ИИ для подбора активов под тип кожи и задачу формулы

Введение: почему подбор косметики перестаёт быть угадыванием

Классический алгоритм разработки формулы выглядит так: технолог берёт активы, которые «работают у всех» — Niacinamide от постакне-пятен, Retinol от морщин, Hyaluronic Acid для увлажнения — и собирает крем по шаблону, проверенному на предыдущих клиентах. Дальше начинается этап проб: тест на панели из 15-20 добровольцев, две-три итерации формулы, ожидание результата 8-12 недель. Если реакция кожи неожиданная — раздражение, комедогенность, отсутствие эффекта — цикл запускается снова. На один финальный продукт уходит от 6 месяцев до полутора лет, а бюджет тестирований на большой линейке легко превышает разработку самой формулы.

Проблема не в квалификации технологов, а в самой логике подхода: универсальная линейка активов усредняет ответ кожи, которая по своей физиологии крайне гетерогенна. Барьерная функция, микробиом, уровень секреции себума, скорость десквамации и чувствительность к раздражителям различаются у людей с одинаковым «типом кожи» на бумаге настолько сильно, что один и тот же 2% Salicylic Acid у одной клиентки убирает воспаление за две недели, а у другой провоцирует сухость и шелушение уже на третий день использования.

Где ломается традиционная модель подбора

Проб-и-ошибка подход держится на трёх допущениях, каждое из которых статистически слабое:

• Тип кожи как категория — деление на «сухую/жирную/комбинированную» игнорирует десятки биомаркеров (трансэпидермальную потерю воды, pH поверхности, плотность сально-волосяных фолликулов), которые реально определяют реакцию на актив;
• Перенос эффективности между людьми — эффективность актива в клиническом исследовании (по данным Draelos, 2018, эффективность Niacinamide варьировалась от 40% до почти нулевого ответа в разных подгруппах панели) не гарантирует того же результата на конкретной коже;
• Статичность формулы — рецептура фиксируется один раз, хотя кожа меняется по сезону, гормональному циклу и внешним факторам, а формула — нет.

В результате косметическая индустрия годами компенсировала неопределённость количеством SKU: линейка из 8-10 кремов «для разных нужд» вместо одной формулы, реально подстроенной под конкретный случай.

Что меняет применение нейросетей

Тезис этой статьи простой: машинное обучение переводит подбор активов из категориального угадывания в задачу предсказания на данных. Вместо вопроса «какой актив обычно помогает при акне» модель отвечает на вопрос «какая комбинация активов даст максимальный эффект при конкретном профиле кожи — с известным уровнем себума, барьерной функцией и реакцией на предыдущие продукты». Для этого используются три класса моделей:

• предсказательные модели на основе клинических и потребительских данных (регрессии, градиентный бустинг), которые оценивают вероятность раздражения или эффективности актива для заданного профиля;
• генеративные модели, предлагающие сочетания концентраций активов внутри допустимых технологических диапазонов;
• компьютерное зрение для анализа фотографий кожи и извлечения признаков (пористость, покраснение, пигментные пятна), которые становятся входными данными для первых двух моделей.

Это не замена химии формулы и не отмена биохимических механизмов — Retinol так же требует времени на адаптацию рогового слоя, а Ascorbic Acid так же нестабилен при pH выше 3,5. Меняется не сама природа активов, а точность попадания в нужную концентрацию и комбинацию с первой попытки.

В следующих разделах разберём, какие данные нужны модели для точного подбора активов, как работают алгоритмы сопоставления актива и задачи формулы (акне, пигментация, барьер, возрастные изменения), и где технология уже применяется в реальной разработке косметики — на примерах, доступных без доступа к дорогим корпоративным R&D-платформам.

Как нейросеть «видит» кожу: от фотографии к цифровому профилю

Прежде чем алгоритм предложит хоть одну формулу, он должен превратить фотографию лица в набор чисел. Этот процесс называется извлечением признаков (feature extraction), и именно от его качества зависит, получит ли клиентка рекомендацию, основанную на реальном состоянии кожи, а не на усреднённом шаблоне «для всех».

Компьютерное зрение работает с изображением кожи в несколько последовательных этапов, каждый из которых решает свою узкую задачу.

