Virtual Try On: come la computer vision innova i recommandation system

I recommendation system nel fashion e nel beauty mostrano un limite strutturale noto come cold start problem. In assenza di una cronologia di navigazione, il sistema non dispone degli elementi necessari per formulare raccomandazioni pertinenti al primo accesso. Il virtual try on risponde a questo limite analizzando il profilo visivo dell’utente in tempo reale e traducendolo in una base dati immediata su cui costruire suggerimenti personalizzati.

Nel settore fashion e beauty, i recommendation system rappresentano uno strumento importante per supportare l’utente nelle scelte di acquisto, poiché analizzano i comportamenti di navigazione e costruiscono suggerimenti personalizzati sulla base delle interazioni maturate nel tempo. Questo approccio, pur essendo consolidato ed efficace, mostra tuttavia un limite evidente nel momento in cui un nuovo utente accede a una piattaforma senza aver ancora generato una cronologia significativa, lasciando il sistema privo degli elementi necessari per formulare indicazioni realmente utili.

Per superare questa assenza di dati pregressi occorrerebbe una base informativa immediata, centrata sull’utente nell’istante dell’interazione.

È proprio qui che entra in gioco il virtual try on. Di seguito ne analizziamo funzioni, tecnologie abilitanti e applicazioni, con particolare attenzione al suo ruolo come nuovo modello di recommendation system.

Di virtual try on, la tecnologia che consente agli utenti di provare prodotti e accessori virtualmente, in tempo reale e sulla propria immagine reale senza averli fisicamente tra le mani, si parla da anni.

Per alcune categorie di prodotto ha già trovato applicazioni concrete e scalabili, ma ciò che oggi è possibile fare con un sistema di prova virtuale è qualcosa di sostanzialmente diverso rispetto a quello che si intendeva con lo stesso termine fino a pochi anni fa. Per diverso tempo, il virtual try on ha rappresentato infatti uno strumento utile ma circoscritto: efficace per visualizzare un paio di occhiali sul volto di un utente, per simulare una montatura o provare il colore dei capelli, ma difficilmente estendibile ad ambiti più complessi senza perdere in qualità della simulazione. I limiti in questo caso riguardavano la tecnologia disponibile.

Oggi quella tecnologia è cambiata. L’evoluzione della computer vision e lo sviluppo dei modelli di AI generativa hanno reso i sistemi attuali capaci di adattarsi in tempo reale alle caratteristiche fisiche della persona, di gestire variabili complesse come la caduta di un tessuto o il sottotono della pelle, e di farlo con una qualità di simulazione che fino a poco tempo fa era fuori portata.

Alla base dei moderni sistemi di virtual try on vi è un processo che si articola su più livelli. Il primo riguarda il riconoscimento della figura tramite computer vision, una disciplina dell’intelligenza artificiale che consente ai sistemi di interpretare e analizzare immagini e video simulando la percezione visiva umana e consentendo il riconoscimento di oggetti, ambienti e movimenti. In questo caso la computer vision viene applicata al corpo umano attraverso tecniche di pose estimation che rilevano i punti chiave del corpo (spalle, gomiti, bacino, ginocchia) e ne riportano la struttura stimando profondità, proporzioni e orientamento nello spazio. A questo si aggiunge poi l’AI generativa, che produce un’immagine in cui un capo o un accessorio appare indossato sulla figura dell’utente, tenendo conto della corporatura rilevata, della postura e delle caratteristiche fisiche del tessuto. Ad esempio, se una persona prova virtualmente un maglione di lana, il sistema non si limita a sovrapporre l’immagine del capo al corpo, ma simula come il tessuto cadrebbe sulle spalle, come si deformerebbe in corrispondenza dei gomiti piegati e come seguirebbe il volume del busto, restituendo una rappresentazione visivamente coerente con la fisicità reale.

Si tratta di un approccio che Orbyta Tech ha già applicato in TryYourPalette, una soluzione di virtual try on pensata per e-commerce e store fisici che integra anche l’armocromia nel processo di prova virtuale: l’utente vede come un capo, un accessorio o un prodotto di make-up si adatta alla propria figura e scopre se i colori sono in linea con la propria stagione cromatica.

Il virtual try on introduce un nuovo tipo di dato che cambia il punto di partenza dei recommendation system. Vediamo in che modo.

I recommendation system tradizionali operano su un principio di apprendimento progressivo: più dati comportamentali genera l’utente (acquisti effettuati, prodotti visualizzati, tempo trascorso sulle schede prodotto) più il sistema diventa in grado di formulare suggerimenti pertinenti. Questo modello, tuttavia, presenta un limite strutturale: quando un utente approda per la prima volta su una piattaforma senza una storia di navigazione pregressa, il sistema non dispone degli elementi necessari per comprenderne le preferenze e si trova in quella che tecnicamente viene definita situazione di cold start problem.

Il virtual try on interviene esattamente su questo punto, modificando la logica alla base della raccomandazione. Invece di aspettare che l’utente generi dati nel tempo, il sistema ne analizza il profilo visivo in tempo reale: attraverso la computer vision rileva lo stile di abbigliamento che la persona indossa in quel momento e le proporzioni fisiche e questi parametri diventano la base su cui costruire suggerimenti pertinenti già al primo accesso, senza che l’utente abbia effettuato un acquisto o visualizzato prodotti in precedenza.