La recommandation de produits cosmétiques en boutique reposait sur l'expertise subjective des conseillères. Aucun outil ne permettait d'objectiver l'état de la peau d'une cliente, d'identifier les critères dermatologiques déterminants et d'en déduire une recommandation produit personnalisée. Le client voulait transformer l'expérience en magasin avec une application capable de scorer un visage à partir d'une simple photo, de visualiser les critères de façon compréhensible et de générer des images montrant l'impact des attributs modifiés le tout en temps réel, face à la cliente.
Analyse de visage pour recommandation de produits
Un acteur de la cosmétique de luxe voulait offrir à ses clientes un diagnostic de peau personnalisé directement en magasin : une photo, un scoring, des critères identifiés et une recommandation produit sur mesure. Nous avons conçu les modèles de Deep Learning qui rendent cette expérience possible, aujourd'hui déployés en boutique et ayant donné lieu à une publication scientifique.
Problématique
Solution
Ce que nous avons construit
Nous avons déployé 2 Data Scientists et 1 Data Engineer pour concevoir un système complet d'analyse de peau par Computer Vision, du modèle à la mise en production en boutique.
Étape 1 — Choix d'architecture et preprocessing. Exploration et sélection des architectures de modèles les plus adaptées au problème, avec adaptation d'architectures state-of-the-art. Définition des pipelines de preprocessing pour garantir la robustesse sur des photos prises en conditions réelles (éclairage de boutique, diversité de peaux).
Étape 2 — Entraînement et optimisation. Optimisation des hyperparamètres, parallélisation du training et mise en place d'un framework interne pour accélérer les itérations. Le modèle score le visage sur plusieurs critères dermatologiques à partir d'une seule photo.
Étape 3 — Interprétabilité et génération d'images. Développement d'un module de visualisation des features internes pour identifier les critères déterminants du scoring. Génération d'images modifiées pour montrer l'impact de chaque attribut de façon intuitive et visuelle pour la cliente.
Étape 4 — Mise en production en boutique. Déploiement de l'application en magasin, documentation complète et transfert aux équipes internes. Le système fonctionne en temps réel face à la cliente.
Projets dans la même catégorie