Этап 1: сегментация зон лица

Первое, что делает система, — размечает лицо на анатомические зоны: Т-зону, щёки, периорбитальную область, носогубные складки, подбородок. Это критично, потому что кожа в разных зонах ведёт себя по-разному даже у одного человека: Т-зона может показывать признаки жирности с расширенными порами, а щёки — обезвоженность и шелушение. Без сегментации модель усреднила бы эти данные и выдала бы противоречивую рекомендацию.

Сегментация выполняется с помощью сверточных нейросетей (CNN), обученных на разметанных дерматологических базах изображений. Модель находит ключевые точки лица (landmarks) — обычно 68–468 точек, в зависимости от архитектуры, — и по ним строит маску зон. Точность такой разметки у современных моделей достигает 95–98% при контролируемом освещении (по данным Chen et al., 2021).

Этап 2: детекция специфических признаков

Внутри каждой зоны алгоритм ищет конкретные визуальные паттерны, которые преобразуются в измеримые показатели:

• Поры — детектируются как локальные затемнения округлой формы определённого диаметра (обычно 50–200 микрон в пересчёте с пикселей); считается плотность на см² и средний размер
• Покраснения (эритема) — анализ красного канала RGB и его отклонения от базового тона кожи; строится карта интенсивности эритемы по шкале
• Себум и блеск — определяются через анализ специулярных отражений (зеркальных бликов) на изображении; чем выше плотность и яркость бликов, тем выше расчётный уровень секреции себума
• Морщины и заломы — детекция линейных структур с помощью фильтров типа Gabor или Frangi, которые выделяют вытянутые тёмные линии на фоне более светлой текстуры
• Пигментация и постакне — кластеризация тёмных пятен неправильной формы, отличающихся от пор по размеру и контуру

Каждый из этих признаков не просто фиксируется как «есть/нет», а получает числовое значение — индекс плотности, степень выраженности, площадь поражённой зоны в процентах от общей площади сегмента.

Этап 3: нормализация и превращение в вектор признаков

Сырые данные с фотографии сильно зависят от условий съёмки: освещения, угла камеры, цветовой температуры экрана. Поэтому перед подачей в модель подбора активов данные проходят нормализацию — приведение к единой шкале, инвариантной к условиям съёмки. Для этого часто используется калибровка по эталонной цветовой карте (color checker) или по референсным зонам лица с известными характеристиками (например, склера глаза как эталон белого).

После нормализации все визуальные признаки собираются в единый вектор признаков — упорядоченный набор чисел, где каждая позиция отвечает за конкретный параметр: плотность пор в Т-зоне, индекс эритемы на щеках, глубина носогубных морщин и так далее. Обычно такой вектор содержит от 30 до 150 параметров, в зависимости от детализации модели.

Именно этот числовой вектор — а не сама фотография — передаётся дальше в модель подбора активных ингредиентов. Она уже не «смотрит» на лицо, а работает со структурированными данными: сравнивает профиль клиентки с обучающей базой, где похожие сочетания признаков были связаны с определёнными формулами и их эффективностью. Об этом сопоставлении — в следующем разделе.

Химия совместимости: почему не все активы можно смешивать

Даже идеально подобранный по типу кожи актив может не работать — а иногда навредить — если он встречен в формуле «соседями», с которыми биохимически конфликтует. Прежде чем ИИ предложит комбинацию ингредиентов, он должен смоделировать десятки скрытых взаимодействий: конкуренцию за одни и те же рецепторы, изменение pH-среды, окислительную нестабильность, конкурентную адсорбцию на липидном барьере. Это и есть «химия совместимости» — невидимый слой ограничений, который определяет, какое формулировочное пространство вообще доступно.

Retinol и AHA: конфликт механизмов обновления

Retinol работает через связывание с ядерными рецепторами RAR/RXR, запускающими экспрессию генов, ответственных за пролиферацию кератиноцитов. Alpha Hydroxy Acids (гликолевая, молочная кислоты) действуют иначе — они разрушают ионные связи между корнеоцитами в роговом слое, ускоряя механическое отшелушивание. Проблема не в том, что механизмы «противоречат» друг другу — они складываются, и именно это опасно. Одновременное использование ретинола (даже в концентрации 0,3%) и AHA в дозировке выше 5% статистически значимо увеличивает трансэпидермальную потерю воды (TEWL) и частоту эритемы, что показано в исследовании Kong et al. (2021). Барьер не успевает восстанавливаться между двумя циклами ускоренного обновления.

