의류 및 섬유 제조는역사적으로 노동 집약적 산업왔다,세계 최대 규모의 패션, 의류 및 의류 브랜드의 몇에서 본것자사 제품의 상당 부분은 등 중국, 인도, 방글라데시, 베트남 등 아시아 국가에서 제조 가지고 .
동쪽으로의 섬유 제조업의 이주는아시아 국가들 (특히중국)에서 노동 비용이 상승하기 시작한지난 수십 년 동안 일어났습니다.업계에서 산업 자동화의보급률이증가함에 따라과거 및 실시간 운영 데이터에 액세스 할 수있는 섬유 제조업체는 AI를 활용하여 효율성을 높이고 직원들의 능력을 향상시킬 수 있습니다.
독자는 섬유 제조 산업에서 인공 지능 응용 프로그램의 채택이 아직 이르다는 것을 알아야하며, 몇 가지 유스 케이스가 있지만 (많은 부분을 아래 섹션에서 살펴 보았 음), 널리 보급 된 것으로 보이지 않습니다 인공 지능은 선진국에서도 마찬가지입니다.
대신, 우리는 오늘날 섬유 산업 분야에서 인공 지능을 적용 할 가능성과 향후 2 ~ 5 년 동안 산업 분야에서 AI가 수행 할 수있는 가능성을 탐구합니다.
아래의 기사를 현재 및 미래의 응용 프로그램으로 나누어 기업 및 사례를 개별적으로 검토하여 비즈니스 가치를 탐구했습니다.
(이 기사는 섬유 및 직물 응용 분야에 대해서만 다루며 패션에 대해서는 다루지 않을 것입니다. 유행에 관심이있는 독자는 Fashion에서 AI기사 전체 기사를 읽을 수 있습니다.)
현재 응용 프로그램
Cognex - 패브릭 패턴 검사
1981 년 Boston에 설립되어 현재 1000 명 이상의 직원이 근무하고있는 Cognex Corp.은 머신 비전 시스템, 소프트웨어 및 센서의 미국 제조업체입니다.이 회사는직물 업계에서 패브릭 패턴 인식을 위해 맞춤 제작된 머신 비전 기반의Cognex ViDi플랫폼을 제공합니다.
Cognex는 Cognex ViDi 플랫폼이 직조, 편직, 편조, 마무리 및 인쇄와 같은 패브릭 패턴의 측면을 자동으로 검사 할 수 있다고 주장합니다.이 회사는 또한 플랫폼을 제조 시스템에 통합하기위한 개발 기간이 필요하지 않으며, 훌륭한 원단 샘플을 미리 정의 된 이미지를 사용하여 교육 할 수 있다고 제안합니다.
의류 제조는 노동 집약적이며, 고정 자본 투자가 낮다는 특징이 있습니다.광범위한 제품 설계 및 입력 자료;가변 생산량;높은 경쟁력;종종 제품 품질에 대한 높은 요구가 있습니다.그러나 의류 품질에 대한 수요가 높아지고 소비자 인지도가 높아짐에 따라 최근의류 제조과정에서 자동화 된 공구 및 장비를 사용하게되었습니다.의류 생산의자동화는 기술 개발과 모델링 및 시뮬레이션의 사용으로 인해 현실화되고 있습니다.노동 집약적 인 특성 때문에 의류 업계는 AI 업무에서 큰 이익을 얻을 수 있습니다.
정보 기술 시대에 AI (인공 지능)는 공학, 물리학, 의학 및 관리 분야에 혁명을 일으켰습니다.전통적인 수학적 모델은 AI의 핵심 원리 인 문제를 해결하거나 의사 결정 과정에서 사용됩니다.AI는 휴리스틱 및 지능적인 특성으로 인해 다양한 문제에 대해 우수한 솔루션을 제공 할 수 있습니다.인공 지능의 도움으로 품질 향상, 생산성 향상 및 생산 비용 절감과 같은 중요한 결과를 얻을 수 있습니다.
AI는 인간 지능과 인간의 감각 기능의 특성을 시뮬레이션 할 수있는 컴퓨터 과학 분야입니다.AI 시스템은 휴리스틱하고 지능적인 특성으로 인해 고전 시스템보다 우수한 솔루션을 제공 할 수 있습니다.
의류 생산 과정은 그림 -1에 설명되어있다.개념화 단계부터 시작하여 소비자에게 도달 할 때까지 디자인 개발, 제조, 공급망 및 소매업을 통과합니다.개념화 단계에서는 디자이너가 색상, 직물, 실루엣 및 트림의 경향을 예측하여 테마를 개념화합니다.
Figure-1 : 의류 제조와 관련된 생산 공정.
디자인 개발이 완료되면 의류 생산 프로세스가 시작됩니다.의류 생산 공정에는직물 펼침, 절단, 번들링, 재봉, 압축, 검사 및 포장이 포함됩니다 (그림 2).패브릭은 의류의 주요 구성 요소이며 많은 의류 제조 산업의 입력 재료입니다.원단을 받으면 품질 검사를하고 잠시 보관 한 다음 원단을 펼쳐절단합니다.의복 디자인에 따라 여러 가지 구성 요소가 다양한 절단 장비를 사용하여 절단됩니다.절단 된 구성 요소는 번들로 묶여 고정 된 후 묶음 티켓으로 전달됩니다.
그림 -2 : 의류 제조 공정 순서.
숙련 된 작업자가 의류 구성품을 수 놓은 후 눌러지고 완성 된 의복은 품질 검사를받습니다.그런 다음 의류는 포장되어 자신 또는 제 3 자 물류 제공 업체에 의해 소매점으로 보내집니다.소매점은 소비자가 제품을 구매하는 곳입니다.오늘날 소비자들은 의류 스타일, 적합성, 품질 및 가격에 대해 많은 관심을 가지고 있습니다.이러한 매개 변수의 대부분은 그림 2에서 설명한 생산 단계에서 관리됩니다.따라서 이러한 프로세스 중에 관리 직원이 다양한 작업을 제어해야하는 경우가 있으며 이는 여러 경우에 어려울 수 있습니다.AI를 사용하면 의사 결정, 주문 계획 수립, 마커 작성, 생산 계획, 공급망 관리 (SCM) 및 소매업을 위해 이러한 문제를 효과적으로 통제하는 데 도움이 될 수 있습니다.
의류 제조업체는 소비자가 이해하고 예측하기 어려운 다양한 제품 조합을 생산해야합니다.그들의 선택은 불안정하고 예측할 수 없으며, 인구 통계 및 인물 통계에는 다양한 변화가 있습니다.제품 품질은 원사 제조, 직물 준비 (직조 및 편직), 직물 화학 가공 및 의류 제조와 관련된 몇 가지 요소에 따라 달라집니다.따라서 이러한 모든 요소는 의류 제조의 전 과정에서 인공 지능의 적용으로보다 잘 제어 될 수 있습니다.자동화가 이루어지고 있지만, 의류 산업은 여전히 다른 분야에 비해 뒤떨어져 있으며 수동 개입에 의존하고 있습니다.
인공 지능은 지난 20 년간 다양한 분야의 의류 산업에서 추진력을 얻고 있습니다.인공 지능의 응용에 의한 다양한 도구의 자동화,절단, 재봉 및 재료 취급은 생산 비용을 줄이고 결함을 최소화 할 수 있습니다.
직물 및 의류의 생산에는 재료 및 공정과 관련하여 많은 변수가 포함됩니다.여러 단계의 작업 외에도 원자재의 높은 가변성이 있기 때문에 원하는 출력을 얻기 위해 공정 매개 변수를 정밀하게 제어하기가 어렵습니다.지금까지 이러한 변수와 직물의 특성 사이에 적절한 관계를 수립하는 것은 인간의 전문성에 달려 있습니다.많은 경우, 항상 많은 변수를 기억하고 정확한 부동산 예측을위한 지식을 적용하는 것은 어려운 작업이므로 인간의 작업과 관련된 오류의 가능성이 있습니다.이것은 계산 및 시뮬레이션의 개발이 여러 변수를 다루는 다양한 시스템을 만들면서 AI의 적용으로 가능합니다.AI의 적용은 이제 변수와 제품 속성 간의 효과적인 관계를 수립하기 위해 교육 중 많은 범위의 데이터 세트를 처리 할 수 있습니다.따라서 지난 10 년 동안 AI의 사용은 섬유 및 의류 제조 산업에서 다양한 용도로 빠르게 증가하고 있습니다.
의류 산업에서의 인공 지능 응용 분야 : AI는 섬유 그레이딩, 실 특성 예측, 직물 결함 분석 및 염료 제조법 예측과 같은 섬유 생산의 다양한 프로세스에 사용할 수 있습니다.마찬가지로 AI는 의류 제조의 모든 단계 (프리 프로덕션, 프로덕션 및 포스트 프로덕션)에 적용될 수 있습니다.의류 제조에는 개념화, 디자인 개발, PPC, 퍼짐, 절단, 번들링, 재봉, 압축 및 포장과 같은 프로세스가 포함됩니다.텍스타일 및 의복 제조 분야에서 AI의 주요 응용 분야 중 일부는이 섹션에서 논의됩니다.위에서 언급 한 AI의 여러 유형 중에서 ANN (인공 신경망)은 주로 다음 분야에서 의류 제조에 널리 사용됩니다.
기계적 성질의 예측,
분류 및 채점,
결함 식별 및 분석,
프로세스 제어 및 온라인 모니터링,
SCM 및 소매.
다음 섹션에서는 의류 제조와 관련된 다양한 생산 공정에서의 AI 적용에 대해 설명합니다.
