В области промышленного дизайна традиционный процесс в значительной степени зависит от опыта и интуиции графических дизайнеров, что затрудняет систематическую интеграцию и проверку эмоционального восприятия потенциальными покупателями. Это часто приводит к длительным циклам итераций и переделки изначального варианта дизайна и неточным прогнозам продаж. С развитием экономики впечатлений, преобразование ключевого, но неоднозначного фактора — эмоций пользователя — в моделируемые и оптимизируемые параметры дизайна стало основной задачей в интеллектуальном преобразовании для промышленности.
Технологии имитационного моделирования обеспечивают мощную основу для решения этой задачи. Они позволяют создавать динамические модели отображения людских эмоций – элементов дизайна в виртуальной среде и систематически моделировать результаты восприятия при различных дизайнерских решениях, тем самым создавая управляемый элемент воздействия на принятие решения о покупке.
Несмотря на то, что в прошлом функциональные и технологические характеристики современных промышленных продуктов постоянно совершенствовались, этого уже недостаточно для удовлетворения разнообразных потребностей пользователей, которые всё больше обращают внимание на эмоциональные переживания, которые доставляет им приобретаемая продукция. Однако из-за разнообразия эстетических предпочтений пользователей и сложности процессов эмоционального восприятия дизайнеры не всегда могут создавать креативные решения, которые понравятся большинству покупателей.
В последние годы методы искусственного интеллекта и генеративные состязательные сети (GAN), продемонстрировали замечательные возможности в создании креативного контента, предоставляя новые инструменты для автоматизированной генерации форм продукта. Однако в большинстве существующих применений этот инструмент рассматривается как общий генератор изображений, и его применение имеет три ключевых ограничения, которые препятствуют его применению в строгих процессах моделирования промышленного дизайна. Во-первых, моделирование эмоциональной оценки является весьма слабым. В большинстве исследований отсутствует предварительная модель количественной оценки, которая не может преобразовать неструктурированные эмоции пользователей (например, комментарии) в точные входные данные, которые могут управлять процессом генерации.
Во-вторых, существует разрыв между эмоциями и процессом генерации. Эмоциональные характеристики часто вводятся в виде статичных меток, а не динамических и поддающихся интерпретации переменных процесса. Это приводит к отсутствию прозрачности и управляемости в процессе создания, затрудняя моделирование эволюции формы и цветовой гаммы, в соответствии с эмоциональными целями. В-третьих, отсутствует системный подход к моделированию. То есть, визуальное качество конечных сгенерированных изображений, игнорирует интеграцию эмоционального анализа, картографического моделирования и создания морфологии в вычисляемый и итеративный процесс. Эти факторы не позволяют обеспечить всестороннюю аналитическую поддержку проектных решений.
Научные маркетинговые исследования внесли важный вклад в изучение методов применения инженерной теории Кансей при проектировании конкретных изделий. Традиционные методы проектирования промышленных изделий, как правило, ограничены их собственными специализированными областями, с относительно ограниченными возможностями общения и сотрудничества между дизайнерами и специалистами из других областей. Это приводит к возникновению значительных профессиональных барьеров и затрудняет проектировщикам не только понимание, но также применение знаний и технологий из других областей в ходе междисциплинарной интеграции, тем самым ограничивая потенциал для инноваций.
Есть предположение, что будущие направления дизайна будут постепенно смещаться в сторону эмоциональной взаимосвязи с элементами продукции – то есть, концепции разработок будут учитывать эмоциональное восприятие. Вышеупомянутые методы помогут определить, какие характеристики продукта наиболее тесно связаны с эмоциональными переживаниями потребителей, тем самым предоставляя количественные данные для разработки.
Например, цвет, являясь ключевым элементом дизайна одежды, служит не только основным средством выражения визуальной эстетики, но и важнейшим средством передачи концепции бренда, а также формирования стиля продукции. В традиционных процессах проектирования одежды процесс согласования цвета в значительной степени зависит от интуиции и субъективных суждений дизайнеров, которым не хватает систематической научно-теоретической поддержки. Поскольку индустрия моды вступает в фазу цифровой трансформации, интеграция технологий искусственного интеллекта с моделированием процесса проектирования стала ключевым направлением автоматизации проектирования для создания эффективных имитационных моделей цветовой гармонии.