Дополнительный слой сложности — pH. Retinol стабилен в диапазоне pH 5,5–6,5, тогда как эффективность AHA резко падает при pH выше 4. Формула, которая пытается «усидеть» на двух средах одновременно, обычно проигрывает в стабильности обоим активам: ретинол окисляется быстрее, а кислота не депротонируется в нужной степени для проникновения через роговой слой.

Витамин C и ниацинамид: миф, который дожил до наших дней

Классическое опасение — L-Ascorbic Acid и Niacinamide якобы образуют ниацин и вызывают покраснение. Это верно только при нагревании смеси до температур выше 60°C в водной среде при длительной инкубации — условие, нерелевантное для готовой косметической эмульсии при комнатной температуре. По данным Wohlrab & Kreft (2014), реакция трансамидирования между этими молекулами при физиологических условиях протекает настолько медленно, что клинически значимого раздражения не возникает. Тем не менее ИИ-модель должна учитывать не саму реакцию, а условия её ускорения: производственный процесс, температура хранения, финальный pH готовой формулы. Если крем формулируется с *L-Ascorbic Acid* при pH 3,5 (оптимум для стабильности этой формы витамина C), добавление ниацинамида в высокой концентрации создаёт неоднородную буферную систему, где часть молекул мигрирует в неоптимальные pH-зоны.

Как ИИ моделирует эти ограничения

Генеративная модель не «изобретает» формулу свободно — она работает в constrained optimization пространстве, где каждый активный ингредиент описан не только процентом ввода, но и вектором физико-химических параметров: диапазон стабильного pH, температура разложения, редокс-потенциал, известные incompatibility-пары из литературы и патентных баз. Практически это реализуется как система штрафов (penalty function): если алгоритм пытается объединить ретинол и AHA выше пороговой концентрации, суммарная «оценка формулы» падает, и модель ищет альтернативную комбинацию — например, инкапсулированный ретинол или PHA вместо гликолевой кислоты, которая мягче по механизму раздражения.

Именно поэтому пространство решений, которое видит ИИ, гораздо у́же, чем кажется на первый взгляд: из тысяч теоретических комбинаций активов совместимыми по химии — с учётом pH, температуры и окислительной стабильности — остаётся обычно не более 15–20%. Об этом подробнее в статье о стабильности косметических формул.

Архитектура рекомендательной системы: от данных пользователя до формулы

Под капотом любого сервиса «ИИ подбирает вам крем» скрывается не одна модель, а конвейер из нескольких этапов обработки данных. Каждый этап решает свою узкую задачу, и только их последовательная связка превращает разрозненные вводные — фото, анкету, жалобы — в конкретный список активов с процентовкой. Разберём этот конвейер по звеньям.

Входной слой: что модель получает на вход

Рекомендательная система работает с тремя типами данных, которые объединяются в единый вектор признаков перед подачей в модель:

Важный нюанс: анкетные данные и фото-эмбеддинг живут в разных числовых масштабах, поэтому перед объединением применяется нормализация (обычно z-score или min-max), иначе один источник данных начинает доминировать над другим просто из-за диапазона значений, а не из-за реальной значимости.

Первый блок модели: классификация профиля

На первом этапе решается задача многоклассовой или мультилейбл-классификации: система относит кожу пользователя не к одному типу (это упрощение косметологических анкет 1990-х), а к комбинации состояний — например, «себорейная зона T + дегидратация периферии + постакне пигментация». Для этого чаще применяют градиентный бустинг (XGBoost, CatBoost) на табличных признаках или небольшую полносвязную сеть, если входом служит объединённый эмбеддинг фото и анкеты. Точность такой классификации в опубликованных пилотах варьируется в диапазоне 78–89% при сверке с оценкой дерматокосметолога (по данным Kim et al., 2022) — это выше, чем самодиагностика по анкете, но ниже точности профессионального осмотра под лампой Вуда.

