DeepAds Advertising

Während sich Verbraucher immer mehr neuen digitalen Kanälen zuwenden, tun sich die Marken von heute zunehmend schwer damit, effektive Marketing-Kampagnen durchzuführen. Um das richtige Publikum zur richtigen Zeit und an jedem Ort zu erreichen, müssen Unternehmen Echtzeit-“Rich Data“ verwenden, um hoch relevante, effektive und messbare Werbung zu liefern. Das Zeitalter der intelligenten Werbung ist angebrochen. Neben der größeren Menge an Kundendaten, die Vermarktern zur Verfügung stehen, sehen wir in vielen Branchen auch einen erstaunlichen Anstieg beim Einsatz von Machine Learning. DeepLens stellt eine perfekte Überschneidungschance für diese beiden Trends dar und ermöglicht es Vermarktern, auf Basis von Echtzeit-Videodaten Werbung noch gezielter zu schalten. Der Follow-On-Effekt dieser zielgerichteten Werbung kann für Marken in vielen Bereichen ihrer Wertschöpfungskette Vorteile liefern.

Um diese Chance zu nutzen, erschufen wir DeepAds.

DeepAds ist eine Werbeplattform, die Echtzeit-Targeting von Verbrauchern basierend auf einer Reihe von eindeutigen und erlernten Merkmalen ermöglicht. Abhängig davon, welche Person sich im DeepLens-Frame befindet und welche Merkmale sie aufweist, zeigt DeepAds dann die relevanteste Werbung an.

Unsere aktuelle Implementierung von DeepAds unterscheidet Verbraucher auf Basis ihres Geschlechts. Daher werden unterschiedliche Variationen von Produktwerbung für Frauen und Männer angezeigt. In Abschnitt 7 erfahren Sie mehr darüber, wie wir Geschlechterstereotypen verhindern würden.

Entwickelt von: Tristan Sternson, Qionghua Wang, Gunel Gulmammadova, Wei Sun und Joshua Kenzie

Nach Erhalt der DeepLens führten wir einen kurze Untersuchung durch, um die Grundfunktionen der DeepLens nachzuvollziehen. Mit DeepLens können wir in nur wenigen, einfachen Schritten Deep-Learning-Modelle lokal ausführen und verstehen, was die Kamera sieht. Das Team führte dann Brainstorming-Sitzungen zu möglichen Problemen durch, die mithilfe der Deep-Learning-Fähigkeiten von DeepLens gelöst werden können. Es gibt viele mögliche Einsatzfelder. Wir waren jedoch an der Idee interessiert, die Gesichtserkennungstechnologien für besser ansprechende Werbung und Verbrauchererfahrungen zu nutzen. Diesem Konzept verliehen wir den Namen „DeepAds“.

Indem die DeepLens vor Werbeflächen oder -bildschirmen positioniert wird und mithilfe von Gesichtserkennung und maßgeschneiderten Deep-Learning-Modellen Gesichtsmerkmale extrahiert, können Vermarkter ihr Publikum besser verstehen und den Werbeerfolg bei bestimmten Zielgruppen messen. Eine lange Liste von Merkmalen kann in das Deep-Learning-Modell eingespeist werden und dabei helfen, die Merkmale eines Verbrauchers zu ermitteln. Um das Projekt rechtzeitig abzuschließen und den Zweck von DeepAds demonstrieren zu können, entschieden wir uns für das Geschlecht als Klassifizierungsausgabe.

DeepAds enthält die folgenden Hauptkomponenten:

1. Bereitstellungs-Framework mit Greengrass
2. Deep-Learning-Modul mit Amazon SageMaker
3. Ads Controller mit AWS Lambda
   
   

Es folgt eine detaillierte Erläuterung jeder Komponente:

1. Bereitstellungs-Framework: Wir befolgten die Anweisungen der AWS DeepLens-Dokumentation und nutzten den Service AWS GreenGrass zur Bereitstellung einer Lambda-Funktion und eines Modells auf dem Gerät. Wir richteten dann eine lokale Entwicklungsumgebung für die Lambda-Funktion ein, um den Entwicklungsprozess zu beschleunigen.

2. Deep-Learning-Modul: Wir bereiteten zunächst die Trainingsdaten mit 2000 Fotos vor, die wir mit dem Geschlecht der gezeigten Person kategorisierten und auf AWS S3 hochluden. Nach einer Formatierung mit MXNet RecordIO trainierten wir dann das Geschlechtsklassifizierungsmodell auf SageMaker. Wir nutzten einen kleinen Datensatz, um die Trainingszeit für die Geschlechtserkennung zu verkürzen. Dies kann zu niedriger Genauigkeit führen. Basierend auf unseren Studien sollte die Genauigkeit der Geschlechtserkennung mit einem größeren Datensatz und besser abgestimmten Modell 90 %* erreichen können. Wir nutzten das Python-Modul „awscam“, um das Modell in DeepLens zu laden. Die neueste Version des Intel DeepLearning Deployment Toolkit ist auf dem DeepLens-Gerät installiert und wurde zur Optimierung des MXNet-Geschlechtsmodells verwendet.

3. Ads Controller: Um das Konzept und die Möglichkeiten der zielgerichteten Werbung zu veranschaulichen, definierten zwei Arten von Videoausgabestreams für das Projekt. Einer davon ist der „Werbebildschirm“ und der andere ist der Livestream-“Analysebildschirm“. Auf dem Analysebildschirm werden die erkannten Informationen auf dem Eingabe-Videostream gezeichnet. Aktuell werden ein Begrenzungsrahmen für die Gesichtserkennung, die Anzahl der Personen und eine Liste möglicher Merkmale gezeichnet. In Zukunft kann auch ein Echtzeit-Analysebericht generiert werden. Der Werbebildschirm zeigt die zielgerichtete Werbung basierend auf der Zielgruppe. Wir gestalteten drei unterschiedliche Werbebilder, um jeweils weibliche, männliche und Gruppen von Personen anzusprechen. Wenn sich die Personen vor der DeepLens ändern, wechselt auch der Werbebildschirm zum relevanten Bild. Aktuell wird der Videoausgabe-Stream des Projekts wiederverwendet. Es kann sich aber auch um ein anderes Gerät oder einen anderen Bildschirm mit einer AWS IoT-Verbindung handeln.