لا ينبغي للجمال أن يبني التكنولوجيا فوق نقص البيانات

تعد الموجة التالية من تكنولوجيا التجميل بالكثير عندما يتعلق الأمر بالتخصيص: المرايا الذكية التي تشخص بشرتك؛ التطبيقات التي تعرف نغمتك قبل أن تفعلها؛ نماذج الذكاء الاصطناعي التي توصي بما يناسبك، على وجه التحديد، وليس المتوسط ​​الديموغرافي.

ولكن الواقع الحالي يشكل نسخة متناثرة من هذا الوعد، لأن بعض هذه الأنظمة مدربة على بيانات ضيقة وغير كاملة ــ عندما يتعلق الأمر بكل من المستهلك والمنتجات الموصى بها. وتعد البيانات غير المكتملة لعنة على الإدراك الناجح لما يقول الجمال إنه يريد تحقيقه باستخدام الذكاء الاصطناعي.

كما هو الحال في العديد من الصناعات، أصبح الذكاء الاصطناعي هو الاختصار المفضل للتحديث للأغراض العامة في صناعة التجميل. ويظهر ذلك في إطلاق المنتجات والتعاون البحثي وإحاطات المستثمرين كدليل على أن القطاع يواكب التحول الرقمي.

النظرية واضحة بما فيه الكفاية، والتحليل الخوارزمي للوجوه والجلد سيسمح بتشخيص أكثر دقة، ومطابقة أفضل للمنتج، وفي النهاية تركيبات أكثر شمولاً. يبدو أن الناس يفضلون التفاعل مع كتالوجات واسعة من الادعاءات والصيغ المعقدة باستخدام اللغة الطبيعية. ويستخدم عدد متزايد من المتسوقين أيضًا تطبيقات الذكاء الاصطناعي كطبقة وساطة بينهم وبين المنتجات التي يرغبون في شرائها.

الواقع العملي… حاضر، لكنه غير مكتمل. ليس هناك شك في أن تحليل الصور ومعالجتها وتوليدها قد قطع شوطا طويلا. وبعيدًا عن الأشياء اللامعة، تستخدم العلامات التجارية الكبرى الذكاء الاصطناعي للتنبؤ والتسويق والبحث والتطوير والتعبئة والتغليف. في المختبرات، تقوم نماذج الرؤية الحاسوبية بتتبع التصبغ والملمس والمرونة عبر صور عالية الدقة.

ولكن مع التقدم السريع في نشر الذكاء الاصطناعي والأدوات المرتبطة به، يتزايد أيضًا الاعتراف بأن بعض هذه الأنظمة قد تم تدريبها بطرق انتقائية للغاية.

في أبحاث الأمراض الجلدية، وجدت دراسة باستخدام مجموعة بيانات Diverse Dermatology Images (DDI) أن أداء النماذج الحديثة كان أسوأ بنسبة تصل إلى 30 بالمائة على درجات البشرة الداكنة.

تقييمات مماثلة في جاما للأمراض الجلدية وأشار إلى أن معظم الأوراق البحثية المنشورة عن الذكاء الاصطناعي في مجال الأمراض الجلدية فشلت في ذكر العرق أو اللهجة، مما يشير إلى أن بيانات التدريب التي تقف خلفها لا تزال غير كاملة. وجدت بعض الأبحاث في صور الأمراض الجلدية التي تم إنشاؤها بواسطة الذكاء الاصطناعي نقصًا مستمرًا في تمثيل الألوان الداكنة، مما يسلط الضوء على حدود مجموعات البيانات الاصطناعية للاستخدام الطبي والتجميلي.

وتشير الأدلة إلى مشكلة أساسية: وهي أن البيانات لا تغطي العدد الكافي من الأشخاص الحقيقيين. وهذا ليس بأي حال من الأحوال أ جديد المشكلة أيضًا، أجرت The Interline مقابلات وأجرت تحليلاً في سبتمبر 2021 حول التحيز العنصري في أنظمة الذكاء الاصطناعي.

