Skip to main content

22 Jan, 2024

Une méthode pilotée par l’IA automatise la découverte des caractéristiques liées à une marque dans la conception des produits

Une méthode pilotée par l’IA automatise la découverte des caractéristiques liées à une marque dans la conception des produits

BIGNet saisit les éléments des voitures de luxe qui se distinguent bien, notamment la calandre, les phares et les phares antibrouillard, tandis que les voitures abordables (Toyota) présentent beaucoup moins d’indices géométriques, ce qui l’oblige à s’appuyer sur la détection de logos.

En matière de conception de produits, la cohérence de la marque est l’une des clés du succès pour toutes les gammes de produits, car elle permet de gérer l’essence des marques et d’établir un lien positif avec les bénéfices. Les entreprises qui dépendent de la sortie d’un modèle de nouvelle génération chaque année doivent relever le défi de concevoir un produit qui se distingue de ceux qui sont déjà sur les étagères, mais qui incarne toujours la marque.

Des chercheurs de l’université Carnegie Mellon espèrent alléger la tâche des concepteurs de produits en introduisant une architecture d’apprentissage profond entièrement automatisée capable d’identifier les caractéristiques visuelles liées à la marque. Le modèle appelé BIGNet (Brand Identification Graph Neural Network ou Réseau neuronal graphique d’identification d’une marque) est entraîné à l’aide d’images SVG de produits.

SVG (Scalable Vector Graphics) est un format de fichier vectoriel optimisé pour le web

BIGNet repère les cohérences parmi les milliers de courbes de l’image du produit afin d’identifier la marque visuelle. Les travaux sont publiés dans le Journal of Mechanical Design.

« Avant BIGNet, il n’existait aucune méthode permettant d’extraire automatiquement des caractéristiques liées au style à l’aide de l’apprentissage automatique », a expliqué Yu-hsuan « Sean » Chen, candidat au doctorat à l’université d’Oxford. Chen, candidat au doctorat en génie mécanique. « Les concepteurs créaient des règles dans leur tête, mais elles étaient difficiles à articuler et à transférer d’une ligne de produits à l’autre.

L’équipe a testé BIGNet sur différents produits, par exemple les marques populaires de téléphones portables Apple et Samsung. Le modèle a atteint un taux de précision de 100 % dans la différenciation entre les deux, identifiant des caractéristiques spécifiques, telles que l’écart entre les écrans et l’emplacement de l’objectif de l’appareil photo, qui indiquaient une marque plutôt qu’une autre.

Pour démontrer l’adaptabilité et la généralisation de BIGNet à différents produits et échelles de conception, l’équipe a évalué BIGNet sur 10 marques automobiles. Le modèle a identifié Audi, BMW et Mercedes Benz avec la plus grande 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 faire appel à des personnes qui travaillent avec elles depuis plus de 20 ans pour comprendre la marque », assure Yu-hsuan Chen.

Actuellement, BIGNet est mis en œuvre avec des images bidimensionnelles en plan. Les chercheurs sont impatients d’étendre leurs essais à l’imagerie 3D et espèrent développer le modèle pour identifier plus que l’identité de la marque. Par exemple, quels sont les détails qui distinguent une voiture « musclée » d’une voiture « sportive ».

« Ayant travaillé dans le domaine de la formalisation des marques par le biais de langages de conception pendant près de trois décennies, je trouve que le potentiel de BIGNet d’utiliser la ML pour découvrir les langages de marque est une avancée passionnante avec de nombreuses directions potentielles d’application », a déclaré Jon Cagan, auteur principal et chef du département d’ingénierie mécanique.

https://techxplore.com/news/2024-01-ai-driven-method-automate-discovery.html

https://engineering.cmu.edu/news-events/news/2024/01/16-ai-brand-recognition.html

https://asmedigitalcollection.asme.org/mechanicaldesign/article/146/5/051701/1169297/BIGNet-A-Deep-Learning-Architecture-for-Brand