AI hair-colour closed loop
염색 전에서 끝나지 않는
Closed-loop 염색
분광센서와 카메라로 모발·잔존 색소·피부톤을 수치로 읽고, AI 추천 색과 고객이 고른 색을 구현도와 함께 보여줍니다. 시술 후 다시 측정해 고객마다 학습하니, 두 번째 방문이 더 정확해집니다.
1 측정2 추천 · 선택3 브랜드별 배합4 재측정 · 학습
고객 목록
데이터는 이 기기 브라우저(localStorage)에만 저장됩니다. 서버로 전송되지 않습니다.
ΔE00 ≤ 5목표 색차 · 시술 후 재측정으로 검증
2가지 옵션AI 추천 색 / 고객이 고른 색 중 최적, 구현도 % 표시
브랜드별 배합같은 목표 색도 브랜드마다 g 단위로 다르게
어떻게 작동하나요
측정에서 학습까지, 시술 한 번이 한 바퀴의 루프입니다.
01
◎
측정
분광센서 + 스마트폰 카메라로 뿌리·중간·끝의 L*a*b*, 잔존 색소, 모발량, 피부톤을 수치화합니다.
02
◐
추천 · 선택
피부톤·모발량에 맞춰 밝기를 조정한 AI 추천 색과, 고객이 고른 색 중 가장 잘 나올 색을 구현도 %와 함께 나란히 보여줍니다.
03
⚖
브랜드별 배합
결정한 색을 매장이 쓰는 브랜드의 염모제·산화제 g 단위 배합으로 바꿉니다. 자동배합기는 선택 사항입니다.
04
↻
재측정 · 학습
시술 후 다시 측정해 예측과의 차이를 기록하고, 고객별 편차를 학습합니다. 이 기록이 고객의 모발 DNA가 됩니다.
측정
"이 색으로 해주세요"를 숫자로 바꿉니다
같은 염색약을 써도 같은 색이 나오지 않는 이유는 모발 상태가 매번 다르기 때문입니다. 감으로 판단하던 것을 측정값으로 바꿉니다.
- 뿌리 · 중간 · 끝 부위별 L*a*b* 측정
- 잔존 색소(웜/쿨/진한 염색)와 손상도 반영
- 카메라로 피부톤(웜/뉴트럴/쿨)과 모발량 추정
학습
고객의 머리를 기억하는 모발 DNA
시술 후 재측정값은 그 고객의 편차로 저장됩니다. 다음 방문에는 이 편차가 배합에 먼저 반영되어, 방문할수록 예측이 정확해집니다.
- 예측 vs 실제 ΔE00 타임라인
- 고객별 · 매장 전체 편차(EMA) 학습
- 미용사 수정 이력도 학습 데이터로
① AI 추천 색
피부톤·모발량·잔존 색소를 기준으로 밝기까지 조정한 추천. 이유와 구현도 %를 함께 보여줍니다.
② 고객이 고른 색 중 최적
고객이 원하는 색을 여러 개 고르면, 지금 모발에서 가장 잘 나오는 순서로 정렬해 현실적인 기대치를 맞춥니다.