Второй блок: рекомендательная система для подбора активов

После классификации профиля включается вторая модель — собственно рекомендательная система, которая работает по логике, близкой к рекомендациям товаров в e-commerce, но с жёсткими химическими ограничениями. Здесь используются два подхода, часто в гибриде:

• Content-based фильтрация — сопоставление профиля кожи с базой знаний об активах: для каждого ингредиента заранее размечены целевые состояния, механизм действия, диапазон эффективных концентраций и известные несовместимости.
• Collaborative filtering — обучение на исторических данных о реакциях похожих пользователей на похожие формулы (работает только при достаточно большой базе отзывов и повторных покупок, счёт идёт на десятки тысяч профилей).

Content-based компонент отвечает на вопрос «что теоретически подходит», collaborative — «что реально сработало у похожих людей». Без первого система рекомендует небезопасные комбинации, без второго — теряет чувствительность к реальным паттернам отклика кожи, которые не всегда совпадают с теорией.

Слой ограничений: почему модель не может просто максимизировать эффективность

Финальный список активов не выбирается из соображений «что даст максимальный эффект» — на выходе рекомендательной модели стоит слой правил (rule-based constraint layer), который отфильтровывает комбинации по химической совместимости, суммарной кислотности формулы и максимально допустимой концентрации раздражающих активов при заданном типе чувствительности. Именно этот слой не даёт системе одновременно назначить 10% Niacinamide и высокую дозу чистых кислот при признаках нарушенного барьера.

Выходной слой: что видит пользователь

Итог работы конвейера — не текстовое описание, а структурированный список с процентовкой и порядком нанесения:

Такая детализация — прямое следствие архитектуры: система не «угадывает продукт», а собирает формулу из атомарных решений, каждое из которых прошло через классификацию, рекомендацию и фильтр совместимости. Подробнее о том, как эти проценты соотносятся с реальными лабораторными нормами ввода, разбирается в материале о дозировках активных ингредиентов.

Типы кожи глазами алгоритма: жирная, сухая, комбинированная — и что видит модель

Когда пользователь в анкете отмечает «у меня жирная кожа», он описывает субъективное ощущение — блеск к обеду, забитые поры, тональный крем «съезжает» к вечеру. Алгоритм работает с другим слоем реальности: он оперирует измеримыми физиологическими параметрами, которые не зависят от настроения, погоды за окном или того, сколько кофе выпито утром. Разница между этими двумя картинами мира — и есть причина, почему нейросетевая классификация типа кожи стабильно точнее самоотчёта.

Три маркера, на которые смотрит модель

В основе большинства алгоритмических классификаторов кожи лежат три физиологические переменные, которые дерматологи измеряют инструментально ещё с 1980-х годов, а нейросети научились оценивать по фото и косвенным признакам:

• Себовыделение (sebum rate) — скорость и объём выработки кожного сала себоцитами. Измеряется в клинике себометром (в мкг/см²), а на фотографии алгоритм оценивает косвенно: по паттернам зеркального блика в T-зоне, по размеру и плотности видимых пор, по локальной текстуре пикселей в области носа и лба.
• Трансэпидермальная потеря воды, ТЭПВ (TEWL) — скорость испарения воды через роговой слой, ключевой индикатор целостности липидного барьера. Высокий TEWL сигнализирует о сухости и повышенной реактивности кожи, даже если визуально она выглядит нормальной. По фото это считывается через микротекстуру: шелушение, неровный рельеф, участки с матовой, «стянутой» поверхностью.
• Эластичность и упругость — способность кожи возвращаться в исходное положение после механической деформации, связанная с состоянием коллагенового и эластинового матрикса дермы. Инструментально измеряется кутометром; алгоритм оценивает по морщинам, микрорельефу и провисанию контура в динамике (если доступна серия фото или видео).

Комбинация этих трёх параметров даёт не одну метку «жирная/сухая/комбинированная», а вектор значений — например, себовыделение 68% (высокое), TEWL 12 г/м²/ч (в норме 4–10 г/м²/ч), эластичность 0.75 (снижена). Именно на этом векторе строится классификация, а не на визуальном «похоже на жирную кожу».