섬유 및 원사 생산에 인공 지능 응용 : 섬유 섬유는 의류 및 기타 직물 생산의 기본 원료입니다.많은 종류의 섬유 섬유가 있기 때문에, 육안 검사를 통해 알려지지 않은 섬유를 식별하는 것이 종종 어렵습니다.섬유 식별의 전통적인 관행은 화염이나 화학 물질을 사용하는 파괴적인 테스트를 기반으로합니다.최근의 진보는 광학 현미경, 푸리에 변환 적외선 및 라만 분광법의 사용을 포함합니다.AI는 또한 섬유의 섬유질을 식별하고 등급을 매기는 데 사용되며, 섬세함, 길이, 균일 성 비율, 견고성 및 실 속성에 대한 방사 성능의 영향과 같은 색상 및 기타 특성에 따라 등급이 매겨집니다.섬유 특성으로부터의 실의 가상 모델링, 실의 인장 특성 예측, 실의 불균일성 예측,
직물 생산에 인공 지능 응용 : 의류 산업의 주요 원료는 직물입니다.직물의 품질은 의복 품질, 생산성 및 의류 제조 용이성에 영향을줍니다.직물은 의류의 종류와 최종 용도에 따라 선택됩니다.의류를 만들기위한 직물 사양은 1 차 및 2 차로 분류 할 수 있습니다.외적인 힘에 대한 직물 반응은 2 차적인 것으로 간주되는 반면, 물리적 치수는 1 차로 간주됩니다.소비자 관점에서, 의복 외관, 안락 및 내구성은 중요한 매개 변수입니다.
AI를 적용하여 다음 매개 변수를 제어 할 수 있습니다.
패브릭 특성 예측 : AI는 섬유, 실 및 직물 구조 데이터를 사용하여 신경 퍼지 (neuro-fuzzy) 또는 기타 접근법을 사용하여 제조하기 전에 패브릭 속성을 예측하는 데 사용할 수 있습니다.인공 지능을 적용하는 동안 입력 섬유와 얀 매개 변수 사이에 적절한 선형 및 비선형 관계를 설정하고 직물의 특성을 예측해야합니다.그러나 인공 지능의 적용은 원단 제조사에게 매우 비싸므로 원가가 상승 할 수 있습니다.AI는 또한 쾌적 성을 조사하기 위해 적용될 수 있습니다.감각적 인 편안함이 고려되는 동안, 직물은 인공 지능의 응용에 의해 손 가치에 따라 분류 될 수 있습니다.
컬러 솔루션 : 색상은 소비자가 반응하는 디자인의 첫 번째 요소이므로 직물의 중요한 특징 중 하나입니다.소비자는 색상 호소를 근거로 의류 또는 기타 패션 액세서리를 선택하거나 거부합니다.따라서 올바른 색상을 얻으려면 염색 및 인쇄시 정확한 품질 관리가 필수적이며 이는 판매량에 영향을 줄 수 있습니다.염색 및 인쇄 공정 모두 필요한 색상 견뢰도, 차양 깊이, 색상 매칭 및 표면 특성을 달성해야합니다.이 매개 변수는 염료 및 직물 조합 및 화학 물질 규칙에 영향을받습니다.허용 가능한 한도에서이 매개 변수의 편차는 전체 패브릭 배치의 재 처리 또는 거부로 이어질 수 있습니다.
인공 지능을 사용하면 이러한 문제를 해결할 수 있으며,이를 래서 피 예측에 사용할 수 있습니다.염색 및 인쇄 중 공정 제어;컬러 매칭;최종 염색 또는 인쇄 된 직물의 평가.
컬러 솔루션을위한 AI의 응용 중 하나는 섬유 혼합 단계에서 로빙이 원사로 변환되는 동안입니다.인공 지능의 사용은 서로 다른 색상의 섬유가 혼합 될 때 생성되는 색상을 예측하는 데 도움이됩니다.균질 블렌드의 경우, 이론적 및 경험적 모델을 사용하여 색상 예측을보다 정확하게 수행 할 수 있습니다.
인공 지능은 직물의 색 일치 및 차광 정렬에 사용할 수 있습니다.분광 광도계의 흡광도로부터 염료의 농도를 예측함으로써 실제 색상 생산에 사용될 수 있습니다.
패브릭 오류 감지 : 품질이 떨어지는 원단은 표준 의류를 생산할뿐만 아니라 의류 제조 과정에서 생산성을 저하시킵니다.옷감의 결함은 최종 의복에 전달되어 옷을 거절 할 수 있습니다.따라서 의복을 제조하기 전에 직물의 품질을 확인하는 것이 중요합니다.
일반적으로직물 검사는 조명이 장착 된 테이블이나 장비를 사용하여 숙련 된 작업자가 수행합니다.이 과정은 오히려 느리고 여러 번 결함이 의류로 전달 될 수 있습니다.또한 피로로 인해 직물 검사원의 효율성이 신속하게 줄어 듭니다.그러나 AI를 사용하면 훨씬 더 정확하고 피로없이이 작업을보다 빠른 속도로 수행 할 수 있습니다.
인공 지능은 의류 업계에서받은 직물의 결함 검사 및 채점에 적용 할 수 있습니다.결함의 이미지는 시스템에 저장되고 캡처 된 이미지와 비교됩니다 (그림 3).차이가 발견되면 결함이 확인되고 검사자는 결함 지점을 계산합니다.
그림 3 : (a) 통풍, (b) 뒤틀림, (c) 뒤로, (d) 구멍, (e) 떨어 뜨려 진 스티치, (f) 프레스 -떨어져서
의류 제조에서의 인공 지능 응용 : 의류 제조 공정은 점점 더 많은 소비자의 요구에 부응하고 결함 수를 줄이며 생산 비용을 낮추기 위해 자동화되고 있습니다.AI는 재봉선의 성능, 의류 디자인, PPC, 다양한 재봉 작업 및 품질 관리를 예측하는 데 점점 더 많이 사용됩니다.인공 지능은 의류의 지능형 제조에 적용되어 특정 공정 후 의류 특성을 예측할 수 있습니다.따라서 원단 엔지니어링 및 의류 제조 공정 모니터링에 적합한 의류 디자인에 사용할 수 있습니다.
그림 -4 전형적인 자동 검사 시스템의 구성
수 놓은 솔기의 성능 : 수 놓은 의복에서 이음새와 스티치는 둘 이상의 천을 함께 결합하는 데 사용됩니다.이음새 형성의 용이성과 이음새의 성능은 "재봉 성"으로 알려진 용어로 판단되는 중요한 매개 변수입니다. 인장, 전단, 굽힘 및 표면과 같은 패브릭 저 응력 기계적 특성은 재봉성에 영향을 줄 수 있습니다.인공 지능 시스템은 의복 생산 중 다른 직물의 재봉 능력을 찾는 데 사용될 수 있습니다.직물의 기계적 특성은 펼치기, 절단 및재봉중 성능에 영향을줍니다.
품질이 좋은 솔기는 양질의 의복에 필수적입니다.재봉 솔기의 성능은 직물의 유형과 재봉사의 조합에 따라 달라집니다.솔기와 스티치 유형;바늘 크기, 스티치 밀도 및 재봉기 상태를 포함하는 재봉 조건.이음새의 성능 특성은 이음새 주름, 이음선 미끄러짐 및 실 절단에 의해 평가되며 AI로 예측할 수 있습니다.
컴퓨터 지원 설계 시스템 : 의류 제조의 중요한 단계 중 하나는패턴 작성이며, 여기서 종이 패턴은 디자이너가 작성한 다음 컴퓨터로 디지털화합니다.3D 의류의 기본 블록 인 의류에 대해 여러 가지 2 차원 (2D) 패턴이 준비됩니다.다양한 CAD 소프트웨어가 의류 업계에서패턴 생성, 디지털화, 채점 및 마커 계획.CAD 소프트웨어는 높은 생산성과 향상된 품질을 달성하는 데 도움이됩니다.의류 디자인에 관련된 디자이너는 CAD 소프트웨어를 사용하여 수많은 디자인을 만듭니다.
그러나CAD 소프트웨어는 특정 의복 스타일에 맞는 의복 패턴이나 디자인을 자동 생성하는 데 사용할 수 없습니다.또한, 많은 의류 산업에서 기존의 의류 패턴 생성 방법은 숙련 된 디자이너에 의해 수행되며 패턴 생성에 AI를 사용하는 범위가 있지만 CAD 사용은 포함하지 않습니다.
기본적인 의류 패턴을 자동으로 개발하는 데 도움이되는 인공 지능을 구현하기위한 몇 가지 연구가 수행되었습니다.예를 들어, Inui는 시스템 사용자가 선호하는 의류 디자인을 검색하는 데 사용할 수있는 AI 통합 CAD 시스템 (조합 의류 CAD 및 GA)을 개발했습니다.검색 프로세스는 사용자가 시스템에 의해 생성 된 예제를 평가하는 맨 - 머신 상호 작용 사이클을 포함합니다.
CAD 시스템은 디자인, 패턴 제작 및 채점 작업을 만들기 위해 의류 제조에 사용됩니다.연구자들은 AI를 CAD 시스템과 통합하여 설계를 자동으로 생성하려는 여러 시도가있었습니다.숙련 된 디자이너는 다양한 의류 스타일의 적절한 패턴 디자인에 필요합니다.그러나 AI 시스템은 숙련 된 디자이너의 전문 지식을 제공하는 데 사용할 수 있습니다.
