Pubblicità DeepAds

Con l’aumento capillare di nuovi canali digitali destinati ai consumatori, i marchi contemporanei trovano sempre più difficoltà a elaborare campagne di marketing davvero efficaci. Per raggiungere la migliore utenza al momento giusto e in qualsiasi momento, le grandi firme devono poter contare su dati estesi in tempo reale al fine di produrre contenuti pubblicitari che siano estremamente pertinenti, efficaci e misurabili. È giunta l’epoca della pubblicità intelligente. Insieme a un aumento della quantità di dati dei consumatori disponibili agli addetti ai lavori, è possibile riscontrare un incredibile incremento nell’applicazione di machine learning da parte di varie industrie. DeepLens rappresenta l’occasione perfetta per sfruttare entrambe le tendenze, poiché consente ai pubblicitari di indirizzare le inserzioni in modo più efficace e basato su dati provenienti da feed video in tempo reale. L’impiego di tali contenuti mirati potrebbe determinare benefici maggiori per le aziende in vari punti delle rispettive catene di valore.

Sfruttare questa opportunità è l’intento alla base della creazione di DeepAds.

DeepAds è una piattaforma di pubblicità, basata su una serie di caratteristiche distinte e collaudate, che consente di intercettare gli interessi dei consumatori in tempo reale. A seconda di chi si trovi all’interno di DeepLens e delle caratteristiche individuate, DeepAds abbinerà l’inserzione più rilevante.

L’attuale versione di DeepAds distingue i consumatori a seconda del sesso, variando i contenuti pubblicitari per il pubblico maschile e femminile. Consulta la sezione 7 per saperne di più sulle nostre strategie atte a non incorrere in stereotipi di genere.

Creato da: Tristan Sternson, Qionghua Wang, Gunel Gulmammadova, Wei Sun e Joshua Kenzie

Dopo aver ricevuto DeepLens abbiamo condotto una rapida analisi tecnica per verificarne le capacità. DeepLens ci consente di impiegare modelli di apprendimento accurati a livello locale e capire cosa veda la videocamera, il tutto attraverso alcuni semplici passaggi. Successivamente il nostro team ha cercato di capire quali problemi potessimo risolvere sfruttando le efficaci capacità di apprendimento di DeepLens. Esistono molte possibili applicazioni, tuttavia la più interessante prevede l’utilizzo delle tecnologie di riconoscimento facciale al fine di ottenere un coinvolgimento maggiore dal parte del consumatore nonché veicolare una migliore fruizione delle inserzioni: da qui il nome DeepAds.

Collocando DeepLens innanzi al pannello o allo schermo pubblicitario e avviando il riconoscimento facciale nonché efficaci modelli di apprendimento personalizzati per analizzare le caratteristiche del viso, DeepAds consente ai pubblicitari di acquisire una maggiore comprensione della propria utenza e analizzare il rendimento delle inserzioni in relazione a specifici segmenti di pubblico. È lunga la lista degli elementi potenzialmente utili a individuare le caratteristiche dei consumatori e pertanto integrabili nei modelli di apprendimento. Per realizzare il progetto nei tempi previsti e dimostrare la validità di DeepAds abbiamo scelto il sesso quale parametro di classificazione.

Di seguito sono elencati i macro componenti contenuti in DeepAds:

1. Struttura distributiva con Greengrass
2. Modulo di apprendimento approfondito con Amazon SageMaker
3. Ads Controller con AWS Lambda
   
   

Ciascun componente è illustrato nel dettaglio come segue:

1. Struttura distributiva: ci siamo attenuti alle istruzioni ricavate dalla documentazione AWS DeepLens e abbiamo utilizzato il servizio AWS GreenGrass per implementare una funzione e un modello Lambda nel dispositivo. Successivamente provvediamo a impostare un ambiente di sviluppo locale per la funzione lambda al fine di accelerare il processo di sviluppo.

2. Modulo di apprendimento approfondito:  in primo luogo abbiamo predisposto i dati preliminari, consistenti in 2000 foto etichettate in base al sesso e caricate in AWS S3. Una volta eseguita la formattazione mediante MXNet RecordIO abbiamo caricato il modello di classificazione in base al sesso su SageMaker. Abbiamo utilizzato un piccolo dataset per accelerare il tempo di apprendimento per il riconoscimento in base al sesso e ottenere in tal modo la massima precisione possibile. Sulla base degli studi effettuati, la precisione di riconoscimento del sesso dovrebbe raggiungere il 90% grazie all’impiego di dataset più estesi e modelli maggiormente accurati. Abbiamo utilizzato un modulo phyton “awscam” per caricare il modello su DeepLens. L’ultima versione di Intel DeepLearning Deployment Toolkit è installata sul dispositivo DeepLens e utilizzata per ottimizzare il modello MXNet basato sul sesso.

3. Ads Controller:per dimostrare il concetto e l’utilità delle inserzioni mirate abbiamo definito due tipologie di flusso in entrata di matrice video, ovverosia la “Schermata delle inserzioni” e la “Schermata di analisi”, quest’ultimo in tempo reale. La schermata di analisi riproduce le informazioni rilevate sulla parte alta del flusso video in ingresso. Attualmente riproduce un rettangolo di selezione per il riconoscimento facciale, il numero delle persone e un elenco delle potenziali caratteristiche. In futuro potrà inoltre generare un rapporto analitico in tempo reale. La schermata delle inserzioni mostra i contenuti pubblicitari mirati sulla base del pubblico. Abbiamo sviluppato tre diverse immagini pubblicitarie per intercettare gruppi di utenti di entrambi i sessi in modo rappresentativo. Al variare degli utenti all’interno di DeepLens corrisponderà un cambio di schermata, sulla quale verrà mostrata l’immagine pertinente. Attualmente la schermata delle inserzioni riutilizza il flusso video in uscita, tuttavia lo stesso risultato può essere ottenuto tramite un dispositivo o uno schermo connesso da AWS IoT.