Yousinsa - coleção de tênis, fotos e vídeos de moda do YouTube - um POC de serviço que oferece recomendações de moda com vídeos como base

Organizei recomendações de moda do YouTube com base em evidências

Quando você assiste a vídeos de moda no YouTube, aparecem muitas recomendações do tipo "essa camiseta é boa", "essa marca tem bom custo-benefício", "isso tem um caimento legal".

Mas, quando chega a hora de comprar alguma coisa depois, é difícil lembrar bem. Também não é fácil encontrar de novo qual youtuber recomendou o quê, em qual vídeo e por qual motivo.

Por isso, criei um pequeno POC chamado Yousinsa.

É um serviço que extrai, por trecho com timestamp, marca, produto, categoria e motivo da recomendação de vídeos de criadores de moda no YouTube e, quando o usuário faz uma pergunta, recomenda marcas e produtos com base nessas evidências.

Por exemplo, funciona assim. As perguntas abaixo são exemplos reais que testei e que tiveram bons resultados.

• "Sou um homem na faixa dos 30 e estou procurando camisetas básicas brancas/pretas. Não quero algo muito fino, seria bom ter um caimento sofisticado, e meu orçamento é de até 50 mil won. Gosto da pegada da Uniqlo, mas queria evitar algo comum demais."
• "Me recomende um tênis casual para usar tanto no trajeto de ida e volta do trabalho quanto no fim de semana. Tenho o pé um pouco largo e não gosto de logos chamativos demais. Seria bom combinar tanto com jeans quanto com calça social."
• "Estou procurando um look feminino de escritório mais arrumado. De preferência, uma marca em tons monocromáticos e nada muito chamativo, e o orçamento pode ser na faixa da marca Drawfit."
• "Mostre marcas de camisetas que youtubers de moda recomendam com frequência junto com os vídeos que servem de base. De preferência camisetas básicas fáceis de comprar na prática, em vez de marcas caras demais."

Em vez de responder como um chatbot comum com algo como "essa marca é boa", o foco foi permitir ver imediatamente qual youtuber / em qual vídeo / em qual trecho / recomendou por qual motivo.

Atualmente, o banco de dados contém aproximadamente o seguinte.

• evidence item: 29.044
• YouTube video: 3.011
• creator: 1.788
• brand: 7.507
• itens com product image: 26.206

No momento, é isso que já funciona.

• Extração de marca/produto/categoria/motivo da recomendação em vídeos de moda do YouTube
• Armazenamento de links com timestamp dentro do vídeo
• Visualização de conjuntos de recomendações por marca/categoria
• Visualização em formato de board com base em imagens de produtos
• Geração de recomendações ao inserir preferências/orçamento/situação em linguagem natural
• Verificação de vídeos de referência e links de busca de produtos nos resultados das recomendações

A stack técnica é simples. Usei o Gemini CLI para analisar os vídeos, fiz o pós-processamento com scripts em Python e salvei no SQLite. Na web, conectei HTML/JS estático com um servidor Python leve.

• Serviço: https://labs.foldalpha.com/fashion/
• Código/relatório: https://github.com/sbyoun/yousinsa
• Relatório em PDF: https://github.com/sbyoun/yousinsa/blob/main/paper/yousinsa-paper.pdf

Ultimamente, tenho sentido bastante que estamos numa era em que, quando você precisa de algo, simplesmente criar e usar por conta própria ficou mais fácil do que parece. Antes, só construir um serviço já era uma grande tarefa; agora, dá para fazer um pequeno POC muito mais rápido.

Mas, por isso mesmo, acho que o mais difícil é o diferencial. UI e funcionalidades podem ser imitadas rapidamente, mas, no fim, para produzir recomendações realmente úteis, é preciso acumular e organizar continuamente os dados que servem de base. Isso inevitavelmente leva tempo e tenho pensado que justamente esse acúmulo de dados pode se tornar o diferencial.

Continuo experimentando várias abordagens. Feedbacks são bem-vindos.