Основной задачей в области согласования цветов в одежде является моделирование цветовой сочетаемости и стилистической согласованности. Визуальные модели-трансформеры (ViT — Visual transformer) с их механизмом саморегуляции и возможностями быстрого создания различных итераций объектов произвели революцию в компьютерном зрении, определив новую парадигму для понимания сложной визуальной семантики. Сервер в центре обработки данных точно выделяет глобальные семантические особенности и корреляции локальных деталей, разделяя изображения на отдельные визуальные элементы, выявляя долгосрочные зависимости между составными элементами. Логика базового имитационного моделирования тесно связана с процессами принятия решений дизайнерами о выборе цвета. Благодаря внедрению этой технологии в области дизайна одежды, связанной с координацией цветов, она преодолевает ограничения традиционных методов, ориентированных исключительно на обработку изображений. Это позволяет проводить совместное имитационное моделирование для согласования цветов, обеспечивая научную и технологическую поддержку для согласования цветовой подачи для текстильных изделий.
Традиционный метод фокусируется исключительно на количественной оценке цветов с помощью объективных числовых значений, игнорируя физические свойства предметов одежды, которые влияют на восприятие цвета. Следовательно, сочетания цветов, которые кажутся логичными с точки зрения количества, часто приводят к визуальному диссонансу при выборе покупателями ношения этой продукции. Однако модели, основанные исключительно на визуализации, с трудом интерпретируют скрытые семантические намерения пользователей. Искусственный интеллект впервые внедрил коллаборативную фильтрацию в рекомендациях и текстурных характеристиках одежды, построив матрицы совпадений на основе исторических данных о сочетаниях цветов, которые предпочтительны пользователям в разных странах. Алгоритм нейросети учитывал не только демографическую составляющую, но также географическую привязку и культурные особенности каждого региона для построения матрицы совпадений.
По мере быстрого развития технологий глубокого обучения, нейронные сети добились значительных успехов в обработке изображений благодаря своим мощным возможностям изучения характеристик, постепенно достигая превосходных результатов в координации цветов. Основанная на глубоком обучении модель согласования цвета одежды преодолевает ограничения традиционных методов, основанных на правилах, статических логических ограничениях и узких местах, связанных с зависимостью данных от совместной фильтрации. Благодаря точному выделению признаков, моделированию сложных ассоциаций и изучению динамических паттернов на основе массивных наборов данных о психологических предпочтениях и динамике изменении трендов мировой моды, программа интеллектуально улучшает цветовую гармонию во всех измерениях, включая визуальные характеристики самих цветов, эстетическую логику сочетаний и совместимость сцен и предметов.
Применение технологии искусственного интеллекта в промышленной разработке потребительских товаров может анализировать большие объёмы информации, помогая дизайнерам черпать вдохновение, выявлять тенденции и исследовать новые творческие направления. Возможности позволяют быстро отслеживать информацию о тенденциях рынка и потребностях покупателей. В основе человеческих знаний, основанных на предыдущем опыте, лежит субъективное суждение дизайнера, без каких-либо поддающихся количественной оценке стандартов (которые следует применять для понимания потребностей пользователей или выбора элементов дизайна), что делает его подверженным несоответствию требованиям рынка в данный момент времени. Решения, основанные на объективных динамических закономерностях, полученных с помощью интеллектуального анализа данных, а не на личной эстетике или интуиции, точно выявляет скрытые нишевые потребности (например, дифференцированные эмоциональные потребности в разных сегментах пользователей). Это существенно повышает продажи, предотвращая ситуации, когда дизайнеры считают решение превосходным, а пользователи отвергают его. Методы интеллектуального анализа текста для извлечения эмоциональных потребностей потребителей из онлайн-отзывов, продемонстрировали исключительную эффективность. Такой подход позволяет преодолеть финансовые и временные затраты, присущие традиционным методикам изучения спроса.
На этапе генеративного проектирования промышленных изделий генеративный дизайн, основанный на данных, становится все более популярным. Генеративные подходы позволяют быстро создавать тысячи вариантов дизайна, которые алгоритмы могут просматривать и совершенствовать, опираясь на те тенденции, которые популярны в настоящий момент. Анализируя такие данные, как отзывы пользователей, поведение при покупке и историю поиска, эти методы создают модели предпочтений пользователей для создания товаров, адаптированных к целевым рынкам или конкретным группам потенциальных покупателей.
