เครื่องกำเนิดแฟชั่นการสนทนาที่ขับเคลื่อนโดย genAI
วัตถุประสงค์
- เครื่องสร้างเครื่องแต่งกายแฟชั่นที่ขับเคลื่อนด้วย Gen AI: พัฒนาระบบ AI การสนทนาที่ใช้งานได้และใช้งานง่าย
- การรวมข้อมูลผู้ใช้: บูรณาการกลไกในการรวบรวมและวิเคราะห์ข้อมูลผู้ใช้ รวมถึงประวัติการซื้อที่ผ่านมา การตั้งค่าการเรียกดู
- คำแนะนำการแต่งกายส่วนบุคคล: เครื่องกำเนิดควรจะสามารถเข้าใจการตั้งค่าแฟชั่นที่เป็นเอกลักษณ์ของผู้ใช้ได้
- การวิเคราะห์แนวโน้มโซเชียลมีเดีย: ใช้ฟีเจอร์ที่ช่วยให้ AI วิเคราะห์และรวมเทรนด์แฟชั่นแบบเรียลไทม์
- Interactive Feedback Loop: ให้ผู้ใช้สามารถแสดงความคิดเห็นและโต้ตอบกับ AI เพื่อปรับแต่งคำแนะนำเครื่องแต่งกาย
- ข้อเสนอแนะเครื่องแต่งกายที่หลากหลาย: AI ควรสามารถสร้างคำแนะนำเครื่องแต่งกายสำหรับโอกาส สไตล์ เฉพาะอายุ เฉพาะภูมิภาค และโปรไฟล์ผู้ใช้ได้
กรณีการใช้งาน
เครื่องกำเนิดเครื่องแต่งกายแฟชั่นที่ขับเคลื่อนด้วย P0-An Gen AI สำหรับ Flipkart ซึ่งปฏิวัติวิธีที่ผู้ใช้ค้นพบและสร้างเสื้อผ้าแฟชั่นที่เป็นส่วนตัวด้วยวิธีการสนทนาที่เป็นธรรมชาติ
P1-โปรแกรมสร้างควรพิจารณาปัจจัยต่างๆ เช่น ประเภทรูปร่างของผู้ใช้ โอกาส (เช่น ไม่เป็นทางการ เป็นทางการ ปาร์ตี้) และการตั้งค่าภูมิภาคและอายุ
ผู้ใช้ P2 ควรโต้ตอบกับเครื่องมือสร้างเครื่องแต่งกายเพื่อให้ข้อเสนอแนะในแง่ของสิ่งที่พวกเขาชอบ ไม่ชอบ และสามารถปรับแต่งชุดในลักษณะของการสนทนาได้
P3- ตัวสร้างสามารถพิจารณาประเภทของเสื้อผ้าที่ผู้ใช้ดูหรือเพิ่มลงในรถเข็นบ่อยครั้ง เพื่อให้มั่นใจว่าคำแนะนำเครื่องแต่งกายมีความเกี่ยวข้องและน่าดึงดูด
P4- Generator ได้คำนึงถึงความชอบของผู้ใช้ พฤติกรรมการท่องเว็บ และเทรนด์แฟชั่นล่าสุด
ข้อมูล
The application is tested on python version 3.10 and node version v16.17.0 and npm version 8.15.0
เทคสแต็ค
ลูกค้า: React, Scss-Sass, React-Toastify
เซิร์ฟเวอร์: Python - Django/Django REST
รุ่น: การแพร่กระจายที่เสถียร XLv1.0, LoRA, ChatGPT-3.5(api)
คลาวด์: Ms Azure - พื้นที่เก็บข้อมูล Blob
การติดตั้ง
โคลนพื้นที่เก็บข้อมูล
ขั้นตอนในการเรียกใช้แบ็กเอนด์
- เพิ่ม .env ลงในไดเร็กทอรีรากของที่เก็บ
JWT_SECRET= " "
JWT_ALGORITHM= " "
AZURE_ACCOUNT_URI= " "
AZURE_ACCOUNT_NAME= " "
HUGGING_FACE_TOKEN= " "
OPENAI_API_KEY= " "
- เปิดใช้งานสภาพแวดล้อมใหม่ชื่อการทดสอบ
py -m venv test
test s cripts a ctivate
pip install -r requirements.txt
python manage.py migrate
python manage.py runserver
(create a superuser by
python manage.py createsuperuser
to access admin panel)
ขั้นตอนในการรัน Frontend
cd z_client