생산 계획 및 관리 : PPC는 여러 생산 부서 간을 조정하여 납기 날짜를 맞추고 고객의 시간을 정시에 전달합니다.PPC와 관련된 문제에 초점을 맞춘 다양한 연구 활동과 병목 현상 방지.대부분의 연구는 재봉틀 바닥과 관련된 PPC의 문제, 즉 재봉 레이아웃의 고정, 재봉의 라인 밸런싱 및 재봉 바닥의 작업자 관리와 같은 문제를 기반으로했습니다.AI는 기계 레이아웃, 작업 지정 및 바느질 라인 밸런싱 문제를 해결하거나 최적화하는 데 사용할 수 있습니다.이것은PPC의목적달성에 도움이 될 수 있습니다.
AI 기반 의사 결정 지원 시스템은 특정 고객 주문에 가장 적합한 제조 플랜트를 결정하기 위해 의사 결정에 사용되었습니다.재조정을위한 GA 기반의 실시간 세분화는 Wong에 의해마킹, (2) 패브릭 스프 레딩, (3) 절단 및 (4) 번들링중 바느질 마루의 PPC 관련 문제를 처리하기 위해 개발되었습니다.
또 다른 연구에서 조지아 기반 시스템은 적절한 조립 라인에 대한 각 생산 주문에 대한 생산 일정 계획을 위해 Guo에 의해 설계되었습니다.이 시스템은 생산 지연, 생산 불확실성 (가공 시간, 주문 및 리드 도달 시간과 같은) 및 기타 병목 현상에 대한 다양한 요소를 고려하여 설계되었습니다.
최종 의복 검사 : 생산 과정에서 완성품 및 반제품을 검사하는 것은 거부감을 줄이는 데 필수적입니다.완성 된 의류의 최종 품질은 봉제 품질 및 기타 결함에 따라 달라집니다.완성 된 의류의 최종 품질 검사는 주로 숙련 된 사람들에 의해 이루어지며, 이는 시간이 많이 걸리고 종종 주관적입니다.검사 결과는 검사원의 신체적, 정신적 상태에 영향을받습니다.따라서 자동화 된 검사 장치는 효율성과 정확한 결과를 향상시키는 데 필수적입니다.제한적인 연구가 수행되었지만 완성 된 의류의 품질 검사를 위해 AI 및 이미지 처리를 사용하여 자동화 된 검사를 수행 할 수 있습니다.
의복 생산 과정에서 각 공정 (절단, 봉제 및 압축)은 완성 된 의복의 품질에 영향을 미치는 중요한 역할을합니다.반제품의 품질은 최종 검사 전에 이러한 각 공정에서 검사해야합니다.완성 된 의복은 규격, 외관, 결함, 크기 및 착용감에 따라 검사됩니다.상세하게 완성 된 의복은 솔기에 걸린 꿰매어서는 품질, 불일치 한 끈이나 줄무늬, 솔기 부분에 잡힌 이가있는 솔기 또는 여분의 재료, 헴에 따른 솔기없는 솔기 및 의류 생산 중에 발생할 수있는 기타 많은 결함을 검사합니다.
최종 의복 검사에서 인공 지능의 적용은 다음을 포함한다 : 머신 비전을 사용하는 셔츠 칼라 (모노 컬러 재료)의 일반적인 결함의 자동 분류;레이저 센서를 사용하여 주름 평가를위한 AATCC (미국 섬유 화학자 협회)의 주름 등급 적용;웨이블릿 변환 및 BP NN을 이용한 스티칭 결함의 검출 및 분류;자기 조직화 매핑을 사용하여 이음새 퍽커 평가;의류 검사를위한 현명한 행거 설계이음새가없는 의복을 제조 할 때 AI는 온라인으로 결함을 감지하는 데 사용할 수 있습니다.최종 의복 이미지를 캡처하여 표준과 비교할 수 있으며, 표준의 모든 변형은 해당 시점에 수정할 수있는 오류로보고되거나 오류가 발생한 위치에서 마킹이 수행됩니다.
공급망에서의 적용 : SCM은 섬유, 원사, 직물, 의류, 트림 및 액세서리의 흐름을 다른 생산 지점 또는 소매점 사이에 포함합니다.또한 정보의 흐름을 포함하여 위에 열거 된 모든 자료를 저장하고 통제해야합니다.SCM은 고객을위한 가치 창출을 위해 다양한 비즈니스 프로세스, 활동, 정보 및 리소스를 통합합니다.적절한 SCM으로 비용 및 비즈니스 경쟁력을 관리 할 수 있습니다.다른 상품의 공급망 활동에 AI가 폭넓게 적용되어 왔지만, 제한된 적용이있는 패션 공급망에는 몇 가지 영역이 있습니다.
AI 기반 모델은 SCM의 어느 지점에서나 정보를 통합하고 공유하는 데 사용할 수 있습니다.공급망 계획에 다양한 AI 접근법을 사용할 수 있습니다.공급망 수요 예측;공급망 네트워크의 최적화;섬유 공급 사슬의 물류 관리;표본 관리;효과적인 재고 관리;재고 보충.
소매업의 응용 분야 : 패션 소매업은 소비자와 패션 상품 제조사 간 연계를 구축합니다.지난 20 년 동안 패션 소매업은 기술적 진보와 빠른 패션에 대한 소비자의 행동 변화로 인해 가장 경쟁이 치열한 소매 부문 중 하나가되었습니다.소매 판매에는 판매 예측과 같은 몇 가지 영역이 있습니다.유행 소매 예측;스타일 제안;고객 관계 관리;수요 예측;고객 만족도 결정;패션 조정;AI 애플리케이션이 계속 증가하고 있습니다.유행에있는 판매 예측은 몇몇 요인에 달려 있기 때문에 수요의 변동성 때문에 지금 도전적이되었습니다.스타일, 색상 및 의상 크기와 함께 판매에 대한 기록 데이터를 판매 예측에 사용할 수 있습니다.
인공 지능 제안 시스템은 소비자에게 적합한 스타일과 디자인 조합을 선택하는 데 사용될 수 있습니다.여러 경우에서 두 가지 스타일 간의 미묘한 차이점을 파악하는 것은 매우 어렵습니다.AI는 둘 이상의 다른 스타일 간의 차이점과 유사점을 식별하는 데 사용할 수 있습니다.오늘날의 소비자는 이전보다 더 편안함 기능에 대해 더 잘 알고 있습니다.AI는 또한 고객이 사용할 수있는 모양을 포함하여 필요한 편안함을 제공하기 위해 적합한 유형의 의복을 선택하는 데 사용될 수 있습니다. 결론: 이 현대 시대에 인공 지능은 인간과 비슷한 지능으로 다양한 문제를 해결하기 위해 많은 분야에서 사용되고 있습니다.인공 지능의 적용은 노동 집약적 의류 생산에 널리 받아 들여지지 않았습니다.그러나 글로벌 경쟁 환경과 낮은 생산 원가를 달성하려는 목표는 의류 산업에서 재료 선택 및 소싱부터 제조 및 소매업에 이르기까지 AI의 폭 넓은 응용 분야에서 주된 이유입니다.인공위성은 섬유 그레이딩, 실 특성 예측, 직물 결함 검출 및 염료 제조법 예측과 같은 섬유 생산의 다양한 프로세스에 사용될 수 있습니다.마찬가지로 AI는 프리 프로덕션, 프로덕션 및 포스트 프로덕션 작업과 같은 의류 생산의 모든 단계에 적용될 수 있습니다.선진국에서는 이미 AI를 사용하여 의류 품질을 개선하기 시작했으며,향상된 고객 서비스 및 이에 따라 판매 증가.인공 지능은 빠르게 발전하고 있으며 가까운 미래에 품질 향상, 생산 증가, 운영비 절감, 생산 관리에 대한 집안 운동 등을 통해 의류 제조사가 중요한 도구가되어 빠른 응답과 적시에 인도 될 것입니다 개념.의류 제조 분야의 AI 적용은 다른 분야의 응용 분야와 유사한 밝은 미래를 가지고 있습니다.
참고 문헌 :
Rajkishore Nayak과 Rajiv Padhye의 의류 제조 자동화
Rajkishore Nayak Rajiv Padhye의 의류 제조 기술
T. Karthik, P. Ganesan, D. Gopalakrishnan의 의류 제조 기술
이 보고서는 도전에 사로 잡혔다 고 밝혔다.보고서는 2016 년 말까지 매출 성장률이 3 % 이하로 떨어 졌다고보고했다.이 보고서는 패션 업계가 패션 사이클을 단축하는 등 업계를 재편하기 위해 내부 혁신을 추진하고 있다고 밝혔다.
의류 소매 업체를위한 이메일 마케팅 도구는일반 쇼핑객 또는 비활성 쇼핑객과 같은 개별 세그먼트를 타겟팅하고 카트를 포기하는개인별 메시지를제공합니다.
패션 분야에서 벗어나 로봇 기술자는 생산성과 효율성을 높이기 위해 소매 업체의 공장과 창고에 진입했습니다.
이 기사에서는 애플리케이션이 다음과 같은 전략에 AI를 사용하는 방법을 강조합니다.
마케팅 및 구매 권장 사항
시장 정보 및 추세 예측
의류 생산에있는 로봇 공학
아래의 소매 패션 어플리케이션은 컴퓨터 비전에서부터 로봇 공학에 이르기까지 다양한 AI 기술을 사용합니다.모든 사용자는 개인 정보, 전자 메일 주소, 이미지 업로드 여부와 상관없이 개별 쇼핑객 또는 기업 운영자의 의견을 필요로합니다.
