Flashé pour la publicité

Quoi qu'il soit techniquement possible de faire, les gens le font. C'est également le cas au Japon, pays féru de technologie, où quatre entreprises spécialisées dans la publicité, le stockage de données, la technologie cloud et l'intelligence artificielle se sont associées avec succès l'année dernière pour faire avancer un projet unique au monde : Développer un système de publicité extérieure basé sur les technologies suivantes Apprentissage profond ou de l'intelligence artificielle. L'idée derrière le projet était de rendre possible des campagnes publicitaires qui atteignent certains groupes cibles au bon moment avec le message publicitaire qui leur convient. Dans le cas présent, le système désormais opérationnel reconnaît les types de véhicules pendant le trajet et présente aux conducteurs la publicité appropriée sur de grandes surfaces publicitaires extérieures en temps réel. Le premier "billbord intelligent" est actuellement en construction dans le quartier de Roppongi à Tokyo et de nombreux autres sont en cours de planification pour être opérationnels dès 2017.

Quatre entreprises participent au projet :

Dentsu est l'une des plus grandes entreprises de publicité et de relations publiques au monde. Smart Insight propose des solutions d'intégration et d'analyse de données. Cloudian offre des solutions intelligentes de stockage de données pour les applications Big Data et Quanta Cloud Technology propose du matériel informatique, y compris des serveurs à haute performance et des équipements IoT.

Deep learning et big data en germe pour les futures technologies publicitaires

De nombreux projets basés sur l'intelligence artificielle et l'apprentissage profond nécessitent et génèrent une très grande quantité de données. Or, les technologies de stockage courantes ne permettent pas une gestion satisfaisante des données. Il ne s'agit pas tant du stockage proprement dit que de l'utilisation judicieuse des données et du soutien des applications par des données en temps réel. Une tâche que les projets à forte intensité de données n'ont pas encore réussi à résoudre. Cloudian, fabricant de solutions de stockage définies par logiciel, et Smart Insight, une entreprise leader dans le domaine de l'analyse des données, s'étaient réunis au début de l'année dernière pour développer une solution pratique à ce problème. Dentsu, l'une des agences de publicité les plus importantes au monde et engagée dans le deep learning, a été invitée à participer au projet. La collecte de données devait se faire par la reconnaissance de types de véhicules afin d'utiliser les connaissances pour des campagnes de publicité extérieure. Quanta Cloud Technology (QCT) et Intel ont fourni le matériel nécessaire.

Ensemble, ils ont créé un projet pour tester la combinaison des technologies respectives, qui s'est déroulé de début février à décembre 2016 et qui devait permettre de réaliser des campagnes de publicité extérieure ciblées. Jamais auparavant des technologies d'avenir telles que le deep learning, le stockage défini par logiciel et un réseau IoT n'avaient été réunies sous cette forme. L'aventure s'est déroulée sur l'autoroute urbaine de Tokyo. Dans le cadre du projet, le système a reconnu avec succès plusieurs centaines de modèles de voitures et a fourni les données correspondantes.

Le système publicitaire du futur ?

La structure de test du projet était basée sur une caméra tous temps avec une lentille téléphonique. Celle-ci permet de détecter des véhicules jusqu'à 800 mètres de distance. La caméra a été installée sur une autoroute urbaine de Tokyo et connectée à un système informatique qui exécute le logiciel de reconnaissance, analyse les images fournies et détermine le modèle du véhicule et la vitesse de circulation en une seconde seulement. Pour identifier les véhicules, ce système de reconnaissance devait être alimenté par un premier ensemble de données. Ces données provenaient d'un système séparé, alimenté par des milliers d'images de voitures provenant d'une base de données de voitures d'occasion et continuellement enrichi par des images de voitures reconnues provenant de la vidéo du système de reconnaissance.

Le nouveau système fonctionne ainsi : Lorsque le système de reconnaissance a identifié un modèle de la base de données comme cible pour la publicité, il déclenche une publicité sur un écran de publicité extérieure LED, qui est ensuite visible pendant cinq secondes. Cette chaîne d'information ouvre des possibilités inédites à l'industrie publicitaire pour s'adresser aux clients de manière plus efficace qu'avec les campagnes de publicité extérieure traditionnelles, qui présentent de nombreuses pertes de diffusion.

Une image unique de la vidéo avec la reconnaissance parallèle d'une Audi A4 Avant et d'une "camionnette".

Bien que cela soit théoriquement possible, le système n'est programmé, dans sa phase de test, que pour reconnaître les modèles de voitures et non les caractéristiques des conducteurs ou des plaques d'immatriculation, ce qui aurait bien entendu de sérieuses conséquences sur la vie privée des citoyens filmés. Outre les modèles de voitures, le système peut également mesurer automatiquement la densité du trafic et la vitesse moyenne des véhicules. Ces informations peuvent ensuite être utilisées pour des informations sur le trafic ou l'optimisation du trafic et sont bien entendu importantes pour l'industrie publicitaire afin de déterminer la valeur médiatique de leurs messages placés sur les routes de manière plus précise qu'avec les méthodes utilisées jusqu'à présent. Les critères de réussite du projet étaient la précision de la détection et sa latence ainsi que le nombre de placements publicitaires réussis.

