Kontekst
Zespół neuronauki Chanel potrzebował naukowej, powtarzalnej metody badania tego, jak klienci używają produktów do pielęgnacji i makijażu podczas testów rejestrowanych na wideo. Głównym celem było przekształcenie z natury subiektywnego pojęcia „łatwości użycia” w mierzalne dane o tym, jak dana osoba aplikuje produkt.
Badaniu przyświecała hipoteza robocza: mniejsza liczba ruchów aplikacyjnych zazwyczaj koreluje z większą łatwością użycia.
Cel
Uchwycenie sposobu aplikacji produktu (kto, gdzie, jak).
Przekształcenie surowego wideo w ustrukturyzowane metryki — w szczególności liczbę i kategorie ruchów — porównywalne między produktami, protokołami i uczestnikami.
Rozwiązanie: rozpoznawanie gestów kosmetycznych przez AI
Zaimplementowaliśmy algorytmy rozpoznawania wideo w języku Python z użyciem MediaPipe do analizy sekwencji aplikacji.
Wykrywanie punktów charakterystycznych ciała i dłoni: System wykrywa i śledzi głowę, dłoń i palce uczestnika podczas aplikacji.
Rejestracja ruchu: System zapisuje trajektorie i wzorce ruchów w trakcie całej rutyny pielęgnacyjnej.
Klasyfikacja semantyczna: Z pomocą AI ruchy są zliczane i kategoryzowane według znaczących typów gestów (np. masaż półkolisty, oklepywanie), co umożliwia bezpośrednie porównania.
Ten potok przekształca każde nagranie testowe w obiektywne pomiary, które można agregować lub analizować na poziomie pojedynczego uczestnika, konkretnego produktu lub całego badania.
Co to umożliwia
Obiektywne wskaźniki łatwości użycia: Liczba i rodzaje ruchów stanowią konkretną podstawę do porównywania doświadczeń z aplikacji produktów.
Spójna ocena między testami: Ustandaryzowane, zautomatyzowane podejście ogranicza zmienność nieodłączną dla oceny ręcznej.
Praktyczne wnioski dla zespołów produktowych: Zespoły mogą dostrzegać wzorce (np. nadmierne oklepywanie lub złożone sekwencje) i odpowiednio optymalizować formuły, tekstury lub aplikatory.
