El reconocimiento preciso de colores en imágenes es un desafío complejo debido a la gran diversidad de tonalidades, matices y variaciones de luminosidad que existen en el espectro cromático. Cada color tiene su propia identidad, su propia personalidad, y capturar esa esencia con precisión es una tarea que requiere de un enfoque inteligente.

En el mundo del comercio electrónico, las imágenes de productos desempeñan un papel crucial a la hora de atraer a los clientes y persuadirlos para que realicen una compra. Sin embargo, una de las preocupaciones más comunes en este contexto es asegurarse de que los colores mostrados en las imágenes sean lo más precisos posible. Esto es especialmente relevante cuando se trata de objetos cuyo color es un factor determinante en la decisión de compra, como prendas de vestir, productos de decoración o dispositivos electrónicos.

El desafío radica en lograr que el color proporcionado como parámetro en el texto coincida fielmente con el color que realmente se observa en el objeto de interés en la imagen. Esto implica una tarea compleja de clasificación y reconocimiento de colores, ya que es necesario discernir no solo colores básicos, sino también matices sutiles y variaciones. Un pequeño error en la representación del color puede generar confusiones o decepciones en los clientes, lo que puede afectar negativamente la confianza y la satisfacción con la compra realizada.

Es fundamental contar con un modelo de inteligencia artificial capaz de analizar y comparar el color proporcionado como parámetro con el color observable en la imagen del producto. Al lograr una correspondencia exacta entre el color descrito y el color real, los minoristas electrónicos pueden brindar a los clientes una experiencia de compra más confiable y evitar malentendidos o devoluciones debido a discrepancias en los colores.

El desafío radica en la gestión de una amplia gama de colores, alrededor de 100, lo que dificulta discernir sutiles diferencias entre ellos. Por ejemplo, tonalidades de rojo, azul o verde pueden presentar variaciones casi imperceptibles para el ojo humano. Esta complejidad dificulta la tarea de clasificar y representar fielmente el color de las imágenes.

Al encontrar una solución que permita manejar estas variaciones sutiles de color, se fomenta un entorno comercial favorable, donde la diversidad de productos está disponible para los clientes y se mantiene la competitividad.

Para hacer frente a este desafío se puede optar por diversas estrategias. Un camino es agrupar los colores iniciales en categorías de color más generales. Esto permitirá simplificar la tarea de predicción, ya que si bien el vendedor podrá elegir entre la totalidad de los colores originales, internamente se los asociará a uno de ellos dentro de estos grupos predefinidos. De esta manera, el modelo de inteligencia artificial evalúa si el color seleccionado corresponde a la categoría asociada.

Otro problema que puede surgir, es el de colores que se encuentran en el límite de 2 categorías diferentes. En ese caso, se puede decidir adoptar un enfoque donde el modelo recibe como entrada un color y una imagen, y devuelve el grado de certeza entre la correspondencia de los mismos.

Lo que se debe hacer es construir un dataset que consiste en el color real del producto, la imagen correspondiente y el resultado esperado, donde el output es "corresponde" cuando el color pasado coincide con el color real del producto, y se genera otro conjunto de datos con las mismas imágenes y un color distinto al real, donde el output es "no corresponde". Estos conjuntos de datos permiten entrenar al modelo para que pueda reconocer y clasificar correctamente la correspondencia entre un color y el objeto de interés de la imagen, permitiendo ignorar pequeñas diferencias que puedan existir entre los distintos matices de colores.

Este tipo de modelos permiten identificar, en una tienda de ecommerce, los artículos que presentan problemas en el color. Esto permite asegurar con un alto grado de confianza que, en los casos en los que el modelo no muestre problemas de color en la publicación, la misma efectivamente será correcta y podrá ser aprobada automáticamente.

Podemos llegar a la conclusión de que su evaluación, en conjunto a otras provenientes de otros modelos, permiten automatizar la tarea de aprobación de productos en un marketplace con mucha facilidad y un alto grado de confianza, logrando reducir el tiempo de una tarea que puede demorar horas, días o hasta semanas a tan sólo unos pocos segundos. Gracias a esto, los productos están actualizados en forma constante y veloz, lo que permite reducir el attrition de los retails y, en consecuencia, aumentar la cantidad y calidad de productos publicados a ofrecer.

*La columna fue escrita por Lucas Tarcetti, developer en redbee