Почему самооценка систематически ошибается

Расхождение между тем, что человек думает о своей коже, и тем, что показывают приборы, — задокументированный факт. По данным Youn et al. (2002), совпадение самодиагностики типа кожи с объективными измерениями себометра составляет менее 60% случаев; наибольшая путаница возникает между «комбинированной» и «жирной» кожей, а также между «нормальной» и «сухой». Причины предсказуемы:

• Себовыделение колеблется в течение дня на 20–40%, и оценка «на глаз» утром и вечером даёт разные ответы.
• Сухость часто путают с обезвоженностью (недостатком влаги в роговом слое, а не липидов) — это два разных механизма, требующих разных активов.
• Комбинированная кожа — статистически самый частый неверно диагностированный тип: люди либо переоценивают жирность T-зоны, либо не замечают сухость на щеках, потому что фокус внимания смещён на видимые проблемы (поры, блеск).
• Сезонность и косметика-«маска»: тональный крем или матирующая база визуально нормализуют кожу в моменте, искажая восприятие её базового состояния.

Комбинированная кожа: почему это не «два типа в одном»

Алгоритм трактует комбинированную кожу не как смесь жирной и сухой, а как зональную гетерогенность одного и того же набора параметров. Модель делит лицо на сегменты (T-зона, щёки, периорбитальная область) и для каждого считает свой вектор себовыделение/TEWL/эластичность. Итоговый профиль — не усреднённое значение, а карта различий: T-зона может показывать себовыделение 70% при TEWL 6 г/м²/ч, а щёки — себовыделение 25% при TEWL 14 г/м²/ч. Это критично для формулы: сыворотка с единой концентрацией Niacinamide для всего лица работает хуже, чем зональное распределение активов, что подробно разбирается в материале о совместимости ингредиентов (/blog/himiya-sovmestimosti-aktivov).

Практический вывод для формуляции: точность классификации типа кожи напрямую определяет допустимый диапазон концентраций активов. Ошибка в 15–20% при оценке TEWL может привести к тому, что формула с Salicylic Acid 2% будет рекомендована коже с уже нарушенным барьером — и вместо очищения пор пользователь получит раздражение и усиленное шелушение.

Задача формулы: как ИИ различает «против акне» и «для сияния»

Тип кожи задаёт базовые ограничения формулы, но именно целевая задача определяет, какие активы попадут в состав в приоритетном порядке. Для алгоритма это не текстовая метка «акне» или «сияние», а вектор клинических конечных точек — набор измеримых параметров, по которым ингредиент доказал эффективность в исследованиях. Модель сопоставляет запрос пользователя не с названием проблемы, а с этим вектором.

От формулировки запроса к клиническому вектору

Когда пользователь пишет «хочу убрать высыпания», NLP-модуль системы транслирует запрос в комбинацию признаков: гиперкератинизация протока, колонизация Cutibacterium acnes, локальное воспаление, избыточная себопродукция. Запрос «для сияния» раскладывается иначе: неравномерность рогового слоя, замедленное клеточное обновление, микротусклость из-за гликации коллагена. Разница в декомпозиции запроса — и есть первый уровень различения задач.

Дальше каждый признак ищет соответствие в базе активов, где каждый ингредиент размечен не по маркетинговому назначению, а по механизму действия, подтверждённому в исследованиях:

Важно, что один и тот же ингредиент может попадать в несколько задач с разной весовой функцией. Niacinamide работает и на акне (себорегуляция), и на пигментацию (ингибирование переноса меланосом), и на барьер (стимуляция синтеза церамидов) — по данным Bissett et al. (2004) и последующих работ. Алгоритм не выбирает ингредиент «под задачу», а считает суммарный вклад его механизмов во все активные векторы пользователя одновременно.

Как клинические данные калибруют веса

Каждая связь «актив → эффект» в базе имеет не бинарное значение (работает/не работает), а числовой коэффициент эффективности, полученный из метаанализов. Например, для Azelaic Acid в концентрации 15% снижение воспалительных элементов акне через 12 недель фиксируется на уровне 40–50% (по данным Sieber & Hegel, 2014), тогда как Salicylic Acid в 2% даёт более скромный, но быстрый эффект против комедонов. Модель учитывает не только «сработает или нет», но и скорость отклика, что критично при формулировании ожиданий пользователя.