마케팅 및 구매 권장 사항
유연
하나의 독립 실행 형 추천 엔진은다양한 스타일을 제안하기 위해 개인 스타일, 맞춤, 신체 모양 및 이벤트 복장 적합성과 관련하여 기계 학습 및 사용자 입력을 사용하는 모바일 앱인Affinity입니다.먼저 사용자는 마음이나 X 기호를 탭하여 패션 항목을 평가하도록 요청하는 설문 조사를 시작합니다.회사는이 프로세스가 사용자의 개인 스타일 기본 설정에 대한 알고리즘을 가르치고이 데이터를 앱의 유행 검색 및 추천 도구에 보냈다 고 주장합니다.
사용자가 가입하면 그녀는 자신의 스타일과 취향에 맞는 큐 레이션 된 항목에 대한 매주 권장 사항을 받게됩니다.선호도는 사용자가 Affinity 사이트 또는 앱에서 상품을 클릭하여 직접 소매점 사이트로 가져 오는 제휴 프로그램 비즈니스 모델을 따릅니다.고객이 구매하면 소매업 자의 이익을 줄이는 Affinity를 제공합니다.
IOS 모바일 앱이나 웹 사이트에서 운동복, 신발, 드레스, 청바지, 가방, 보석 및 안경 등 다양한 제품을 제공합니다.사용 가능한 브랜드에는 Stella McCartney, Neiman Marcus, J Crew, Louboutin, Barneys New York 및 Jimmy Choo가 있습니다.현재 Android 휴대 전화에서는 앱을 사용할 수 없습니다.
"우리는 큰 계산과 분석 같은 것들을 위해 기술을 사용합니다 - 환경 설정, 순위 및 득점 알고리즘 등을 밝히는 것. 컴퓨터 비전 및 기계 학습과 관련된 가장 큰 문제는 품질 / 정확성입니다. 우리의 모든 속성을 범주화하는 데는 수년이 걸리고 지속적인 선회와 재교육이 필요합니다.시간이 지남에 따라 우리는 수동 인간 프로세스를 대체하기 위해 점점 더 많은 컴퓨터 비전과 기계 학습을 활용할 것입니다. 그러나 우리는 항상 완전 자동화 이상의 문제를 우선적으로 해결할 것입니다. "
Hontz를 설립하기 전에 Holtz는 2010 년부터 Google의 제품 관리자였습니다. 그러나 회사의 인공 지능 향상이나 Holtz가 AI 관련 프로젝트를 관리했는지 여부는 분명하지 않습니다.
우리의 조사에서, 우리는이 회사의 소매업 자와 관련된 사례 연구를 찾을 수 없었습니다.
미복
Finery는 사용자가 전자 메일 주소 및 패션 구매 영수증에 액세스 할 수있는 권한을 묻는 옷장 관리 응용 프로그램입니다.그런 다음 사용자의 옷장에 이미 어떤 의류가 있는지 확인할 수 있다고 주장합니다.이 데이터를 사용하여 회사는 알고리즘이 사용자의 기존 작품과 사용자의 현재 스타일과 일치 할 수있는 의복 추천을 사용하여 외모를 제안 할 수 있다고 주장합니다.회사의 Wishlist 기능은 구입하지 않은 옷장을 식별하고 사용자의 옷장을 완성 할 수있는 항목을 추천 할 것을 권장합니다.
이 응용 프로그램의 3 분 비디오 검토에서 사용자가 옷장과 위시리스트에 항목을 추가하는 방법을 보여줍니다.제품 이미지를 클릭하면 해당 항목에 대한 사용자 세부 정보가 제공됩니다.응용 프로그램이나 사이트에는 사용자가 팁을 찾을 수있는 스타일리스트도 있습니다.
회사 내에서 Oscar Mejia는 기계 학습 개발을 주도합니다.그는 하버드 대학에서 컴퓨터 소프트웨어 공학 석사 학위를 받았습니다.
이 사이트에서 어떤 브랜드와 소매상이 Finery의 고객인지는 명확하지 않습니다.이 제품에 대한 사례 연구를 찾을 수 없습니다.
훅
후크 (Hook)는 전세계 패션 트렌드를 추적하고 고객 데이터 포인트를 수집하며 여러 소매 업체에서 유사한 제품을 찾는 소비자가 판매하는 검색 엔진입니다.
인텔리전스 노드 (Intelligence Node)가개발 한이애플리케이션은 소매업 자들이 고객 데이터 포인트 (특정 키워드, 온라인 네비게이션 패턴, 장바구니의 가격 포인트, 실제 구매 및 "좋아요")를 수집하고 분석 할 수있는 이점을 제공하기 위해 심층적 인 학습 알고리즘을 사용한다고 주장합니다 기타 - 사용자가 검색 할 내용을 결정합니다.
또한이 애플리케이션은 제품에 대한 정확한 일치 및 근접 일치를 추적 할 수있는 것으로보고되어 소매업 자에게 차별화 할 수있는 기회를 제공 할 수 있다고 회사는 주장합니다.웹 사이트에 따르면이 응용 프로그램은 Gap, JC Penny, H & M, Old Navy, TopShop 및 Nike와 같은 5,000 개 이상의 브랜드에서 항목을 운반합니다.
소비자 측면에서 모바일 앱 또는 온라인 웹 사이트를 사용하여 가격을 비교하고 유사 제품을 찾고 판매에 대한 알림을 받고 수백 가지 브랜드의 패션 트렌드를 추적 할 수 있습니다.
시작하려면 사용자는 검색 및 구매하려는 옷의 이미지를 업로드 할 수 있습니다.응용 프로그램의 알고리즘은 제공하는 온라인 카탈로그에 액세스하고 아래의 짧은 비디오 에서처럼 큐레이팅 된 권장 사항을 제공합니다.이 비디오는 또한 Hook과 Tailor라는 다른 추천 엔진을 비교합니다.
Yasen G. Dimitrov는 4 년간 Intelligence Node의 수석 분석 및 최고 데이터 책임자입니다.회사 내에서 그는 기계 학습을 사용하여 분석 작업을 담당하는 데이터 과학 팀을 이끌고 있습니다.
우리의 연구 결과, 우리는 Hook의 소매업 자에 대한 사례 연구를 찾을 수 없었습니다.또한 Intelligence Node의 웹 사이트에서이 특정 제품에 대한 사례 연구를 찾을 수 없었습니다.
Vue.ai
매드 스트리트 덴 (Mad Street Den)이개발 한 전자 상거래 플랫폼인Vue.ai는VueMail이라는 자사의 인공 지능 이메일 기반 이메일 솔루션이 Vue 전자 상거래 사이트를 떠난 후 고객의 참여를 유지하기 위해 이메일 맞춤 기능을 실시간으로 제공한다고 주장했다.
다른 응용 프로그램과 마찬가지로 Vue의 사이트에서는 사용자가 다른 제품에 대해 쇼핑하면서 환경 설정 프로파일을 만들 수 있다고 주장합니다.사용자가 장바구니를 포기하면 기계 학습 알고리즘이 제품 세부 정보를 기록하고 유사한 색상, 패턴, 컷 및 스타일을 가진 유사한 제품을 권장하는 개인화 된 전자 메일을 전송합니다.
이 회사는 알고리즘이 정규 구매자를 구별 할 수있는 기능을 가지고 있으며 맞춤 추천 이메일을 맞춤 추천과 함께 전송한다고 주장합니다.알고리즘은 구매자가 이전에 구매 한 제품을 기반으로 권장 사항을 선택합니다.
또 다른 유형의 개인화 된 전자 메일에는 구매자의 지속적인 충성도를 높이기 위해 제품 프로모션이 포함됩니다.에 따르면웹 사이트, 이러한 이메일은 비활성 고객에게 발송되며, 전시 큐레이터의 추천과 제안은 자신의 구매 내역에 따라.
아래의 2 분짜리 비디오는 Vue.ai eCommerce 웹 사이트와 기계 학습, 심층 학습 및 컴퓨터 비전 기술이 함께 작업하여 각 사이트 방문자의 콘텐츠를 개인화하는 방법을 설명합니다.
이 비디오에 따르면 최초 사용자는 처음에는 인기있는 브랜드 또는 제품 카테고리가 홈페이지에 표시됩니다.알고리즘은 삼성과 같은 카메라 또는 브랜드를 비롯한 제품 카테고리를 탐색하는 것과 같은 사용자 행동을 기록합니다.쇼핑객이 사이트에서 보내는 시간이 길어질수록 AI 기술을 더 잘 훈련하는 데이터가 더 많이 수집됩니다.
에서사례 연구, Vue.ai는 전자 상거래 시장이 고객에게 VueMail 개인화 된 이메일을 전송 한 후 매출의 5 ~ 15 % 증가를 달성 것을 주장하고있다.또 다른 유명한 미국 의류 전자 상거래 소매 업체는 VueMail을 구현 한 후 클릭 투 오픈 (click-to-open) 비율이 46 % 증가하고 업계 평균 매출의 두 배를 보였다.고객은 이름이 없으므로 일부 예약자에게 결과를 알려줄 것을 권장합니다.
매드 스트리트 덴 (Mad Street Den)의 개인화 된 이메일외에 Vue.ai는 AI 기반 카탈로그 태깅, 스타일링 및 검색을위한 솔루션을 제공하며 카탈로그 관리자, 머천다이저 및 제품 관리자를 대상으로합니다.VueTag라고 불리는 솔루션은 카테고리, 성별, 색상, 패턴, 드레스 길이, 소매 길이 및 목선과 같은 속성으로 온라인 카탈로그의 항목을 선별하는 데 사용됩니다.