ومع ذلك، منذ ذلك الحين، اتسعت فجوة جمال المستهلك فقط عندما يتعلق الأمر بالطرق التي تستخدم بها الصناعة الذكاء الاصطناعي، وبالتالي، حالات الاستخدام لديها لبيانات المستخدم الدقيقة مقارنة بالقيود التي ينطوي عليها جمعها. يمكن تصنيف صور الوجه عالية الدقة على أنها بيانات بيومترية بموجب قوانين الخصوصية، اعتمادًا على كيفية معالجتها وتخزينها. ويشكل جمعها على نطاق واسع عقبات تتعلق بالموافقة والتخزين والتنظيم. تعتمد العديد من العلامات التجارية بدلاً من ذلك على مجموعات البيانات الأكاديمية، أو المستودعات المفتوحة، أو النماذج المدربة مسبقًا.

وقد توفر هذه الأدوات قدرة تقنية ولكنها ليست ذات أهمية دائمًا، مما يعني أن الاختلالات التاريخية في التوازن تنتقل إلى أدوات جديدة. على سبيل المثال، كم عدد الشركات التي تقوم بتحليل الجلد باستخدام الذكاء الاصطناعي، والتي تقوم بمراجعة سياسات DEI وشمولية مجموعات البيانات التي يستخدمها موردوها الخارجيون؟

على سبيل المثال، فكر في رحلة أنظمة القياس التي قام بها الجمال. تم تطوير مقياس فيتزباتريك المكون من ست نقاط، والذي لا يزال يستخدم على نطاق واسع لتصنيف لون البشرة، في السبعينيات لتقييم حساسية الشمس بدلاً من التصوير. يمكن للأنظمة التي تعتمد عليه أن تخطئ في تصنيف درجات اللون الأصفر أو الزيتوني، مما يخلق تمييزات يصعب تصحيحها.

ولمعالجة هذه الفجوات، قدمت جوجل مقياس لون بشرة الراهب في عام 2022، والذي يقدم عشرة تدرجات مصممة لتحسين التوازن التمثيلي. لقد كان الاعتماد خارج قطاع التكنولوجيا تدريجيًا. في حين قامت منصات مثل Google وPinterest بدمج Monk، لا تزال العديد من العلامات التجارية لمنتجات التجميل تتخلف عن المقاييس القديمة بسبب تكاليف التكامل الفني والبيانات القديمة.

هذه العيوب ليست تقنية فحسب، بل إنها تؤثر على الموثوقية التجارية. عندما توصي أداة تجريبية افتراضية بشكل متكرر بظلال أفتح، يشعر المستهلك بالإقصاء، وليس التحسين. عندما تحدد مرآة التشخيص الجفاف أو حب الشباب بشكل غير متسق عبر مجموعات الألوان، تصبح المشكلة مرئية في تعليقات العملاء ووسائل التواصل الاجتماعي بدلاً من الاختبارات الداخلية. ويعتمد سعي الصناعة إلى “التخصيص المفرط” على نفس الظروف التي لا تزال تناضل من أجل تأمين البيانات الوفيرة والتمثيلية والمصنفة بشكل جيد.

وتقوم بعض الشركات الناشئة الآن ببناء مجموعات البيانات الخاصة بها، بموافقة واضحة والمستوى المطلوب من الشمولية والتمثيل. على سبيل المثال، تقوم شركة “ثبت للعناية بالبشرة” بتسويق قاعدة بيانات “مشروع جينوم الجلد” الخاصة المستخدمة لتخصيص توصيات المنتجات. تواصل شركة Perfect Corp توسيع محفظة الذكاء الاصطناعي الخاصة بها لتحليل ومحاكاة البشرة والوجه. تسلط لوريال الضوء على الأبحاث طويلة الأمد حول تنوع أنواع البشرة والشعر، بما في ذلك أدوات قياس الألوان الحاصلة على براءة اختراع والمصممة لتحسين الدقة في تقييم درجة اللون. هذه محاولات عملية لتعزيز مسار البيانات بدلاً من الخوارزميات نفسها.