Второй источник калибровки — агрегированная обратная связь. Когда тысячи пользователей с похожим цифровым профилем кожи отмечают через 4, 8 и 12 недель применения изменение конкретных параметров (жирный блеск, количество папул, тон кожи), система пересчитывает веса рекомендаций. Это работает как байесовское обновление: клинические данные задают априорное распределение эффективности, поведенческая обратная связь — апостериорную корректировку под реальную популяцию пользователей, а не только под условия лабораторного исследования.

Конфликт задач в одной формуле

Сложность возникает, когда пользователь формулирует сразу две задачи — «убрать акне и добавить сияние». Векторы частично пересекаются (десквамация нужна обеим целям), но частично конфликтуют: агрессивная себорегуляция может усиливать сухость и тусклость, которую пользователь пытается исправить. Алгоритм решает это через приоритизацию по остроте состояния — активное воспаление получает более высокий вес, чем эстетическая задача, а сопутствующие активы (например, антиоксиданты) вводятся в поддерживающей, а не в терапевтической концентрации. Подробнее о том, как система разрешает такие пересечения на уровне совместимости ингредиентов, разбирается в материале про химию совместимости активов.

Ограничения и риски: когда алгоритм ошибается

Рекомендательная система работает ровно так хорошо, как размечены данные, на которых она обучалась. Это правило звучит банально, но именно оно объясняет большинство систематических ошибок ИИ-подбора активов. Модель не «понимает» кожу — она находит статистические закономерности в выборке, и если выборка перекошена, перекошен и результат.

Смещение по фототипам и этничности

Большинство открытых дерматологических датасетов, на которых обучаются модели компьютерного зрения для анализа кожи, исторически состоят преимущественно из изображений светлых фототипов (I–III по шкале Fitzpatrick). Постакне-гиперпигментация, характерная для фототипов IV–VI, распознаётся такими моделями хуже: алгоритм путает её с воспалительным элементом или вовсе не фиксирует как отдельную проблему. По данным Adamson и Smith (2018), недостаток разнообразия в дерматологических изображениях приводит к систематическому снижению точности диагностики именно на смуглой и тёмной коже. Для подбора активов это означает риск: система может не назначить осветляющие ингредиенты типа Tranexamic Acid или Alpha Arbutin там, где они объективно нужны, потому что не распознала паттерн пигментации как патологический.

Overfitting на маркетинговые данные

Часть рекомендательных сервисов обучается не на клинических данных, а на текстах карточек товаров, отзывах и маркетинговых описаниях брендов. В такой выборке слова «увлажняет», «сужает поры», «выравнивает тон» встречаются в разы чаще, чем реальные измерения TEWL (трансэпидермальной потери воды) или себуметрии. Модель начинает переобучаться на риторике продавца, а не на биохимии ингредиента. Результат — система уверенно рекомендует состав с Niacinamide 2% «для сужения пор», хотя клинически заметный эффект на секрецию себума фиксируется начиная с 4–5% (по данным Draelos et al., 2006), а на упаковке концентрация вообще не указана.

Отсутствие медицинского анамнеза

Ни одна из массовых потребительских систем анализа кожи по фото не имеет доступа к истории аллергических реакций, приёму системных препаратов (изотретиноин, антикоагулянты, гормональная терапия) или сопутствующим дерматозам — розацеа, периоральному дерматиту, атопии. Алгоритм видит текстуру и цвет, но не «знает», что пользователь принимает варфарин и что Retinol в высокой концентрации в комбинации с кислотными эксфолиантами повысит риск раздражения на фоне тонкой сосудистой сетки. Ни один визуальный анализ не заменяет патч-тест и сбор анамнеза.