VueTag 사용을 시작하기 위해 사용자는 먼저 이미지와 제품 설명을 응용 프로그램에 업로드합니다.응용 프로그램의 컴퓨터 비전 알고리즘은 범주, 성별, 색, 패턴, 슬리브 길이, 목선, 실루엣과 같은 제품의 시각적 특성을 추출하도록 교육되었습니다.또한 텍스트 정보를 기반으로 이미지에 태그를 지정할 수 있습니다.일단 태그가 추출되면, 프로그램은 품질 보증을 위해 Vue 팀의 구성원에게 태그를 보냅니다.이미지에 부정확하게 태그가 추가 된 경우 재교육을 위해 시스템으로 다시 전송됩니다.마지막으로 태그가 지정된 이미지가 온라인 카탈로그로 전달됩니다.
Zilingo는 동남 아시아의 패션 브랜드를한데 모으는 전자 상거래 시장입니다.회사는 웹 사이트를 설정할 때 Vue.ai 응용 프로그램 모음을 사용했습니다.자사의 상인들이 제품 설명 및 이미지를 능률적으로 관리 할 수 있도록이 회사는 VueTag를 사용했다고 말합니다.이는 매달 5,000 ~ 10,000 개의 제품을 판매하는 수천 명의 판매자에게 도움이됩니다.
고객은 인간의 군대가 제품 세부 사항을 수동으로 입력 할 필요가 없기 때문에 애플리케이션이 판매자에게 프로세스를 단순하게 만들었다 고 주장합니다.클라이언트는 이것이 큐 레이션을 더 빠르지 만 더 정확하게 만드는 것이라고 덧붙였다."Shoppable 비디오 및 자동 태깅은 우리의 삶을 훨씬 더 좋게 만들었습니다."라고 Zilingo의 Ankiti Bose CEO는 말했습니다.
이 회사는 Levis, Macy 's, Diesel 및 Cosabella를 고객으로 지정합니다.
매드 스트리트 덴 (Mad Street Den)의 최고 과학 책임자 인 코스타 콜버트 (Costa Colbert)는 전기 공학 및 컴퓨터 과학 석사 학위를 취득했습니다.존스 홉킨스 대학 (Johns Hopkins University)의 생물 의학 공학 (biomedical engineering)버지니아 대학 (University of Virginia)에서 신경 과학 분야의 의학 박사 학위를 취득했습니다.
시장 정보 및 추세 예측
스타일러스
Stylumia는 회사가 주장하는 시장 인텔리전스 응용 프로그램으로 심층 학습 및 AI 기술의 도움을 받아 패션 트렌드를 예측할 수 있습니다.회사 웹 사이트에 따르면이 응용 프로그램은 비구 조형 컴퓨터 비전,자연어 처리, 행동 데이터를 가져 와서패션 통찰력으로 변환 할 수 있습니다.
이 응용 프로그램은 잠재적으로 통찰력을 사용하여 미래의 패션 트렌드에 대한 정보통 결정 및 통찰력을 얻을 수있는 의류 및 의류 제조업체, 브랜드, 소매 업체 또는 패션 및 라이프 스타일 영향 요인을 대상으로합니다.
응용 프로그램 또는 웹 사이트를 사용하려면 소매 고객이 로그인하여 색상, 제품 또는 스타일을 검색 할 수 있습니다.이 회사는이 응용 프로그램이 소매 업체의 전자 상거래 사이트 사진, 소셜 미디어의 텍스트 설명 및 고객 행동 데이터를 수집하여 클라이언트에게 데이터 대시 보드를 보여주고 검색 한 제품이나 스타일을 중심으로 시각화 된 그래프를 표시 할 수 있다고 주장합니다.이 회사는 이러한 분석을 사용하여 향후 전망 그래프 시각화 및 특정 패션 트렌드의 성공 여부에 대한 제안을 제공 할 수 있다고 주장합니다.
이 응용 프로그램의 유스 케이스의 예는 패션 쇼일 것입니다.Stylumia 웹 사이트의블로그게시물에서이 회사는 40 명의 디자이너가 한 시즌 동안 총 24,000 개의 의상을 제공 할 수있는 주요 패션 이벤트에서 응용 프로그램이 데이터를 추출하는 방법을 설명합니다.
Stylumia의 블로그에 따르면 응용 프로그램에는 컴퓨터 비전 지원 렌즈를 사용하여 옷의 이미지를 캡처 할 수있는 기능이 있습니다.패션쇼가 진행되는 동안 응용 프로그램의 알고리즘은 유사한 의류 품목의 이미지를 색상 및 모양별로 그룹화하는 작업을 시작합니다. 동물 프린트 드레스, 기모노 및 코트 재구성, 검은 색 및 빨간색 테마 의류 및 기타 유사한 경향이 이벤트에서 발생합니다.
이 회사에 따르면이 데이터는 추세를 발견하고 향후 시즌에 대한 예측을해야하는 패션쇼 주최자와 디자이너가 분석 할 수 있습니다.
Founder and CEO Ganesh Subramanian이 사용한 또 다른 유스 케이스는디자이너 또는 의류 제조업체가 텍스트 기반 키워드를검색하는 경우입니다.사용자는 "노란색과 보라색 줄무늬 셔츠"와 같이 찾고있는 스타일을 설명 할 수 있습니다. 응용 프로그램의 자연어 처리 알고리즘은 웹을 통해 크롤링하여 항목의 이미지를 찾습니다.
이 회사는기계 학습응용 프로그램이 Instagram 및 Pinterest와 같은 소셜 미디어 사이트의 추세를 인식하고 색상 및 실루엣에 대한 교육을받을 수 있다고 주장합니다.키워드의 철자가 틀린 경우에도 올바른 항목을 검색합니다.
응용 프로그램의 컴퓨터 비전 기술은 RGB (적색, 녹색, 청색) 시스템의 정확한 속성과 색상 값으로 훈련 된 항목의 올바른 색상을 구별 할 수 있습니다.
Subramanian은 알고리즘이 비디오를 통해 크롤링하고, 심층 학습 신경망을 사용하여 광학 매핑을 통해 의복 색상을 결정하고, 비디오에서 의류의 색상 히스토그램을 추출 할 수 있다고 주장합니다.
사례 연구에서 이름없는고객은 지난 2 개월 동안 현지 및 국제 브랜드에서 영감을 얻어 출시 한 디자인을 사용하여 2017 년 초에 T 셔츠 컬렉션을 디자인하려고했습니다.클라이언트는 베스트 셀러 디자인 상위 10 %를 지정했으며 Stylumia는 인기도에 따라 순위가 매겨진 디자인으로 돌아 왔습니다.디자인에는 위장 프린트, 대비가 달린 포켓, 라운드 넥 라글란 및 가로 줄무늬가 포함되어 있습니다.
그런 다음 디자이너는 이러한 경향을 결합하고 비즈니스 팀의 승인을 받아 응용 프로그램에서 제공하는 순위를보고 특정 수량을 산출합니다.사례 연구에 따르면 셔츠는 시즌이 끝날 때까지 5 개 마켓에서 3 주 이내에 매진되었다고합니다.
이 회사는 Aeropostale, Myntra, Wrogn, Fastrack, W, Biba, Global Desi 및 Puma를 포함한 40 개의 고객을 보유하고 있다고 주장합니다.
현재 회사 임원 중 누구도 인공 지능 전문 지식이 없습니다.boost.ai의 수석 데이터 과학자 인 Abhishek Thakur는 Stylumia의 AI 고문으로 근무합니다.그는 본 대학에서 컴퓨터 과학 석사 학위를 취득했습니다.
의류 생산에있는 로봇 공학
그것을 잡아
Grabit 은Stackit이라는 로봇이 로봇 제작, 기계 학습, 컴퓨터 비전 및 알고리즘을 사용하여 신발 생산을 자동화하는 자동화 시스템이라고 주장합니다.이 회사는 로봇의 기계 학습 알고리즘이 인간보다 20 배나 빠른 아이템을 쌓을 수 있다고 말한다.
손에는 가죽과 같은 물질을 다룰 수있는 정전기를 발생시키는 정전 기적 그리퍼가 장착되어 있습니다.메쉬 및 복합 섬유;1 밀리미터보다 얇은 기타 재료또한 최대 50kg까지 상자를 다룰 수 있습니다.
Stackit은 공장 직원과 함께 작동하도록 설계되었습니다.컴퓨터 비전 알고리즘은 재료를 쌓아야하는 방법을 결정하고 공장 직원이 제품을 설치해야하는 연결된 유리 테이블의 부분을 밝힙니다.로봇의 전착 플랫폼은 재료를 픽업하고 컴퓨터 비전 장착 카메라는 진행 상황을 모니터링합니다.또한 기계는 부분적으로 완성 된 구두로 이동하여 열 프레스에 떨어 뜨릴 수 있습니다.
아래의 짧은 비디오는 Stackit이 어떻게 금속에서 패브릭, 유리 및 인쇄 회로 기판과 같은 다양한 유형의 재료를 처리 할 수 있는지 보여줍니다.로봇의 그리퍼는 정전기에 노출 될 때 두 표면이 접착되는 정전기 부착 기술을 사용합니다.
이 회사는 나이키와 함께 투자자들에게 2 천 5 백만 달러의 자금을 조달했습니다.
이 회사는 공식적인 사례 연구가 없지만,뉴스 보도는나이키 신발 한 켤레를 조립하는 것은, 위 준비 20 분까지 인간의 노동자 걸리는 과정을 신발을 만들 재료를 40 개까지 적재 포함 것을 주장하고있다.Stackit을 사용하여 보고서는이 프로세스가 8 시간 동안 신발 상반부 당 50 초 또는 300-600 쌍의 Nike 어퍼의 속도로 기계 학습보다 20 배 더 빨라질 것이라고 주장합니다.이 페이스에서 나이키는 2 년 안에 투자 수익을 올릴 것이라고 보고서는 주장했다.
