Google Photos'ta yapay zekâ ile kıyafet deneme: pipeline, metrikler ve entegrasyon yolu

Özellik nedir

dev.to'da yayımlanan bir eğitime göre Google Photos artık yapay zekâ destekli sanal bir kabine sahip: alışverişçi bir fotoğraf yüklüyor, bir kıyafet seçiyor ve servis, satın almadan önce ürünü gölge ve kumaş kıvrımı simülasyonlarıyla vücudunda canlandırıyor. Yazar, bu özelliği moda e-ticaretindeki iki yapısal soruna karşı konumlandırıyor: satın alımların yaklaşık %30'u civarında seyreden iade oranları ve perakendecinin işlemek zorunda kaldığı her iade için 15 ila 25 dolarlık maliyet.

Anlatıldığı şekliyle rendering pipeline'ı

Yazı, sistemi beş aşamaya bölüyor:

• Yakalama: müşteri fotoğrafı Google Photos API (v1) üzerinden geliyor ve gizlilik metadata'sı eklenerek Cloud Storage'a düşüyor.
• Segmentasyon: MediaPipe Pose ve TensorFlow Lite, gövde maskesi oluşturmak için gövdeyi, kolları ve bacakları tespit ediyor.
• Kıyafet modelleme: her ürün Blender'da 3D model olarak hazırlanıyor, glTF olarak dışa aktarılıyor ve kullanıcının duruşuna göre şekil alabilmesi için Vertex AI üzerinden yönetiliyor.
• Rendering: Vertex AI üzerinde çalışan Stable Diffusion v2, nihai birleştirilmiş görüntüyü üretiyor.
• Teslimat: Cloud Functions ve Firebase Hosting, vitrin veya uygulamanın görüntüleyebileceği bir URL sunuyor.

Rakamlar ve bir uyarı

Yazar, birkaç rakamı Google'a atfediyor: artı eksi 2 cm içinde kıyafet hizalaması, gerçek referans fotoğraflara karşı 0.89'luk yapısal benzerlik skoru (SSIM) ve kullanımın ilk üç ayında iadelerde %23'lük düşüş. Yazı ayrıca özelliğe yönelik aramaların duyurulduğundan beri %350 arttığını, 30 yaş altı alışverişçilerin %68'inin satın almadan önce ürünleri sanal olarak denemek istediğini ve entegrasyonun 2,5 milyardan fazla Android cihaz ile Google Cloud altyapısı üzerinde yürüdüğünü iddia ediyor. Hatta etkileşimli sayfaların ziyaretçileri daha uzun tuttuğu ve hemen çıkma oranlarını düşürdüğü teorisiyle bir SEO faydası bile savunuyor.

Bu rakamlar, bir geliştirici blog platformundaki tek bir topluluk gönderisinden geliyor ve materyale eşlik eden bağımsız bir doğrulama ya da resmî Google dokümantasyonu yok. %23'lük iade rakamına göre bütçe planlayan herkes, Google veya bir perakendeci denetlenmiş sonuçlar yayımlayana kadar bunu doğrulanmamış bir iddia olarak görmeli.

Bir entegrasyon nasıl görünür

Yazının pratik yarısı bir Next.js adım adım rehberi:

• Bir Google Cloud projesinde Photos Library, Cloud Storage, Vertex AI ve Cloud Functions API'lerini etkinleştirin.

• Storage ve AI Platform admin rollerine sahip bir service account oluşturun ve kimlik bilgilerini bir environment variable aracılığıyla ortaya çıkarın.

• Müşterinin fotoğrafını bir React bileşeninden Firebase Storage'a yükleyin.

• Python ile yazılmış bir HTTP Cloud Function çağırın; bu fonksiyon fotoğrafı bucket'tan alır, görüntü byte'larını bir kıyafet ID'siyle birlikte bir Vertex AI endpoint'ine gönderir, üretilen görüntüyü prediction cevabından çözer, saklar ve herkese açık bir URL döndürür.

• Bu URL'yi küçük bir özel hook ile ürün sayfasında görüntüleyin.

Yazar bunu, Meta'nın ve Amazon'un mevcut AR deneme araçlarına karşı konumlandırıyor ve farklılaştırıcının rendering'in kendisi değil dağıtım olduğunu savunuyor: çoğu mağazanın zaten üzerinde dağıtım yapabileceği fotoğraf kitaplığına doğrudan erişim ve bulut altyapısı.

Gizlilik, opsiyonel olmayan kısım

Pipeline kimliği tespit edilebilir insanların fotoğraflarını işlediği için yazı, onayın zorunlu olduğu konusunda açık: GDPR ve CCPA kapsamında açık opt-in, şifreli depolama ve kullanıcı talep ettiğinde derhal silme. Bunu hayata geçiren her mağaza için, uyum çalışması mühendislik kadar gerçek.

Neden önemli

Moda iadeleri sektörün en pahalı yinelenen maliyeti ve bunları ölçülebilir şekilde azaltan bir deneme özelliği, vitrinin görünümünden çok birim ekonomisini değiştiriyor. Anlatılan pipeline doğruysa, neredeyse tamamen standart Google Cloud bileşenlerinden oluşuyor; yani orta ölçekli bir perakendeci, standart bir web ekibiyle, özel AR işi yaptırmak yerine sanal denemeyi hayata geçirebilir. Bu da Meta'nın ve Amazon'un rakip araçlarına baskı uygular. Açık soru güvenilirlik: buradaki spesifik her şey, 2 cm hassasiyet iddiasından %23 iade azalımına kadar, tek bir topluluk eğitim yazısına dayanıyor. Mimari makul ve bugün mevcut servislerle inşa edilebilir durumda; etki rakamları ise başka yerlerden teyit edilene kadar şüpheyle karşılanmayı hak ediyor.