Doradca Skórny AI i Rekomendator Produktów (Ekosystem FOREO)
AI i uczenie maszynowe
AI Skin Advisor — to inteligentny system oparty na dużych modelach językowych (LLM), zaprojektowany w celu udzielania spersonalizowanych porad dotyczących pielęgnacji skóry oraz automatycznego doboru produktów ekosystemu FOREO. Projekt działa na zasadzie asystenta dialogowego, który analizuje indywidualne zapytania użytkowników, stan ich skóry i proponuje optymalne rozwiązania do codziennej pielęgnacji.
Kluczowa funkcjonalność systemu
Inteligentny interfejs czatu: Realizacja okna dialogowego w stylu ChatGPT, które pozwala użytkownikom uzyskiwać natychmiastowe odpowiedzi na pytania dotyczące pielęgnacji dermatologicznej.
Spersonalizowana diagnostyka: Analiza wprowadzonych danych użytkownika (typ skóry, wiek, aktualne problemy) w celu stworzenia unikalnego "cyfrowego profilu" skóry.
Inteligentne rekomendacje FOREO: Algorytmiczny dobór gadżetów (LUNA, UFO, BEAR) oraz kosmetyków marki, zintegrowanych w spersonalizowanej rutynie.
Edukacyjna treść: Generowanie instrukcji i porad dotyczących prawidłowego użycia technologii mikroprądów, pulsacji T-Sonic oraz terapii LED.
Stos technologii i architektura
NLP/LLM: Wykorzystanie modeli GPT-4 lub Claude do prowadzenia kontekstowych dialogów.
Data Science & Machine Learning: Opracowanie algorytmów rankingowych produktów na podstawie składników i specyfikacji urządzeń.
Backend: Python (FastAPI/Flask) do przetwarzania zapytań i integracji z bazą danych produktów.
Frontend: React/Next.js lub integracja w mobilnej aplikacji FOREO For You.
Przechowywanie danych: Bazy danych wektorowych (Pinecone/Milvus) do szybkiego wyszukiwania istotnych wiedzy dermatologicznej (architektura RAG).
Mój wkład (Data Science)
W ramach projektu odpowiadałem za część analityczną oraz opracowanie logiki rekomendacji:
Opracowanie modelu rekomendacji: Stworzenie systemu mapowania między problemami dermatologicznymi użytkowników a specyfikacjami linii FOREO.
Fine-tuning i Prompt Engineering: Dostosowanie zachowania modelu językowego w celu zapewnienia wysokiej dokładności porad medycznych oraz przestrzegania tonu marki.
Przetwarzanie i strukturyzacja danych: Formowanie i przygotowanie zbiorów danych ze składnikami kosmetyków oraz parametrami technicznymi gadżetów do szkolenia algorytmów.
Walidacja odpowiedzi: Opracowanie metryk do oceny bezpieczeństwa i istotności porad asystenta, aby uniknąć błędnych rekomendacji dermatologicznych.
Kluczowa funkcjonalność systemu
Inteligentny interfejs czatu: Realizacja okna dialogowego w stylu ChatGPT, które pozwala użytkownikom uzyskiwać natychmiastowe odpowiedzi na pytania dotyczące pielęgnacji dermatologicznej.
Spersonalizowana diagnostyka: Analiza wprowadzonych danych użytkownika (typ skóry, wiek, aktualne problemy) w celu stworzenia unikalnego "cyfrowego profilu" skóry.
Inteligentne rekomendacje FOREO: Algorytmiczny dobór gadżetów (LUNA, UFO, BEAR) oraz kosmetyków marki, zintegrowanych w spersonalizowanej rutynie.
Edukacyjna treść: Generowanie instrukcji i porad dotyczących prawidłowego użycia technologii mikroprądów, pulsacji T-Sonic oraz terapii LED.
Stos technologii i architektura
NLP/LLM: Wykorzystanie modeli GPT-4 lub Claude do prowadzenia kontekstowych dialogów.
Data Science & Machine Learning: Opracowanie algorytmów rankingowych produktów na podstawie składników i specyfikacji urządzeń.
Backend: Python (FastAPI/Flask) do przetwarzania zapytań i integracji z bazą danych produktów.
Frontend: React/Next.js lub integracja w mobilnej aplikacji FOREO For You.
Przechowywanie danych: Bazy danych wektorowych (Pinecone/Milvus) do szybkiego wyszukiwania istotnych wiedzy dermatologicznej (architektura RAG).
Mój wkład (Data Science)
W ramach projektu odpowiadałem za część analityczną oraz opracowanie logiki rekomendacji:
Opracowanie modelu rekomendacji: Stworzenie systemu mapowania między problemami dermatologicznymi użytkowników a specyfikacjami linii FOREO.
Fine-tuning i Prompt Engineering: Dostosowanie zachowania modelu językowego w celu zapewnienia wysokiej dokładności porad medycznych oraz przestrzegania tonu marki.
Przetwarzanie i strukturyzacja danych: Formowanie i przygotowanie zbiorów danych ze składnikami kosmetyków oraz parametrami technicznymi gadżetów do szkolenia algorytmów.
Walidacja odpowiedzi: Opracowanie metryk do oceny bezpieczeństwa i istotności porad asystenta, aby uniknąć błędnych rekomendacji dermatologicznych.