Publicité via DeepAds

Face à l’adoption par les clients d’une multiplicité de nouveaux canaux numériques, les marques modernes peinent de plus en plus à organiser des campagnes marketing efficaces. Pour atteindre les bons publics au bon moment et où qu’ils se trouvent, ces marques doivent s’appuyer sur des données en temps réel riches en informations pour produire des publicités hautement pertinentes, efficaces et mesurables. Bienvenue à l’ère de la publicité intelligente ! La hausse du nombre de données clients disponibles pour les spécialistes du marketing se conjugue actuellement avec la croissance exponentielle de l’utilisation du Machine Learning dans un certain nombre de secteurs. DeepLens constitue la solution idéale pour concilier ces deux tendances, ce qui permet aux spécialistes du marketing de réaliser des publicités encore plus ciblées, sur la base de flux de données vidéo fournis en temps réel. Les retombées de ces publicités ciblées peuvent profiter largement aux marques dans plusieurs segments de leur chaîne de valeur.

Pour tirer pleinement parti de cette opportunité, nous avons créé DeepAds.

DeepAds est une plateforme de publicité permettant un ciblage en temps réel de clients en fonction d’un ensemble de caractéristiques particulières et acquises. DeepAds s’appuie sur la personne présente dans la trame DeepLens et sur ses caractéristiques pour générer la publicité la plus pertinente qui soit.

Dans son implémentation actuelle, DeepAds distingue les clients suivant leur sexe, ce qui permet de générer des variables de publicités de produits spécifiquement tournées vers les femmes ou les hommes. Pour en savoir plus, consultez la section 7 sur nos mesures de lutte contre les stéréotypes sexuels.

Créé par : Tristan Sternson, Qionghua Wang, Gunel Gulmammadova, Wei Sun et Joshua Kenzie

Après avoir reçu DeepLens, nous avons réalisé un test technique rapide pour en connaître les fonctionnalités de base. DeepLens nous permet d’exécuter localement des modèles de Deep Learning et de comprendre les scènes que filme la caméra, et ce grâce à des étapes simples. Notre équipe a ensuite axé la réflexion sur les problèmes que nous pouvons résoudre à l’aide des fonctionnalités Deep Learning de DeepLens. Plusieurs applications possibles ont été identifiées. Cependant, celle qui a le plus retenu notre attention est le fait d’utiliser les technologies de reconnaissance faciale pour optimiser l’engagement publicitaire et les expériences clients : nous avons appelé ce concept DeepAds.

En plaçant DeepLens devant le panneau ou l’écran publicitaire et en exécutant les modèles de Deep Learning personnalisés et la détection faciale pour extraire des caractéristiques faciales, DeepAds aide les spécialistes du marketing à mieux comprendre leurs publics et à mieux évaluer les performances de leurs publicités au sein de segments de publics spécifiques. Il existe plusieurs caractéristiques susceptibles d’aider à identifier les caractéristiques de clients et d’alimenter un modèle de Deep Learning. Pour réaliser le projet à temps et pour permettre à DeepLens de démontrer l’objectif de DeepAds, nous avons choisi le sexe comme élément de classification.

Les composants clés de DeepAds sont :

1. Framework de déploiement avec Greengrass
2. Module de Deep Learning avec Amazon SageMaker
3. Contrôleur de publicités avec AWS Lambda
   
   

Les explications détaillées de chaque composant sont fournies ci-dessous :

1. Framework de déploiement : nous nous sommes appuyés sur les instructions contenues dans la documentation d’AWS DeepLens et sur le service AWS Greengrass pour déployer une fonction et un modèle Lambda sur l’appareil. Nous avons ensuite configuré un environnement de développement local pour la fonction Lambda, afin d’accélérer le processus de développement.

2. Module Deep Learning : pour commencer, nous avons préparé les données de formation à partir de 2 000 photos, marquées du sexe de la personne photographiée, puis nous les avons chargées sur AWS S3. Après avoir procédé au traitement avec MXNet RecordIO, nous avons formé le modèle de classification par sexe sur SageMaker. Nous avons utilisé un petit ensemble de données pour accélérer le délai de formation pour la reconnaissance par sexe, ce qui aurait pu générer un faible niveau de précision. Selon les études, la reconnaissance par sexe doit pouvoir atteindre un niveau de précision de 90 %* avec des ensembles de données plus grands et des modèles mieux ajustés. Nous avons utilisé le module Python « awscam » pour charger le modèle sur DeepLens. Une dernière version de l’outil de déploiement Deep Learning d’Intel est installée sur l’appareil DeepLens et permet d’optimiser le modèle par sexe de MXNet.

3. Contrôleur de publicités : pour démontrer le concept et la fonctionnalité de publicités ciblées, nous avons défini deux types de flux de sortie vidéo pour le projet, dont l’un est l’« écran publicitaire » et l’autre l’« écran d’analyse » du flux en direct. L’écran d’analyse collecte les informations détectées dans la partie supérieure du flux vidéo d’entrée. Actuellement, il recueille le cadre de délimitation de la détection faciale, le décompte des personnes et la liste des caractéristiques potentielles. Il pourra ultérieurement générer un rapport d’analyse en temps réel. L’écran publicitaire affiche la publicité ciblée en fonction du public. Nous avons conçu trois images publicitaires différentes afin de cibler un public féminin, un public masculin et un groupe de publics, et ce de façon représentative. Lorsque le public devant DeepLens change, l’écran publicitaire affiche l’image correspondante. Actuellement, nous réutilisons le flux de sortie vidéo du projet. Toutefois, il convient de noter qu’il peut s’agir d’un autre appareil ou d’un autre écran connecté via AWS IoT.