وحيثما تكون البيانات الحقيقية نادرة، يلجأ بعض الباحثين إلى التعزيز الاصطناعي لسد الفجوة. يمكن للنماذج التوليدية إنتاج صور وجه متنوعة دون جمع بيانات شخصية جديدة، على الرغم من أن التحقق من الصحة يظل محدودًا. ويقوم آخرون بتطوير أطر اختبار التحيز لقياس الأداء عبر مجموعات النغمات قبل الإصدار التجاري. تظهر هذه الأساليب التقدم ولكنها تؤكد أيضًا مدى قلة المعايير الموحدة. في حين أن العديد من مجموعات التقييس، بما في ذلك ISO وIEEE، تعمل على تطوير أطر لاختبار التحيز والإبلاغ عن التنوع، لم يتم حتى الآن اعتماد بروتوكول واحد على نطاق واسع.

ومع ذلك، فإن التحدي المتمثل في الشفافية أعمق من جمع البيانات في حد ذاته. تروج العديد من العلامات التجارية لمنتجات التجميل للأدوات “المدعومة بالذكاء الاصطناعي” دون توضيح النظام الذي تستخدمه، أو كيفية اختباره، أو البيانات التي تعمل عليها. غالبًا ما تعتمد ادعاءات التحليل “المدعوم بالذكاء الاصطناعي” على شراكات البائعين التي لا يتم الكشف علنًا عن أنظمتها الأساسية وبيانات التدريب الخاصة بها. وبدون الإفصاح، لن يتمكن المستهلكون ولا الهيئات التنظيمية من التمييز بين الأنظمة القادرة على التكيف حقا وتلك التي تعمل ببساطة على أتمتة القواعد الثابتة. يعد هذا النوع من التعتيم أمرًا نموذجيًا في الاعتماد الرقمي المبكر، لكنه يبطئ قدرة الصناعة بأكملها على تعلم ما ينجح بالفعل. إن الافتقار إلى خطوط أساس متسقة يجعل من الصعب اكتشاف التحيز أو إصلاح الأخطاء أو مقارنة النتائج عبر الأسواق.

لكي نكون واضحين، هذه مشكلة شائعة يتقاسمها الجمال مع كل القطاعات الأخرى التي تطرح الذكاء الاصطناعي بكل سرور. لكن هذا لا يجعل الأمر أقل إثارة للقلق.

وعلى الرغم من هذه القيود، يظل الاتجاه العام نحو تكامل أعمق للذكاء الاصطناعي في سلسلة قيمة الجمال. والحوافز قوية: فالتخصيص يَعِد بمعدلات تحويل أعلى، وتكاليف عائد أقل، وتسويق أكثر استهدافاً. تدعم الصياغة المبنية على البيانات تخطيط المخزون والامتثال له. والسؤال هو ما إذا كان من الممكن الحفاظ على هذه الفوائد دون الاستثمار المقابل في سلامة البيانات.

إن التفاؤل بشأن الذكاء الاصطناعي في مجال التجميل ليس في غير محله، ولكن النشر لا يزال يتقدم على ما يمكن أن تدعمه أسس البيانات. سوف تعمل الأنظمة التي يجري بناؤها اليوم على تشكيل الكيفية التي يفهم بها المستهلكون التخصيص لسنوات قادمة، وعلى النقيض من الموضة ــ حيث يُظهِر المستهلكون بعض الاستعداد للعودة إلى بئر التجربة الافتراضية بعد تجربة غير مرضية ــ فإن الجمال شخصي وملموس وحميم بالدرجة التي قد تجعل التفاعل السيئ يفسد المستهلك لفترة طويلة.

لذا، وإلى أن تصبح البيانات نفسها أوسع وأعمق وأكثر تنوعا وأفضل تعريفا، فإن كل تقدم ينطوي على مخاطر تحمل نفس القيود.