Ein Fuß wird mit der Spotsize-App gescannt

Meetup AI-enabled Apps Q&A: Eure Fragen beantwortet

Autor:in
Lesezeit
8 ​​min

Unser Meetup „AI-enabled Apps am Beispiel spotsize.io” am 23.03.2021 hat sich um die Verwendung neuer Technologien, wie der 3D-Objektklassifizierung mit Smartphones, gedreht. Dabei gab es wie immer viele interessante Fragen aus dem Publikum, die wir euch hier nochmal ausführlich beantworten möchten.

Q1: Sind die Menschen mit dem Problem „Größe 46 und sehr breite Füße” adressiert? Hier ist das Finden des richtigen Schuhs problematisch. Wie wird das Problem gelöst?

A1: Wir können algorithmisch das Problem lösen, allerdings wird es dadurch nicht unbedingt besser. Man bekommt bei Adidas keinen Schuh in Extra-Weite, wenn es diesen nicht im Sortiment gibt. 80% der Schuhe, die heute online vertrieben werden, sind Konfektionsschuhe. Das bedeutet, sie werden in verschiedenen Grössen hergestellt und verfügen über eine Standardweite (Normal). Es gibt in den USA z. B. Nike, die einige ihrer Modelle auch in mehreren Weiten L, XL, XXL anbieten. Für die Industrie ist es allerdings günstiger, nur eine Weite herzustellen. Bis in die 60er-Jahre gab es ein Schuhmodell in schmal, normal, weit und sehr weit. Das wurde aufgrund des Kostendrucks abgeschafft.

Q2: Wie präzise ist die metrische Messung, wo kommt die Referenzgröße her (m, cm …)?

A2: Wir arbeiten ohne Referenzgröße. spotsize arbeitet mit Tiefen-, Lidar- oder ToF-Sensoren. Wir liegen bei 90% der Messungen bei einer Messgenauigkeit von </= 2mm (100% </= 3mm).

Q3: Welche weiteren Daten als nur Länge können verglichen werden?

A3: Wir unterstützen Länge und Breite des Fußes. Schuhgrößen werden immer anhand von der Schuhlänge ermittelt, die Passform (fit) anhand der Schuhweite/Fußumfang. Bei einigen Schuhformen kann auch die Risthöhe, der Schaft (Stiefel) oder der Fersenballen eine Rolle spielen. Allerdings orientieren sich die allermeisten Schuhe an Fußlänge und -breite/-umfang.

Q4: Gibt es bei euch oder euren Konkurrenten die Lösung einer Schuhschablone (low-tech), die ausgedruckt einen ähnlichen Zweck erfüllt? Oder ist das bekannt, dass es sowas schon mal gab?

A4: Nein, das gibt es bei uns nicht.

Q5: Reicht es, eine Größe pro Marke (Adidas, Nike…) zu erfassen oder ist evtl. pro Schuhmodell ein neuer Scan notwendig?

A5: Nein, man muss nur einmal scannen und der Digital Twin kann für alle Modelle immer wieder herangezogen werden.

Q6: Gibt es eine Demo, die man ausprobieren kann?

A6: Im Mai 2021 kommt die spotsize App in den App Store, Ende 2021 auch zu Google Play. Hier könnt ihr eure Standardgröße bei Adidas, Nike, Under Armour, ON, NB etc. in EU/US/UK finden oder gegen eine Gebühr den Digital Twin eures Fußes erwerben.

Q7: Verwendet ihr außer Object Detection und Segmentation sonst noch irgendwelche Machine-Learning-Modelle? Wie sieht euer Tech Stack aus?

A7: In Bezug auf ML/AI nutzen wir die bereits genannten ML-Anwendungen und daneben lernen wir aktuell ein Modell an, dass auch einen Scan ermöglicht, wenn die Lichtverhältnisse suboptimal sind. 

Wir sind eine Plattform und verfügen schon heute über sehr viele Fußdaten. Im Laufe der Zeit können wir die gesammelten Daten als Data as a Service & Deep Insights für Hersteller nutzbar machen. So könnte ein Hersteller einen sehr genauen Überblick über die Beschaffenheit der Füße in bestimmten Ländern, Regionen, Kontinenten oder Zielsegmenten erhalten und damit seine Produktion für bestimmte Zielgruppen und seinen Absatz für Zielmärkte punktgenau optimieren, neue Kunden gewinnen oder innovative Verfahren wie z. B. Mass Customization von Schuhen kostengünstiger anbieten.

Q8: Was war die „eigentliche“ Arbeit in dem Projekt? ML/AI und Tools schenkt uns Apple (MLKit), inkl. den „Modell-Trainingstools“. Marketing/UI/UX?

A8: Bei uns war die Aufgabenstellung eine große Herausforderung, sie präzise zu formulieren und daraus die Anforderungen an das Design, die Daten für das Modelltraining etc. abzuleiten, waren essentiell. Der Rest war Handwerk.