Scénarios possibles pour la publicité extérieure, basés sur les technologies d'apprentissage en profondeur

Depuis qu'elle existe, l'industrie de la publicité s'est montrée extrêmement créative. Les possibilités d'un système d'apprentissage en profondeur sont pratiquement illimitées et offrent de nombreux scénarios pour leur application future. Par exemple, si le système détecte un camion en fin de journée, il pourrait afficher une publicité pour une boisson énergisante, accompagnée du message "La journée a été longue et difficile, non ?". Ou bien le système identifie un nouveau modèle du segment de luxe et affiche en conséquence une publicité pour des clubs de golf ou une marque de montres de luxe. Si un modèle plus ancien était identifié, une publicité pour un modèle plus récent d'un concurrent pourrait apparaître ou l'annonce d'un concessionnaire de voitures d'occasion qui achète des modèles plus anciens. Les assureurs automobiles pourraient même afficher le prix de l'assurance d'un modèle particulier en temps réel. La base de tous ces scénarios est le deep learning, qui peut reconnaître un modèle, quelle que soit sa vitesse, sa couleur, s'il a été modifié ou même endommagé.

Le projet s'est achevé avec succès en décembre 2016, après onze mois de tests. La base du système de deep learning, qui ne comprenait au départ que des images de voitures d'occasion, s'est enrichie au fil du temps d'un nombre croissant d'images vidéo, ce qui a permis d'améliorer constamment la précision de la reconnaissance. Un problème technique est également apparu au cours du test : Le taux d'identification des voitures est jusqu'à présent significativement plus faible la nuit que le jour.

Quel est le rôle du stockage défini par logiciel dans les projets d'apprentissage profond ?
En principe, le stockage passif de données en vue d'une analyse ultérieure n'est pas vraiment difficile. Cependant, il faut beaucoup plus d'efforts pour pouvoir tirer profit de ces données. Cela devient encore plus difficile si cela doit se faire en temps réel. Il s'agit donc de générer des données intelligentes à partir de données simples, c'est-à-dire des données intelligentes.

Les défis techniques posés au système de stockage sont énormes. Le filmage en continu produit une énorme montagne de données qui exige un stockage efficace et qui doit garantir un accès facile aux données pour les logiciels de reconnaissance. Les données doivent en outre être traitées de manière intelligente afin que les applications puissent les utiliser. En d'autres termes, elles doivent être utilisables en tant que données intelligentes. Afin de réaliser le deep learning pour ce système, Cloudian a développé le stockage pour mettre à disposition de l'environnement de deep learning les données de base constituées d'une très grande quantité d'images de voitures. Les données de base sont constamment enrichies, ce qui améliore encore la précision de reconnaissance du deep learning. Le stockage d'objets est basé sur le logiciel HyperStore de Cloudian et sur des serveurs standard et hébergeait au départ plus de 23 000 images de plus de 230 modèles. Au cours du projet, la quantité de modèles reconnus a augmenté à plus de 300, avec un nombre correspondant d'images de ces modèles. En outre, la mémoire d'objets stocke la vidéo complète et toutes les données statistiques telles que le nombre de voitures, la vitesse de circulation, les modèles par heure et d'autres données potentiellement importantes pour les annonceurs. Afin d'améliorer la précision et la vitesse de la reconnaissance par "essais et erreurs", il est nécessaire d'ajuster en permanence les paramètres tels que les types d'images et la qualité des images. Pour y parvenir, de très nombreuses données sont générées et seuls des magasins de données intelligents basés sur un stockage d'objets moderne peuvent gérer efficacement de telles quantités de données.

Le deep learning pour la publicité. Un modèle pour l'avenir ?

Une fois le projet terminé avec succès, les participants au projet ont préparé la technologie pour une utilisation pratique dans différents secteurs et le premier billbord intelligent au Japon ne sera certainement pas le seul. L'intelligence artificielle et le deep learning n'ont cessé de s'améliorer ces dernières années et les systèmes basés sur ces technologies ne reconnaissent pas seulement les voitures, mais aussi les personnes. Bien que cela ait déjà déclenché un débat éthique et soulevé des questions concernant la vie privée des personnes, il sera possible à l'avenir pour les annonceurs de reconnaître les clients dans les centres commerciaux et de les attribuer au moins à différents groupes cibles. Les applications qui effectuent des tâches à la place de l'homme ont déjà trouvé leur place dans notre vie. Siri, Cortana ou Alexa sont le résultat de projets d'apprentissage en profondeur pour la reconnaissance vocale. Les voitures autopilotées s'appuient fortement sur la reconnaissance d'objets pour se frayer un chemin dans le trafic. Les médecins ont besoin de l'aide des machines pour pouvoir reconnaître les cellules cancéreuses sur des milliers d'images générées par ordinateur après une tomographie assistée par ordinateur.

Quelle que soit l'application, toutes ces technologies nécessitent d'énormes quantités de données qui doivent être stockées d'une manière ou d'une autre et transformées en "données intelligentes" à partir de bits et d'octets stupides. Seules des solutions de stockage très avancées peuvent permettre le deep learning et aider à rendre la vie plus confortable pour les gens - la publicité individuelle n'est qu'un premier pas. (pd/hae)