Slimme oplossing om online je favoriete kleding te passen

Kleding bestellen, thuis alles rustig passen en de helft weer terugsturen: het is de manier waarop we de afgelopen jaren massaal gebruik zijn gaan maken van online kledingwinkels. Daarbij staan gemak en flexibiliteit centraal. Toch kleven er ook nadelen aan deze nieuwe vorm van consumeren. Je kunt een kledingstuk namelijk niet online passen. Wie standaard zijn favoriete shirt in drie maten bestelt, het beste exemplaar houdt en de rest retourneert, belast zowel de webwinkel als het milieu. Pakketdiensten rijden af en aan en de webwinkels draaien vaak voor de kosten op. Dat moet beter kunnen.

Dat dachten ook derdejaars HBO-IT studenten Remco, Bodhi en Adrian. Ze gingen in opdracht van het lectoraat Ambient Intelligence aan de slag om te zoeken naar een slimme oplossing. Projectleider Remco (21) vertelt: ‘Binnen onze minor Immersive Media bekijken we hoe we de techniek van Machine Learning hierbij in kunnen zetten. We hebben een oplossing voor ogen, maar onderzoeken momenteel of deze ook echt in de praktijk te gebruiken is.’ De studenten ontwikkelen een tool om de online winkelende klant beter inzicht in zijn eigen kledingmaten te geven. 

Immersive Media

Bij Immersive Media wordt de lijn tussen de fysieke en de digitale, gesimuleerde wereld dunner. Denk bijvoorbeeld aan het gebruik van een Virtual Reality-bril, waarbij je jezelf in een andere wereld waant. Remco en zijn collega’s vormen een belangrijke schakel in een landelijk project dat al in oktober 2016 startte, onder supervisie van de Hogeschool van Amsterdam. Vier universiteiten, waaronder Saxion, en 28 bedrijven bundelen daarin hun denk- en ontwikkelkracht. Ook werken er een aantal online kledingwinkels mee. Er is duidelijk sprake van een gedeeld belang.

‘Ons onderzoek verloopt voorspoedig. We liggen nog steeds op schema en zijn er achter gekomen dat de oplossing die we voor ogen hebben, ook echt kans van slagen heeft. De docenten van Creative Media and Game Technologies hebben ons heel goed ondersteund om het concept van Machine Learning te leren begrijpen,’ vertelt Remco.

Machine learning

Hoe laat deze techniek zich eenvoudig uitleggen? ‘Machine Learning is eigenlijk het ‘trainen’ van een algoritme,’ aldus de projectleider. ‘Je moet het zien als een reeks van geprogrammeerde handelingen. Met Machine Learning verbetert een algoritme zichzelf. Het wordt als het ware steeds slimmer, op basis van nieuwe gegevens. In ons geval gaat dat over een tool die met behulp van lichaamsafmetingen een vrij nauwkeurige inschatting kan maken van de ideale maat van het kledingstuk dat iemand nodig heeft.’

De studenten ontwierpen een tool waarmee de klant die online winkelt op een eenvoudige manier een 3D-karakter van zichzelf kan maken, gebaseerd op een aantal foto’s die hij uploadt. Dat 3D-karakter helpt bij het vaststellen van de eigen kledingmaten. Remco: ‘Een klant kan er zijn gewenste kleding op projecteren en direct zien of een trui, t-shirt of broek past. We kunnen nu gemiddeld tot op 1,5 centimeter nauwkeurig de maten van de klant vaststellen. Dat willen we natuurlijk nóg verder verbeteren, al benaderen we soms de werkelijke maat zelfs al met 1 millimeter.’

In de praktijk

Als we deze Saxion-oplossing binnenkort al in de praktijk willen gebruiken, moeten we toch nog even geduld hebben, volgens Remco. ‘Binnen het consortium onderzoeken we allerlei mogelijkheden. Daaruit blijkt welke toepassingen het beste werken. Ik stel me zo voor dat ons idee,  in een verder uitgewerkte vorm, eerst getest gaat worden bij kleine webwinkels. Als zij daardoor inderdaad met minder verlies gaan draaien, kunnen we de stap naar de grotere bedrijven zetten. Het duurt dus nog wel even voordat de consument er mee aan de slag kan, maar dat geeft niet. Het is een spannend proces. Sinds het moment waarop we de eerste ideeën binnen Saxion presenteerden en onze docent enthousiast riep dat hij er direct wel de krant mee wilde bellen, heb ik het gevoel dat we écht op de goede weg zitten.’

De studenten houden een eigen blog bij op fittingfashion.ml.