신발 이외에도 회사 웹 사이트에 따르면이 로봇은 의류, 자동차 및 항공 우주의 제조 프로세스에도 적용될 수 있다고합니다.나이키 보도 자료는Grabit의 현재 고객은 창고 자동화, 소포 처리, 소비자 제품, 및 섬유 등의 산업 분야에서 일부 포춘 500 개 기업을 포함보고합니다.현재 투자자는 Formation 8, Draper Nexus, Danhua Capital, Nike, Samsung, Brother Industries, ABB, Shanghai Electric, Flex, NTT Docomo 및 Esquel Group을 포함합니다.
Harsha Prahlad는 Grabit의 공동 창립자이자 최고 기술 및 제품 책임자입니다.그는 이전에 SRI International의 Advanced Components Group을 이끌고 Bayer Material Science에서 인수 한 Artificial Muscle, Inc.를 발명했습니다.그는 박사 학위를 받았다.메릴랜드 대학 (University of Maryland) 항공 우주 공학 석사, 인도 트 리치 (Trichy) 국립 기술 연구소 (National Institute of Technology) 기계 공학 학사 학위를 취득했습니다.
SewBots
SoftWearAutomation의 SewBots는 신발, 티셔츠, 베개, 목욕 매트, 자동차 매트 및 수건을꿰맬 수있는 컴퓨터 비전 기반 로봇입니다.회사 웹 사이트에서는 로봇이 재봉시 재료의 표면을 "매핑"하여 천과 기타 재료를 안정화하고 봉합하도록 고안되었습니다.
Sewbot의 컴퓨터 비전 알고리즘은 패브릭의 왜곡을 감지하여 로봇 적으로 조정합니다.컴퓨터 비전은 또한 로봇을 절단, 솔기 봉합, 슬리브 추가 및 70 피트 길이의 티셔츠 생산 라인에 걸쳐 물품의 품질 검사를 안내합니다.재봉 과정은 고정 된 재봉기를 통과하는 직물보다는 바늘을 움직입니다.
로봇의 머신 비전 시스템은 정밀도가 0.5 밀리미터 이내 인 정확한 바늘 배치를 추적 할 수 있다고이 회사는 주장했다.이 회사의 이미지 프로세싱 알고리즘 기반 카메라는 각 스레드를보기 위해 초당 1,000 프레임 이상을 캡처 할 수 있다고 CEO는 덧붙였다.
애틀란타에 본사를두고있는 머신 비전과 로봇 공학은 7 년 동안 DARPA와 Walmart Foundation 프로젝트에 대한 연구와 개발을 거쳐 Georgia Tech에서 시작되었습니다.
CEO 인 Palaniswamy Rajan은 인간의 재봉사와 같은 로봇의 봉제 과정을 설명하며,
"그들이하는 첫 번째 일은 눈을 사용하는 것이며 눈과 손과 팔꿈치와 발로 직물을 미세하고 거시적으로 조작하는 것입니다.따라서 로봇은 모든 기능을 복제합니다. "
아래 비디오에는 전 CEO 인 KP Reddy가 있는데, 로봇이 직물의 상단과 하단에 컴퓨터 비전 카메라를 사용하여 단추 구멍을 어떻게 바느냐를 설명합니다.
현재 Sewbots는 헴과 바인딩과 같은 제한된 봉제 기술을 필요로하는 단순한 조각을 대량 생산하는 것으로 제한됩니다.웹 사이트에 따르면, 기계는22 초 만에하나의티셔츠를 생산할 수있습니다.신발류상부 workline 한 26 초 상부 봉제 생산할 수있다.
한 고객은 중국 소주의 Tianyuan Garments Company입니다.이 회사는 전세계 아디다스 셔츠를 대량 생산합니다.이 회사는 또한 고객 사이에서 계산에이버리 데니슨 : 압력 감지 기능적인 자료를 제공하는 회사;브랜딩;소매 의류 시장을위한 직조 및 라벨링 솔루션을 제공합니다.
CTO Barrett Clark은 Sewbot의 개발 및 배포를 감독했습니다.그는 오하이오 주립 대학에서 기계 공학 석사 학위를 취득했습니다.
종결 사상
우리 연구 결과, 많은 후작 패션 소매상들이 추천 상품엔진을갖춘전자 상거래사이트에서 자신의 제품을 선전하고 판매하기 위해 구매 삭감과 같은 지불을 한 것으로 나타났습니다.이것은 Hook 및 Finery와 같은 응용 프로그램을 조사 할 때 해당되는 것으로 보입니다.다른 연구를 통해 많은 소매 업체가 제 3 자 구축 추천 엔진을 독점적으로 자체 웹 사이트로 가져 왔음을 확인했습니다.
아마존과페이스 북과 같은 후작 회사들이 어떻게AI 기술을 실험하여 옷을 디자인하는지와 관련이있는 로봇 디자인 및 디자인 트렌드 예측 애플리케이션의 성장을보고 있습니다.IBM은 또한 Tommy Hilfiger 및 Fashion Institute of Technology , Google은Project Muze를 통해 의류 라인을 발표했습니다.
그러나 MITTechnology Review에 따르면 설계 작업이 인간의 손을 떠나고 로봇을 통과하는 데는 시간이 걸릴 수 있습니다. 혁신에 관해서는 여전히 인간이 더욱 강점을 가지고 있기 때문입니다.이 목록에 언급 된 로봇 응용 프로그램을 사용하여 우리는 로봇이 복잡한 작업을 처리하는 동시에 인간이 복잡한 작업을 처리 할 수 있도록하면서도 필요한 작업을 감지하고 관리하는 것을 보았습니다.
아이비레벨(Ivyrevel)과 구글(Google)이 협력하여 사람의 행동 데이터에서 옷을 디자인하고 주문할 수 있는 디지털 드레스 서비스 앱(APP) 데이터 드레스(Data Dress)(사진:본지DB) 인공지능(AI)으로 패션산업의 미래방향과 패션마케팅 전략의 변화가 국내외적으로 급속히 진행되고 있다. 방대한 데이터와 반복 학습을 통해 스스로 진화하는 AI를 통해 패션산업 트렌드와 가격을 예측하고 클라우드를 통해 사용자가 서비스를 이용할 때 환경과 시간의 구애받지 않고 24시간 정확한 동향과 정보를 제공받으며, 온라인과 오프라인의 경계를 허물고 있다.
이처럼 개인의 스타일, 위치 정보, 행동 양식, 취향 등을 추적과 분석하는 기능이 탁월한 인공지능은 고객이 마음에 드는 아이템이나 당사자가 필요로 했던 아이템까지 실시간 제공받을 수 있는 환경이 조성되기 시작하면서 패션은 디자인에서 생산, 유통까지 그리고 소비자의 인식과 패턴까지 전환되면서 패션 산업 자체의 패러다임을 바꾸고 있다.
알리바바가 중국 내 13개 매장에 AI 패션 어시스턴트 시스템인 ‘패션 AI(FashionAI)를 운영하고 있다.(사진:알리바바)
딥러닝·감정 분석·이미지 인식 기술로 패션 업계 잡아라 “AI 패션 디자이너 만들겠다” AI 달고 패션 전방위로 손 뻗는 아마존
# 세계적인 전자상거래 기업 아마존이 최근엔 패션 분야에 손을 뻗고 있다. 인공지능(AI) 기술을 동원해 유행에 맞는 옷을 자체적으로 디자인하는가하면, 의류 유통 과정을 자동화하는 물류 혁신도 예고했다. 아마존은 온라인 주문으로도 ‘입어보고 구매하는’ 패션 관련 서비스를 선보인 바 있으며 패션 알고리즘 개발에도 매진하고 있다.
# 영국 명품 브랜드 버버리(Burbury)는 중년을 떠올리게 하는 이미지를 벗고 디지털 기업으로 과감하게 변신하고 있다. AI와 빅데이터 기술을 고객 선호도 조사, 마케팅, 판매, 모조품 구별 등에 적극적으로 활용하는가하면, 미국 스타트업 ‘엔트러피(Entrupy)’의 모조품 판별 머신러닝 기술을 활용해 98% 정확도로 가짜 제품을 골라낸다.
에코 룩 / 아마존 제공
딥러닝과 머신러닝 등 AI 기술이 패션 업계에 새 활력을 불어넣고 있다. 유통업체와 패션업계는 AI 기술과 빅데이터를 활용한 딥러닝과 감정 분석 기술, 이미지 인식 기술을 의류 판매 관리 및 마케팅, 디자인, 소비자 선호도 조사에 적극 활용하고 있다.
1.ObjectLocalization 이란? 딥 러닝 기술의 하나인R-CNN알고리즘을 기반으로 전체 이미지에서 패션 아이템들의 위치를 감지하고 분류하는 기술입니다. 이 기술을 통해,인공지능은 상의,하의,아우터 등8가지 종류의 의류 타입을 구분할 수 있습니다. (*R-CNN: Regions with CNN features,이미지 안에 어떠한 물체들이 있는지를 구분해내는 인공지능 기술) 2.AttributeLearning 이란? Object Localization기술을 통해 구분된 개체들의 색상,재질,카테고리 등,구체적 특질(deep feature)을 구체화하는 기술입니다. 이 기술을 통해,인공지능은 패션 아이템들의 정보를 검색 가능한 데이터로 이해하고 학습할 수 있게 됩니다.
