Méthode basée sur l’IA pour automatiser la découverte de fonctionnalités liées à la marque dans la conception de produits
Lorsqu’il s’agit de conception de produits, la cohérence de la marque est l’une des clés du succès dans toutes les gammes de produits, car elle permet de gérer l’essence de la marque et d’avoir une relation positive avec le profit. Les entreprises qui comptent sur la sortie d’un modèle de nouvelle génération chaque année sont mises au défi de concevoir un produit qui se démarque de ce qui est déjà en rayon tout en incarnant la marque.
Les chercheurs de l’Université Carnegie Mellon espèrent alléger la charge des concepteurs de produits en introduisant une architecture d’apprentissage en profondeur entièrement automatisée capable d’identifier les caractéristiques visuelles liées à la marque. Le modèle appelé BIGNet, Brand Identification Graph Neural Network, est formé à l’aide d’images SVG de produits.
BIGNet identifie les cohérences parmi ce qui peut être des milliers de courbes sur l’image du produit afin d’identifier la marque visuelle. L’ouvrage est publié dans le Journal de conception mécanique.
« Avant BIGNet, il n’existait aucune méthode permettant d’extraire automatiquement les fonctionnalités liées au style à l’aide de l’apprentissage automatique », a expliqué Yu-hsuan « Sean » Chen, titulaire d’un doctorat. candidat en génie mécanique. « Les concepteurs créaient des règles dans leur tête, mais elles étaient difficiles à articuler et difficiles à transférer entre les gammes de produits. »
L’équipe a testé BIGNet sur différents produits, par exemple les marques de téléphones portables populaires Apple et Samsung. Le modèle avait un taux de précision de 100 % pour différencier les deux, en identifiant des caractéristiques spécifiques, telles que les espaces entre l’écran et l’emplacement de l’objectif de l’appareil photo, qui indiquaient une marque par rapport à une autre.
Pour présenter l’adaptabilité et la généralisabilité de BIGNet à différents produits et échelles de conception, l’équipe a évalué BIGNet par rapport à 10 marques automobiles. Le modèle a identifié Audi, BMW et Mercedes Benz avec le plus de précision, confirmant que les constructeurs de luxe ont une cohérence de marque supérieure à celle des voitures économiques.
« Cette technologie peut faire gagner beaucoup de temps aux experts du domaine. Les entreprises n’auront plus besoin de s’appuyer sur des personnes qui travaillent avec elles depuis plus de 20 ans pour comprendre la marque », a déclaré Chen.
Actuellement, BIGNet est implémenté avec des images directes en 2 dimensions. Les chercheurs sont impatients d’étendre leurs tests à l’imagerie 3D et espèrent développer le modèle pour identifier plus que la simple identité de marque. Par exemple, quels détails distinguent une voiture « musclée » d’une voiture « sportive ».
« Ayant travaillé dans le domaine de la formalisation des marques à travers les langages de conception pendant près de trois décennies, je trouve que le potentiel de BIGNet pour utiliser le ML pour découvrir les langages de marque constitue une avancée passionnante avec de nombreuses directions d’application potentielles », a déclaré Jon Cagan, auteur principal et responsable de le département de génie mécanique.