Почему нужна дерматологическая валидация

Модель, показавшая высокую точность на внутреннем тестовом наборе, не автоматически валидна клинически. Разница между accuracy на датасете и реальной диагностической ценностью — стандартная проблема ML в медицине, описанная, например, в работе Kim et al. (2019) применительно к дерматоскопическим CNN: модели, обученные на одной популяции, теряют до 20–30% точности при переносе на другую этническую или возрастную группу без дополнительной калибровки. Для косметических рекомендательных систем это означает, что заявленная «точность 90%» почти всегда относится к узкой выборке и не гарантирует такого же результата на конкретном лице пользователя.

Практический вывод для тех, кто проектирует или использует такие системы: ИИ-рекомендация — это черновик формулы, требующий проверки на реальной коже, патч-теста и, в спорных случаях, консультации дерматолога. Автоматизация ускоряет подбор активов, но не снимает ответственность за финальное решение с того, кто формулу составляет.

Будущее персонализации: от рекомендации к производству на заказ

Всё, что описано выше — распознавание кожи, проверка совместимости активов, подбор задачи формулы — работает в рамках существующего ассортимента: алгоритм выбирает готовый продукт или максимум предлагает «смешать сыворотку А с кремом B». Следующий шаг индустрии — отказ от посредника в виде готовой продуктовой линейки. Вместо рекомендации системе передаётся право генерировать состав с нуля под конкретный цифровой профиль кожи, а затем произвести именно эту формулу в единственном экземпляре.

Это принципиально другая архитектура бизнеса: не «10 000 одинаковых банок», а микро-батч на одного человека — партия от 1 до 50 мл, собранная под параметры, которые не повторяются у другого клиента. Технически это стало возможным благодаря трём сходящимся направлениям: генеративным моделям, способным предлагать не готовый продукт, а вектор концентраций; модульным производственным линиям с дозаторами, которые смешивают активы в реальном времени; и 3D-печати косметических форм, где принтер выступает финальным этапом сборки.

Генеративный подбор вместо классификации

Текущие рекомендательные системы решают задачу классификации: «этому профилю кожи подходит продукт X из каталога». Генеративная модель решает задачу оптимизации: «какая комбинация из 15–20 разрешённых активов в каких пропорциях даёт максимальный ожидаемый эффект при нулевом риске несовместимости». На входе — тот же цифровой профиль кожи (текстура, себометрия, гидратация, история реакций), но на выходе не название продукта, а числовой вектор: например, Niacinamide 4%, Sodium Hyaluronate 1%, Panthenol 3%, база до 100%. Такой подход тестируется в лабораторных пилотах у нескольких крупных производителей (по данным Guo et al., 2022, генеративные модели на основе рецептурных баз данных предсказывают стабильные комбинации активов с точностью, сопоставимой с решениями формуляторов-людей на ограниченных категориях — увлажняющие эмульсии и сыворотки с антиоксидантами).

3D-печать: от концепта к полке

3D-печать косметики уже не футуристическая метафора — экструзионные принтеры для полутвёрдых текстур (бальзамы, маски, стики) работают с вязкостью 5000–50000 мПа·с и позволяют послойно наносить разные активы в одном изделии: например, зону с повышенной концентрацией Salicylic Acid в Т-зоне маски и зону с Ceramide NP по периферии лица. Температурные режимы печати ограничены термочувствительностью активов: большинство пептидов и витамина C в форме Ascorbic Acid не переносят экструзию выше 40°C, что заставляет производителей переходить на стабильные производные — Sodium Ascorbyl Phosphate или Ascorbyl Glucoside, устойчивые до 60–70°C.

Что должно созреть в биотехнологиях

Генеративная персонализация тормозится не столько мощностью моделей, сколько ограничениями химии и биотеха. Три узких места:

• Стабильность на малых объёмах. Микро-батч без консервантной системы, рассчитанной на промышленный масштаб, портится быстрее — нужны новые протоколы подбора консервантов (например, комбинации Phenoxyethanol с Ethylhexylglycerin) под объём 10–50 мл с учётом срока использования 2–4 недели.
• Биосенсоры для входных данных. Точность генеративной формулы прямо зависит от точности профиля кожи: развитие носимых биосенсоров (измерение TEWL, pH, микробиома в реальном времени) должно догнать амбиции алгоритмов.
• Регуляторная база. Косметическое законодательство (в ЕС — Regulation 1223/2009) писалось под серийное производство с фиксированным составом; для формул, которые меняются под каждого клиента, пока нет чёткого протокола сертификации безопасности каждой уникальной партии.