3.Vector Quantization &Indexing 이란? 딥 러닝으로 분석된 이미지의 속성 정보는 매우 복잡하며 이미지의 수는 매우 방대합니다. 이러한 대규모 데이터를 빠르게 검색하기 위해서는 데이터를 효과적으로 표현하고 색인해야 합니다. 이미지의 속성 정보의 양자화를 통해 보다 단순한 정보로 변형하고,이를 전통적인 검색 기술을 통해 색인하면 빠른 탐색 서비스를 제공할 수 있습니다. (*Vector Quantization: 벡터 양자화,이미지가 담고 있는 속성정보를 빠르게 처리할 수 있도록 압축하는 방식)
동대문이 주목받고 있다. 서울시 면적의 0.1%(58.6ha, 약 17만 평)에 불과하지만, 약 30개의 도매 상가들이 밀집해 있으며, 약 3만여 개의 매장에 약 15만 명의 종사자들이 분포1되어 있다. 하루 100만 명 이상의 바이어와 소비자들이 모인다.
동대문시장의 유통 과정을 통째로 온라인 플랫폼에 옮긴 이른바 ‘세포마켓’으로 불리는 SNS마켓은 연간 20조 원 규모의 부가가치를 창출하는 명실상부한 패션의 추로 부상하고 있다.2최근에는 연 매출 1,000억 원을 상회하는 스타일난다, 엔라인, 부건에프엔씨 등 국제화된 동대문표 스타트업도 빠르게 증가하고 있어 지금 동대문은 그야말로 ‘디지털 봄’을 만끽하고 있다.3뉴욕, 파리, 런던과 밀라노의 패션거리도 고작 의류점포 300~400개 수준이라서 동대문의 3만 개 상점에 비할 바가 되지 못한다. 누군가는 “국내 SW스타트업 인프라가 강남 테헤란로에서 형성되어 경기도의 판교밸리로 이어졌지만, 지금은 동대문을 중심으로 형성된 스타트업 생태계의 성장이 훨씬 역동적이다”라는 말을 하기도 한다. 사실 판교는 정부가 주도한 IT집적단지이고, 동대문은 해방 이후 자생적 도시형성과 발전이라는 역사적 맥락이 있어 그 태생적 본질이 다르다. 그렇다면 청계천의 전통시장에 불과했던 동대문이 어떻게 글로벌 패션 클러스터로 도약한 것인가?
동대문의 의류시스템은 크게 구매 → 디자인 → 생산+판매의 4단계 가치사슬로 구성되며, 이 생태계는 기본적으로 도·소매 점포-디자이너-하청 생산 단계별 행위자들이 ‘단골’이라는 신뢰 네트워크로 묶여서 운영된다. 그리고 ‘지게삼촌’이라 불리는 운반업자가 배달하는 물건을 점포가 받고, ‘사입 삼촌’이라고 불리는 중간 구매대행업자가 동대문 점포와 전국 소매상 사이에서 수요와 공급을 역동적으로 매개한다. 구매는 점포주 및 디자이너가 동대문 종합시장 등에서 원단과 부자재를 구매하는 단계이고, 디자인은 점포주 및 디자이너가 시장조사, 디자인을 하여 샘플제작 후 물량을 결정하는 단계이다. 이렇게 결정된 상품은 자체 공장이나 하청공장을 통하여 생산되고, 점포에서 판매된다. 디지털 기술은 바로 이러한 동대문 특유의 생산-유통체제 곳곳에 적용되면서 새로운 혁신과 부가가치를 창출하고 있는 것이다.
동대문의 디지털 전환 : AI + 원단
우선 원단과 부자재의 선별과 구매의 경우, 동대문은 각 원단점포마다 벨벳, 암막, 린넨, 쉬폰, 트리플쉐이드, 허니콤, 노블레스, 알루미늄 등 3,000여 가지 이상의 국내외 원단을 보유하고 있으며, 전체적으로 약 200만여 종 이상이 유통되고 있다. 일반인은 이름만으로 그 특성과 용도를 알기도 어려운 다양한 원단의 선별은 최소 30년 이상의 경험을 축적한 노련한 원단사가 디자이너와 그들만의 언어로 소통하면서 원단을 선택하고 샘플을 제작한다. 그러나 최근 원단에 대한 여러 가지 정보가 데이터베이스(DB)로 구축되어 원단의 패턴, 질감 및 색상 등을 AI가 분석·분류하고 있다. DB구축 초기에는 원단 샘플(스와치)을 구매해서 사진과 영상을 찍고 제품명, 혼용률, 질감, 색상 등 14가지 원단 스펙을 데이터베이스화한 후, 카테고리 분류와 검색이 가능하게 사람이 직접 수작업으로 제작해야 했지만 이제는 원단 샘플을 떼 오는 것 이외에는 대부분 자동화됐다. 데이터가 축적되다 보니 이미지 기반 인공지능(AI)을 통해 원단에 대한 트렌드 분석과 분류 및 검색도 가능해졌다. 동대문 스타트업인 패브릭타임이 개발한 스와치온은 현재 20만 종 이상의 원단DB와 AI시스템으로 세계 80여 개국 2,000여 명의 디자이너들과 실시간 협업을 진행하고 있다. 이는 제품의 판매 이전인, 디자인 단계에서부터 글로벌 커넥션을 구축한 사례에 해당한다.
한편 부자재의 경우, 옷을 만들 때 필요한 단추, 지퍼, 끈, 솜 등을 이르는 ‘의류 부자재’ 시장은 약 2조 원 규모로, 기술 발전도 더뎌 지금도 대부분의 디자이너들은 90년대와 마찬가지로 직접 동대문 시장에 가서 부자재들을 일일이 흥정하며 구매하고 있다. 국내 의류 부자재 생산공장은 대략 400여 곳이며 아직도 기존 판매관행을 유지하는 곳이 대부분이지만 이 분야도 디지털 전환이 진행되고 있다. 국내 의류부자재 플랫폼기업인 종달랩의 경우, 구글포토 시스템처럼 40만 개 이상의 의류 부자재 이미지DB와 딥러닝 이미지 분석기술을 기반으로, 소비자가 원하는 의류 부자재 이미지를 넣으면 해당 상품 정보를 알려주는 검색 서비스를 개발하고 있으며, 약 40여 생산공장의 제품을 온라인 판매플랫폼에 등록해서 기존의 ‘생산공장→동대문시장→소비자’ 루트에서 ‘생산공장→소비자’ 루트로 유통 과정을 혁신시키며 가격도 30% 정도로 저렴하게 제공하고 있다. 또한 유럽이나 베트남에 국내 의류부자재의 공급이 가능하도록 해외 직접 구매 서비스도 개발하고 있다.4
<그림 1> 동대문의 가치사슬
동대문의 디지털 전환 : 디지털 + 유통
다음으로 동대문의 유통도 디지털화되고 있다. 동대문 유통의 핵심은 사입 삼촌이라고 불리는 중간 구매대행업자이다. 일반적으로 패션기업은 소비자에게 상품을 직접 판매하여(B2C) 그들의 니즈를 생산과 디자인에 반영하지만, 동대문 상인들은 B2B 유통을 고수한다. B2B 유통은 소비자의 요구를 반영하여, 빠르게 디자인·기획·생산을 전개해야 하는 패스트 패션산업으로서는 적합하지 않지만,주문에 맞추어 생산한다는 측면에서는 안정적이다. 하지만, 동대문시장이 B2B모델로 변화무쌍한 내수 패션시장의 한 축을 담당하는 이유는 사입대행업자들이 중간마진을 줄이며 소매와 도매를 연결하고 가격 경쟁력을 유지시켜 주기 때문이다. 유행하는 패션을 브랜드 상품보다 빨리 소개하고, 신상품 출시 후 2일~3일 이내에 소비자 반응을 얻지 못하면 바로 재고처리하며, 수요에 대응하여 팔리지 않는 상품의 공급 중단과 잘 팔리는 상품의 보급을 실시간(Real Time)으로 진행함으로써 동대문은 현재 재고가 거의 없는 생산체제를 유지할 수 있는 것이다. 과거에는 여러 상점의 주문정보가 적힌 여러 장의 A4용지를 가지고 다니면서 일일이 펜으로 체크해 가면서 직접 구매했다. 구매하는 물건이 워낙 소량이다 보니, 미송, 교환, 결제, 배송 그리고 상인들의 장끼5관리가 어려워 그간은 단골 신뢰 네트워크로 처리했으나 최근에는 ‘삼촌앱(Linkshops)’이 등장해서 중간 구매대행업자와 도매상들의 업무 과정을 디지털화했다. 즉, 제품등록(도매업자)→주문(사입자)→픽업+포장+출고(물류)→정산 (구매자)의 도매상 업무와 상품주문(사입자)→택배(물류)→주문서+세금계산서→정산(사입자)의 사입을 실시간으로 진행한다. 인기있는 제품을 돈을 미리 내고 나중에 제품을 받는 식으로 처리하는 거래를 미송이라 한다. 과거에는 이를 기억이나 메모에 의존했다면 지금은 삼촌앱이 정확한 일정에 해결해 주면서 동대문의 신뢰 네트워크는 디지털로 고도화되고 있다. 중국과 베트남이 빠르게 추격하고 있지만, 반경 10km에 의류생산과 유통에 필요한 모든 것이 대규모로 집적되어 다품종-소량생산이 가능한 곳은 동대문이 유일하다.
