人工智能助服裝設計生產營銷
許多時裝品牌公司運用人工智能(AI)技術，收集大量用戶購買行為的數據和社交網絡時尚穿搭照片數據，且通過算法預測時尚潮流，製作出符合消費者審美的產品，調整營銷策略，提升銷量和利潤。
集數據預測潮流
例子一：ZARA許多零售店均設有AR顯示屏，讓消費者可拿着智能手機靠近店舖傳感器或商店櫥窗觀賞時裝時，顯示屏就會展示模特兒穿上消費者挑選的服裝，若消費者滿意，可點擊購買。ZARA通過這樣的方式收集穿搭照片數據，以AI算法預測時尚潮流。
例子二：UNIQLO更早借助虛擬現實技術促銷。美國、日本、內地、台灣等地分店陸續設有“3D虛擬試衣間”，消費者可在鏡中看到同款不同色衣服穿上身的效果。其自家網頁及各主要網店也同步推出在線3D虛擬試衣間服務。“3D虛擬試衣”彌補能看不能穿的網購缺點，並增加用戶體驗感和新鮮度。同樣也應用AI收集數據，了解消費者偏好，推薦相關產品促進銷售。
例子三：H&M在疫情期間關閉全球許多實體店，加強電商銷售。集團旗下網上女裝店Ivyrevel，與谷歌母公司Alphabet合作推出“Data Dress”計劃。該計劃背後主要採用Alphabet的Snapshot功能，透過手機App讓AI協助消費者挑選衣物。
例子四：DeepVogue是一款AI服裝設計系統，其中使用GAN（生成式對抗模型）和VAE（變分自動編碼器）等尖端深度學習技術和結伴學習方法，具有非線性思維，可同時處理兩萬個以上帶有一千六百萬種顏色的彩色像素圖片。DeepVogue可收集大量用戶購買行為的數據和社交網絡時尚穿搭照片數據，且通過算法預測時尚潮流，製作出符合消費者審美的產品。
助服裝創新設計
另一方面，DeepVogue允許設計師把採集到的時裝走秀圖、產品圖片等素材作為學習數據導入系統，且對設計主題進行設置。隨後，AI系統會通過深度學習，創造出全新的獨創時裝草圖，再由設計師根據時裝草圖篩選更改。其中，所謂結伴學習技術跟傳統深度學習模型略有差異，該技術可建立樣本之間聯繫並作出處理。因此人工智能模型在訓練時不僅可從單個樣品中學習，還可從樣品差異中學習，對提高模型認知率和認知精確度有很大幫助，有利服裝設計講究搭配的特點。
例子五：美國康奈爾大學和圖像芯片國際龍頭企業Nvidia聯合出品一款MUNIT算法。該算法是多模態、無監督的風格轉換新方法，讓模型生成多樣性的輸出結果。在這研究中，研究人員假設圖像表徵可分解為一個具有域不變性的內容碼和一個能刻畫域特有性質的風格碼。為把圖像轉化到另一個域中，把原圖像的內容碼和從目標域中隨機抽取的某個風格碼進行重組。最後，通過引入一個風格圖像樣例，使用者可利用這個模型來控制轉化的輸出風格。設計師在獲得算法後，還需收集圖片訓練素材。設計師把收集到的服裝圖片及服裝線稿等數據進行篩選和清洗，最後按照MUNIT代碼放到指定目錄，啟動程序並輸入相應參數，便可訓練神經網絡進行服裝創新設計。
協助服裝生產線
時裝業其中一項重要挑戰，就是要確保產品質量，尤其是檢測布料瑕疵，確保可生產高素質的布料與服裝。幾百年來業界大量依賴目測方式來檢車紡織品瑕疵，但效果參差，效率也低。因此人工智能系統成為可能的救星。人工智能在面對單一產品的瑕疵學習及辨識功能十分強大，但服裝設計紡織品結構變化多端、紡織方法繁瑣，以及設計風格多變，低階人工智能過去難以辨識瑕疵產品，現在隨着技術發展，進步的人工智能出現突破。
例子一：香港某大學研發的“聰明眼”智能紡織品瑕疵檢測系統，融合先進科技包括人工智能及深度學習技術，且由多個具備不同功能的部件組成，其中包括高功率LED燈管用於照明紡織品。安裝在織布機軌道上的高解像度CCD相機，可在紡織過程中拍攝整幅紡織品圖像。圖像經過AI機器視覺算法處理後，便可即時檢測紡織品瑕疵。這樣的技術運用大數據和深度學習技術，通過輸入大量紡織品數據訓練人工智能，令其可檢測約四十種常見紡織品瑕疵，達到每像素低於○點一毫米的誤差範圍。
把圖案轉為指令
例子二：美國麻省理工學院計算機科學與人工智能實驗室在一九年開發InverseKnit系統，這個神經逆編織系統可把圖像轉換成編程指令，使用者只需拍攝欲呈現的針織織紋的真實照片，透過人工智能演算並學習織法，再經由交叉辨識後，把圖案轉換為指令，自動完成計算統計，再輸入自動針織機織造。系統在該團隊測試下有高達九成四機率計算出正確指令，但目前編織數據集的樣本數量尚不足，且僅可使用特定的壓克力紗織造。團隊正積極擴增樣本數據，並測試不同材料，令系統未來可更靈活且大規模運用，有望此系統的普及可提升製造效率和解決浪費問題。
據Statista數據表示，一九年全球服裝市場規模達一點五萬億美元，每年還以百分之五左右速度成長。人工智能在視覺訓練和結伴學習等有關能力，正不斷提升，未來人工智能結合到服裝設計與製造業，已成該產業新發展契機與突破點。
澳門大學工商管理學院教授
劉丁己
