטולוגים. על 5000 תמונות macro-F1 = 0.79. צינור MLOps המבוסס על Weights & Biases עוקב אחר ניסויים וגרסאות מודל. חשוב: המערכת כוללת הבהרה — זו אינה אבחנה רפואית.
פיתוח פורמולות וחיזוי יציבות
מודלים תחליפיים: ML מנבא צמיגות, SPF, יציבות אמולסיה מהרכב INCI. INCI מקודד באמצעות one-hot + מתארים פיזיקוכימיים. חיזוי תאימות מרכיבים — GNN על גרף מרכיב–מרכיב (AUC-ROC 0.84). בדיקות יציבות מואצות: חיזוי יציבות ל-12 חודשים מנתוני 3 חודשים (RMSE שינוי צמיגות ≈3.1%).
דוגמה להגדרת מודל לניסוח
אנו משתמשים ב-BoTorch (אופטימיזציה בייסיאנית) לכיוונון מתכונים: פונקציית מטרה — יציבות + תחושתיות. מציעים באופן איטרטיבי 5–10 ניסוחים לבדיקה; המודל משתפר. חיסכון: עד 60% בעלויות בדיקות מעבדה, מאות דולרים בחיסכון בשנה.בקרת איכות ופגמי אריזה
ראייה ממוחשבת על פס הייצור: בדיקת רמות מילוי בקבוקים, פגמי תווית, תקינות מכסה. YOLOv8 לפגמים טיפוסיים; למידה עם דוגמאות מועטות (רשת Siamese) לפגמים נדירים. תפוקה של 800+ יחידות לדקה על NVIDIA Jetson AGX Orin.
מה כלול
- ביקורת נתונים ותהליכים (יומיים)
- עיצוב ארכיטקטורת ML
- פיתוח והדרכת מודלים (CV, המלצות, ניסוח)
- שילוב תשתית (API, backend)
- פריסה (ענן, on-premise)
- תמיכת MLOps: CI/CD למודלים, ניטור drift
- תיעוד, הדרכת צוות, תמיכה ל-3 חודשים
צרו קשר — קבלו ייעוץ לפרויקט שלכם. נעריך תוך יומיים, נספק מפת דרכים ותקציב.
לוחות זמנים והשקעה
לוחות זמנים — מ-6 שבועות עד 14 חודשים בהתאם להיקף. השקעה — מ-5–20 אלף דולר לפרויקט ממוצע. הערכה מדויקת לאחר ביקורת.
מחסן טכנולוגיות
משימה כלים נקודות ציון פנים / AR MediaPipe FaceMesh, WebGL ניתוח עור EfficientNet, BiSeNet-V2, OpenCV ניסיון וירטואלי BeautyGAN, PSGAN, Three.js המלצות Two-Tower model, LightGBM ניסוח BoTorch, GP, chemprop בקרת איכות YOLOv8, EfficientDet, NVIDIA Jetson MLOps Weights & Biases, MLflow, Kubeflow אנו מבטיחים איכות: בכל שלב — מדדים ביניים, בדיקות A/B, דוחות. בקשו ייעוץ — נדון בתרחיש שלכם.