npm install --legacy-peer-deps
npm start
ระเบียบวิธี
การทำลายข้อมูล
คัดลอกข้อมูลจากเว็บไซต์ต่อไปนี้:
- Flipkart - จากประวัติการซื้อและสิ่งที่อยากได้ของผู้ใช้
- Pinterest - รูปภาพพร้อมคำแนะนำของเสื้อผ้าอินเทรนด์ล่าสุด
- Instagram - รูปภาพพร้อมแฮชแท็กที่เกี่ยวข้องกับเสื้อผ้าอินเทรนด์ใหม่ล่าสุด
- Myntra - ข้อมูลเมตาของผลิตภัณฑ์เสื้อผ้าล่าสุดพร้อมกับรูปภาพ
จัดเก็บข้อมูลทั้งหมดนี้ไว้ในชุดข้อมูล แล้วส่งชุดข้อมูลที่กำหนดเองตามเวลาเพื่อการปรับแต่งอย่างละเอียด
โมเดลกำเนิด
- การแพร่กระจายที่เสถียรประกอบด้วยสามส่วน: VAE, U-Net และตัวเข้ารหัสข้อความเสริม VAE บีบอัดรูปภาพ U-Net ปฏิเสธรูปภาพเหล่านั้น -
- ปรับแต่งโมเดลนี้อย่างละเอียดบนชุดข้อมูลที่กำหนดเอง
- ปรับใช้โมเดลบนฮับ Hugging Face
- เข้าถึงโมเดลผ่าน Inference API
- รับอินพุตตามพร้อมต์ ส่งคืนลิงก์รูปภาพที่เข้ารหัส base64
การสนทนา (คุณสมบัติแชทและคำติชม)
ใช้หนึ่งในโมเดลข้อความที่ดีที่สุด gpt-3.5-turbo พร้อมการปรับแต่งอย่างละเอียดเพื่อแยกข้อมูลจากพรอมต์ที่ผู้ใช้ป้อน และใช้ประวัติการค้นหาเป็นบริบท และสร้างพรอมต์ใหม่
มันจะรับพรอมต์ใหม่จากผู้ใช้ ดึงประวัติจาก DB ส่งคำขอผ่านคีย์ openAI API และส่งคืนพรอมต์ที่สร้างขึ้นใหม่
คำแนะนำ (ผลลัพธ์ส่วนบุคคล)
- ดึงข้อความแจ้งเก่าจากฐานข้อมูล
- ค้นหาพรอมต์ที่คล้ายกันมากที่สุดจากพรอมต์ที่ป้อนโดยใช้เมทริกซ์ความคล้ายคลึงกัน
- หากประวัติการค้นหา > 2 ให้ค้นหาพรอมต์ที่คล้ายกันมากที่สุดจากประวัติ มิฉะนั้น จะมีพรอมต์เริ่มต้นบางรายการขึ้นอยู่กับคำหลักจากพรอมต์ผู้ใช้
ขอบเขตในอนาคต
- การเชื่อมโยงกับ Flipkart: แอปพลิเคชันนี้จะเชื่อมโยงกับ Flipkart เพื่อให้สามารถพิจารณาประวัติการสั่งซื้อของผู้ใช้/สิ่งที่ปรารถนาจาก Flipkart และสามารถให้ผลลัพธ์ที่เป็นส่วนตัวมากขึ้น
- Virtual Try-On: สามารถรวมเข้ากับ Flipkart เพื่อมอบประสบการณ์การลองใช้งานเสมือนจริง ลูกค้าสามารถอธิบายประเภทของเสื้อผ้าที่พวกเขาต้องการ และเครื่องกำเนิดไฟฟ้าสามารถให้ภาพส่วนบุคคลของนางแบบที่สวมชุดเหล่านั้น เพื่อช่วยให้ลูกค้ามีข้อมูลในการตัดสินใจซื้อ
- ความละเอียดและรายละเอียดที่สูงขึ้น: การปรับปรุงความสามารถของเครื่องกำเนิดไฟฟ้าในการผลิตภาพที่มีความละเอียดสูงและมีรายละเอียด
- การเรียนรู้อย่างต่อเนื่อง: ให้โมเดลเรียนรู้อย่างต่อเนื่องจากเทรนด์แฟชั่นใหม่ ๆ
- โมเดลไฮบริด: การรวมการสร้างข้อความเป็นรูปภาพเข้ากับเทคโนโลยี AI อื่นๆ เช่น ระบบแนะนำสไตล์หรือโมเดลการทำนายเทรนด์ จะสามารถสร้างโซลูชันแฟชั่นที่ครอบคลุมและมีประสิทธิภาพมากขึ้นได้
ผู้เขียน
- ใจอานันท์ @jaianand
- นิเลช โปปลี @Adrenex
- ฮาร์ชิต บาเจตา
ภาพหน้าจอ