동대문의 디지털 전환 : 글로벌 커넥션
마지막으로 인스타그램, 유튜브, 네이버, 블로그 등을 통해 의류를 판매하는 1인 커머스(일명 세포마켓)와 왕홍은 동대문의 디지털 전환에 중요한 자산이다. 현재 인스타그램에 #마켓을 검색하면 170만 개의 게시물이 뜬다. 이러한 개인간 거래를 촉진하는 C2C 세포마켓은 약 20조 원의 부가가치를 창출하고 있다.6세포마켓이 동대문의 큰 손이라면 또 다른 큰손이 바로 중국 왕홍7이다. 2018년 왕홍이 동대문에서 일으킨 거래액은 약 1,600억 정도로 매년 급성장하고 있다.8왕홍은 크게 에이전시 소속과 타오바오 셀러의 두가지 유형이 있으며, 주로 오후 8시부터 새벽 1시 사이에 실시간 방송을 이용해서 중국 현지의 온라인쇼핑몰에 동대문 의류를 판매한다. 적게는 수백만 원, 많게는 수천만 원 규모의 의류가 왕홍의 1인 방송을 타고 중국으로 넘어가는 것이다.9모두 현금거래이며, 방송 도중 주문이 보유한 현금을 넘어가면 다음 날 와서 결제하고 상품을 찾아가는데, 동대문 특유의 신뢰 네트워크에 왕홍도 새롭게 참여하고 있는 셈이다. 왕홍의 활동과 역할이 중요해지면서 국내 기업들도 왕홍 마케팅에 적극적이다. 국내 기업인 맥스타8은 왕홍 마케팅 전문기업으로 동대문 맥스타일 건물에 국내 최초로 왕홍 전용 방송센터를 설립했다. 이 기업은 타오바오, 모구지에, 틱톡, 웨이보, 후난TV 등의 플랫폼을 통해 생방송을 진행하고 있으며 전반적인 쇼핑몰 관리 및 상품 기획, 마케팅도 담당하고 있다.10이제 과거 다이공이나 러시아 보따리상의 역할이 모바일과 결합된 세포마켓이나 왕홍을 통해 실시간 글로벌 판매체제로 전환되고 있는 것이다. 소비자 측면에서의 디지털 전환도 진행형이다. 패션 검색 포털인 ‘지그재그’를 운영하는 크로키닷컴은 사용자들의 검색, 구매 이력 같은 빅데이터를 AI로 분석하고 개인 맞춤형 상품과 쇼핑몰을 보여 준다. 지그재그는 동대문시장 의류 업체를 중심으로 3,000여 개 쇼핑몰에서 제공하는 580만 개의 의류·패션 상품을 검색해 주기도 한다.
정리하면, 유통 인프라, 신뢰 네트워크, 중간조직과 소비자 채널 등 그간 동대문 패션 클러스터의 경쟁력이라고 했던 다양한 요소들이 이제 빅데이터와 인공지능 등 디지털 기술에 의해 고도화되고 있다. 또한 동대문 패션 클러스터의 지평이 온라인으로 확장되면서 국제화 패션 클러스터로 발돋움하고 있고, 그에 따라 동시, 지역체제가 새로운 성장 동력이 될 수 있음을 보여 주고 있는 것이다.
시사점
동대문의 발전과 디지털 혁신에서 알 수 있는 시사점은 다음과 같다.
첫째, 동대문의 디지털 전환은 개개 점포단위를 넘어 생태계 차원에서 진행되는 측면이 강하다. 예를 들어 원부자재의 구매시스템인 스와치온, 사입 삼촌의 유통을 지원하는 삼촌앱은 동대문의 3만 개 점포와 생산자 그리고 사입 업자가 이용하는 다자간 네트워킹 플랫폼인 것이다. 물론 개별 사업장별로 의류의 생산과정에서 3D프린팅, 디지털패턴과 재단, On-Demand 스타일맞춤형 자동화 생산과 클라우드 도입 등이 강조되기도 하지만 이러한 생산도 서비스 플랫폼 위에서 작동되어야 파급력이 크다. 플랫폼형 혁신은 생태계 참여기업들이 개방형 혁신(Open Innovation), 분산형 제조(Distributed Manufacturing), 그리고 협업모델(Collaborative Models)을 지원하기 때문에 중요하다.11개방형 혁신은 동대문의 신제품 아이디어나 디자인을 글로벌 구매자 혹은 소비자에게 사전에 공유할 수 있는 각종 중개플랫폼(Brokerage Platform)을 활용해서 글로벌 구매자의 요구, 수요, 반응 등을 실시간으로 생산에 반영하는 것을 말한다. 분산형 제조는 제4차 산업혁명과 관련해서 인공지능, 빅데이터, 클라우드 컴퓨팅, 플랫폼 등 지역적으로 흩어져 있는 생산설비들이 상호 유기적으로 연계되어, 원단의 선별, 시제품 및 완성품 제작과정과 판매 및 유통을 일사분란하게 다품종 소량생산을 실현하는 시스템화된 제조네트워크를 말한다. 동대문은 디지털 기술을 적용해서 빠른 프로토타이핑과 해외 시장별 특화(Glocalization)된 제품의 설계 및 공급이 가능한 클러스터이다. 마지막으로 협업모델은 공급사슬상 인접한 공급자나 전방의 물류기업은 물론, 수평적 시장에서 상호 경쟁하는 기업 간에 클라우드 컴퓨팅과 각종 생산플랫폼을 상호 공유함으로써도 비용 절감을 추구하는 생산방식이다. 공유모델로서는 공동구매나 유통, 물류, A/S, 시설의 공유, 공동 마케팅 등을 들 수 있다. 앞서 소개한 스와치온, 삼촌앱, 패션 검색플랫폼과 1인 방송스튜디오 등이 대표적인 협업플랫폼에 해당한다. 인터넷 구매에 의한 소비자 이탈, 글로벌 패스트패션(SPA 브랜드)에 의한 시장잠식, 생산인력의 고령화와 같은 다양한 위협적 환경을 극복하고 발전하고 있는 동대문은 창원, 반월, 시화공단과 같은 국내 제조업 클러스터도 개별 사업장 단위의 공정혁신형 스마트공장에 머물지 말고 생태계 차원의 플랫폼형 혁신으로 확대되어야 한다는 점을 시사하고 있다.
둘째, 동대문은 국제분업체제에 하청으로 편입해서 고도화되는 식의 개도국의 전형적 성장경로를 따르지 않고 독자적인 신속대응체제를 개척하면서 디지털 기술을 활용한 국제화 모델이라는 점에서 경로개척형 모델이라고 할 수 있다.
과거 동대문 패션산업 클러스터는 디자인=선진국, 제조=개발도상국의 형태로 형성된 국제분업 체계에 편입해보고자 하청(OEM)을 받거나, 혹은 생산기지를 중국 등 개도국으로 이전했으나 별다른 효과를 보지 못했다. 그 후 동대문은 ZARA나 H&M 등 세계 패션산업을 견인하는 의류기업들의 패스트 패션(Fast Fashion) 전략과 가치사슬에 편입되기 보다는 QR전략이라는 독자적 경로를 개척해서 이들과 경쟁한 것이고, 최근에는 디지털 기술을 접목해서, 샘플단계에서 부터 해외 디자이너와 협업 하면서 ODM(Original Development Manufacturing) 혹은 OBM(Original Brand Marketing)방식으로 국제화를 추진해 나아가고 있다.12이것이 가지는 경제사적 의미는 매우 크다. 우선 전통적 추격의 개념은 후발국가가 선진국의 경험과 지식을 배우고 흡수하며 뒤따라가는 이식과 추격의 과정이지만, 선진국으로의 도약을 완성하기 위해서 재래공업, 재래산업, 재래시장이 서서히 근대화되면서 현지의 사회적·문화적 특성과 융합되면서 독특한 경쟁력을 획득하는 데까지 나아가야 한다. 과거 일본이나 독일과 같은 후발자본주의 국가는 국가의 강력한 지원하에 선진 지식의 이전과 추격의 과정을 밟았지만 다른 한편으로 재래공업과 재래시장을 토대로 한 자생적이며 재래적 발전의 길을 걸었다. 이러한 복선적 코스를 밟았기에 다른 추격국가가 모방하기 어려운 고유의 강력한 산업경쟁력을 확보할 수 있었던 것이다. 동대문의 혁신과정은 한국적 독자 경로의 가능성, 즉 ‘신뢰 네트워크(단골)+QR전략(신속생산)+국제화’라는 재래적 발전의 한국적 사례라는 의미가 크다.13국내 타 산업의 디지털 전환 역시 생산성 제고와 경쟁력 확보 외에도 전통 산업의 한국적 부활경로를 개척하는 동대문식의 전략적 경로 선택이 필요한 것이다.
1동대문패션타운 관광특구 자료, 스포츠한국(2017.5.4.), 동대문 패션 유어스, 실시간 20만명 뷰 ‘왕홍 마케팅’ 효과 톡톡
2한국경제매거진(제1216호, 2019.3.), 1인 마켓·데이터 입고 진화하는 동대문 패션시
12동대문에서는 ‘암묵지=현지, 명시지=글로벌’이라는 공식이 적용되지 않고, 디지털 기술로 무장한 스타트업이 혁신 참여자 간의 소통과 네트워킹을 담당하는 일종의 ‘dubbed buzz’로서의 역할을 수행하면서 현지 생산네트워크+사입자+국내·외 MCN 네트워크(Pipeline Builder and Operator)를 가동시키면서 동대문 클러스터 내의 암묵적 지식→명시지→글로벌 가치사슬로 연결하는 모델이 형성된 것이다.
