척척박사 연구소

척척박사 연구소과학이야기제목별로 보기모두의 수학

모두의 수학

우리 생활 속 수학 원리를 알아 봅시다.

인공지능 쇼핑몰, 어떻게 고객의 취향에 맞는 상품을 추천하는가?

 

세계적인 온라인 쇼핑몰 아마존에서는 모바일상에서 상품의 검색 방식을 기존의 키워드 방식에 더하여 이미지 검색까지 지원하고 있다. ‘스타일 스냅(Style Snap)’이라고 불리는 이 서비스는 상품의 정확한 명칭을 모르거나 비슷한 스타일의 상품을 찾고자 할 때 유용하다. 고객들은 자신이 원하는 의상 또는 기타 상품을 촬영하거나 이미지 파일을 올리면 인공지능이 이와 유사하거나 취향이 비슷한 상품을 제시하여 주는 서비스다. 아직까지는 만족할 만한 수준에 도달하지 못하였지만, 향후 온라인몰에서는 이와 같은 기술을 활용한 서비스를 적극적으로 개발하여 적용할 것이라 본다.


 

amazone

 

 

 

 

 

인공지능은 유사한 디자인을 어떻게 분류해낼까?

 

운동화를 예로 들어보자. 쇼핑몰에 탑재된 모든 운동화 이미지를 데이터(data)로 수집한다. 여기서는 60가지 종류의 운동화를 대상으로 하였지만, 실제는 수백에서 수천 가지 종류의 데이터일 것이다.  

 

data

 

 

 


어떻게 기계학습을 시킬 것인가?


60개로 구성된 전체 운동화의 이미지 분류를 위해서는 각 이미지의 특성을 찾아 데이터로 표현하는 것이 가장 중요하다. 다음은 컨볼루션 신경망(Convolution Neural Network, CNN)이라고 부르는 이미지 필터링 기법으로 특성 데이터를 계산한 모습이다. CNN에 대한 이해는 링크된 영상을 참고하자.

 

Feature Measure

 

 

60개 운동화에 대한 데이터(X1, X2, X3, …, X60)와 내가 검색하려는 운동화 이미지 샘플을 Y라고 하면, 데이터 Xi와 샘플 Y는 각각 59개의 특성 데이터가 성분으로 구성되어 있다.

 

데이터 성분

 

 

이후, 데이터 X1, X2, X3, …, X60의 성분 값들과 샘플 Y의 성분 값들이 얼마나 가까운지를 거리(Distance)로 계산한다.

 

X1~Y의 거리 d12 = {x(1,1)-y1}2 + {x(1,2)-y2}2 + {x(1,3)-y3}2 + … + {x(1,59)-y59}2
X2~Y의 거리 d22 = {x(2,1)-y1}2 + {x(2,2)-y2}2 + {x(2,3)-y3}2 + … + {x(2,59)-y59}2
X3~Y의 거리 d32 = {x(3,1)-y1}2 + {x(3,2)-y2}2 + {x(3,3)-y3}2 + … + {x(3,59)-y59}2
………
X60~Y의 거리 d602 = {x(60,1)-y1}2 + {x(60,2)-y2}2 + {x(60,3)-y3}2 + … + {x(60,59)-y59}2


이렇게 계산된 데이터 Xi와 샘플 Y와의 거리 중, 가장 작은 값에 해당하는 Xi를 샘플 Y와 가장 유사한 이미지로 결정한다.

 

아래의 그림은 기계학습 된 60개의 운동화에 대하여 데이터의 상호간 거리를 계산하고, 이를 좌표평면상에 나타낸 것이다. 두 운동화의 거리가 가깝게 위치할수록 그 형태는 비슷한 정도가 높고, 거리가 멀리 위치할수록 그 형태는 비슷한 정도는 낮다고 해석하면 된다.

 

 인공지능 쇼핑몰_신발

 

 

아래의 모습은 새로운 샘플 Y와 가장 유사한 데이터를 얻기 위하여, 60개의 운동화(=data)의 외형에 대한 특성을 기계학습(Machine Learning) 시키는 모습이다. (단, 여기서는 운동화의 데이터 개수가 작아서 색상의 관점은 고려하지 않았다.)

 

  

 

Machine Learning

 

 

기계학습(Machine Learning)이 끝났으니, 60개 종류의 운동화에 없는 새로운 디자인의 운동화로 가장 유사한 상품을 인공지능 명령어(=AI)로 탐색해보자.

 

 

인공지능 쇼핑몰_신발2


 

이와 같이 샘플 Y와의 측정거리가 가장 가까운 순서대로 데이터 이미지 X10, X47, X11이 추출되었다. Feature Nearest라고 불리는 이 알고리즘은 아직까지는 완전하지 못하여 기술적 한계는 있다. 그럼에도 불구하고 나름 유사한 이미지를 추출해주었으며, 만약 데이터(=data)가 좀 더 많았으면 더욱 비슷한 상품을 얻었을 것이다.


몇 가지 샘플 이미지로 테스트를 해 본 결과다.

 

  

ai select

 

 

이렇게 검색된 상품에 대하여 그 색상이 아쉬움으로 남을 때, 고객이 원하는 색상으로 주문제작 해주는 등 인공지능 기술의 발달은 앞으로 사용자의 요구에 맞는 맞춤형 서비스로 발전해 나갈 것이다.


 

customize

 

 

 

 

 

 

더 알아보기
이 글에서 소개한 내용은 세계적으로 유명한Mathematica소프트웨어로 구현한 것이며, 이는 작가의 홈페이지 수학생각(http://www.mathought.com)의 수학실험실에서 Dynamic한 실험과 조작을 통하여 더욱 즐겁게 관찰할 수 있다. 단, 공개프로그램인 Wolfram CDF Player를 설치하고 데스크탑PC(혹은 노트북)의 Microsoft Internet Explore 환경에서 작동이 가능하다.  


바로가기

이미지프로세싱(Image Processing)
수학실험실 : 운동화의 내 맘대로 색상 디자인

 

관련주제가 없습니다.
내과학상자담기  E-MAIL 프린트 RSS
관련 콘텐츠가 없습니다.

나도 한마디 1개의 댓글이 있습니다.

등록하기

목록


내 당근 보러가기

내 뱃지 보러가기

TOP