Q9: Was ist der Output des Scanvorgangs? Ein Vektor, oder nur die Länge des Fußes?

A9: Der Digital Twin in 3D / PointCloud. Ein 1:1-Abbild des Fußes. Das STL-File kann man in 3D drucken.

Q10: Woher kommen die Daten zu den Schuhinnenmaßen?

A10: spotsize ist eine Plattform für Größenempfehlungen in der Cloud als SaaS.

Wir haben ein B2B-Modell und ein B2C-Modell. Bei dem B2B-Modell kommen die Daten von den Herstellen. Bei dem B2C-Modell bedienen wir uns den Standard-Größendaten, die pro Marke hinlänglich verfügbar sind. Marken, die letzteres nicht verfügbar machen, werden nicht von der spotsize App unterstützt.

Q11: Was gibt das Modell genau zurück? Ist das der Fuß in 3D oder die Schuhgröße?

A11: spotsize vermisst den Fuß in 3D und ermittelt je nach Schuhmarke die richtige Schuhgrösse anhand von Länge und Breite.

Q12: Frage zur Größe: Eine 39 bei adidas ist nicht zwangsläufig eine 39 bei Nike. Wie wird dieses Problem gelöst?

A12: Genau dieses Problem adressieren wir mit spotsize.

Wir arbeiten entweder direkt mit der Schuhmarke/-hersteller zusammen (B2B) und/oder bieten als B2C App die Standardgrößen der verschiedenen Marken wie z. B. Adidas, Nike, Puma, Under Armour, NB, … in EU/UK und US-Größe. an.

Q13: Gibt es bereits Feedback von Nutzer:innen? Was sagen die, wenn sie die Schuhe dann anprobieren?

A13: Tests mit unseren ersten Pilotkunden und Inhouse-Proben zeigen bisher sehr gute Ergebnisse an. spotsize ist prädestiniert für Massenartikelhersteller im Konfektionsschuh-Bereich, die im E-Commerce ihre Ware anbieten.

Q14: Ist ein Tiefensensor zur Messung erforderlich? Wenn nein, wie wird bei einer normalen Kamera die Bezugsgröße ermittelt?

A14: Wir benutzen nur Tiefen-, Lidar-, und -ToF-Sensoren, daher benötigen wir keine Referenzgröße.

Q15: Wie lange hat die Entwicklung zum MVP gedauert? Wie groß war euer Team?

A15: Ca. 6 Monate der Gesamt-Entwicklungszeit haben wir in einem sehr agilen Modus entwickelt, getestet und verworfen; neu gedacht, entwickelt, getestet, für gut befunden etc.

Q16: Wie viele Daten sind notwendig um das Modell zu trainieren?

A16: Eigentlich sind sehr viele Daten notwendig. Wir haben echte Daten genutzt, also keine künstlichen oder Daten aus dem Internet. Das hat bereits zu sehr guten ersten Ergebnissen geführt. Wir konnten die erforderlichen Trainings- und Validierungsdaten immens reduzieren, indem wir uns eines Tricks / einer genialen Idee bedient haben, sodass wir mit relativ wenig Daten unser Ziel erreichen konnten. Dies wollen wir hier nicht offenlegen und bitten um euer Verständnis.

G17: Müssen die Schuhmodelle separat vermessen werden (z. B. Breite des Schuhs für bestimmte Größe) oder stellen die Hersteller die notwendigen Daten zur Verfügung ?

A17: Die Hersteller stellen die Maße für die spotsize-Nutzung im B2B zur Verfügung bzw. wir bedienen uns ihrer Konfektionsdaten, die frei verfügbar sind (B2C). Natürlich können wir im B2C-Bereich nicht alle Marken unterstützen, da dies nur bei hinlänglich frei zugänglichen und verfügbaren Daten möglich ist.

Q18: Wie stark ist die App von der Plattform abhängig? Ist sie ohne weiteres auf Android portierbar?

A18: Im Wesentlichen ist der Scanvorgang hardwareabhängig, d. h. die Datenaufnahme muss im Frontend (UI/UX) and die Hardware angepasst bzw. portiert werden.

Q19: Wird neue Hardware wie das Lidar des iPhone 12 Pro die Performance der 3D-Scans maßgeblich verbessern?

A19: Den Lidar-Sensor im iPhone 12 wollen wir in Q3 2021 bereits unterstützen. Er verbessert die UX für die User. Ansonsten hängt es davon ab, wie leistungsstark der Sensor ist. Erste Test stimmen uns positiv, dass spotsize mit dem iPhone 12 und dem neuen Lidar-Sensor noch viel mehr Spaß macht.

Hat dir der Beitrag gefallen?

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Ähnliche Artikel