Реалистичный горизонт для массового перехода от рекомендации к производству на заказ — 5–8 лет, и первыми это освоят не масс-маркет бренды, а нишевые дерматологические клиники и премиальные лаборатории, где стоимость единичного микро-батча оправдана медицинской точностью. Специалистам, которые сегодня учатся формулировать вручную, эта тенденция не угрожает — она меняет роль: от создания одной формулы для тысяч людей к настройке правил, по которым алгоритм создаёт тысячи формул для одного человека.

Заключение: доверять алгоритму или своей коже

За девять разделов мы прошли путь от фотографии кожи до производственной линии, способной собрать сыворотку под конкретный набор данных. Но итоговый вопрос всегда один: кто принимает решение о том, что окажется на лице — модель или человек. Ответ не бинарный. Алгоритм точен в том, что измеримо: концентрация Niacinamide, совместимость Retinol и AHA, pH-окно для стабильности Ascorbic Acid. Он слеп в том, что требует контекста — гормонального фона, беременности, приёма изотретиноина, психологического отношения человека к текстуре и запаху продукта.

Что алгоритм делает лучше человека

Нейросеть не устаёт сверять десятки параметров одновременно и не подвержена когнитивным искажениям типа «этот ингредиент модный, значит хороший». Она держит в памяти всю таблицу совместимости активов и пересчитывает формулу за секунды, если меняется хотя бы один входной параметр — влажность в регионе, сезон, новый анализ себуметрии. Человеку физически сложно удерживать в голове одновременно 40+ переменных INCI-совместимости при каждой консультации.

Практическая модель: алгоритм как черновик, человек как редактор

Рабочая схема, которая складывается из всего разобранного материала, выглядит так: ИИ формирует гипотезу состава на основе цифрового профиля кожи и заявленной задачи, а специалист — косметолог, дерматолог или сам пользователь с достаточной грамотностью — вносит поправки, которые модель не могла учесть. Это не отличается от того, как работает GPS-навигатор: он предлагает маршрут по данным карты и трафика, но водитель видит перекрытую дорогу, которой нет в базе, и корректирует путь вручную.

• Шаг 1. Алгоритм анализирует фото и опросник, выдаёт 2–3 варианта формулы с указанием ключевых активов и их процентовки.
• Шаг 2. Косметолог или пользователь проверяет вариант на очевидные несовместимости с текущим уходом — например, уже используемый Tretinoin по рецепту, о котором алгоритм может не знать.
• Шаг 3. Проводится патч-тест на внутренней стороне предплечья в течение 48 часов независимо от того, насколько «безопасным» алгоритм назвал состав.
• Шаг 4. Отклик кожи фиксируется и возвращается в систему как новый датапоинт для следующей итерации рекомендации.

Что это значит для тех, кто формулирует и продаёт косметику

Для специалистов, разрабатывающих составы, ИИ-подбор — это не угроза профессии, а расширение инструментария, сравнимое с переходом от ручных расчётов эмульсий к программному моделированию стабильности. Понимание того, как модель интерпретирует данные о коже и почему она иногда ошибается (см. раздел об ограничениях), становится частью базовой грамотности формулятора — так же, как знание химии эмульгаторов или температурных режимов фазы А и Б.

Итоговая позиция, которая выдерживает проверку и данными, и практикой: алгоритму можно доверять расчёт совместимости и первичный подбор концентраций, но финальным арбитром безопасности и комфорта остаётся человек — либо специалист с медицинским образованием, либо сам пользователь, вооружённый пониманием собственной кожи и базовыми принципами химии активов. Технология сокращает путь угадывания, но не отменяет необходимость слушать реакцию кожи здесь и сейчас — она обновляется быстрее, чем любая модель успевает переобучиться.

Подобрать активы — только начало; дальше нужна проверка совместимости и рабочих концентраций. ИИ-Химик в Клубе Формула крема делает это на основе проверенной INCI/CosIng-базы, а не догадок, и подсказывает, где активы конфликтуют. Хотите освоить подбор системно — в клубе есть программа с живым преподавателем.