Lampeggiante per la pubblicità

Qualsiasi cosa sia tecnicamente fattibile, la gente la farà. È quanto accade anche in Giappone, paese amante della tecnologia, dove l'anno scorso quattro aziende operanti nei settori della pubblicità, dell'archiviazione dei dati, della tecnologia cloud e dell'intelligenza artificiale hanno unito le forze per portare avanti un progetto unico al mondo: Sviluppare un sistema per la pubblicità esterna basato su Apprendimento profondo o intelligenza artificiale. L'idea alla base del progetto era quella di consentire campagne pubblicitarie che raggiungessero gruppi specifici al momento giusto con il messaggio pubblicitario adatto a loro. In questo caso, il sistema, che ora è pronto per l'uso, riconosce i tipi di veicoli durante la guida e presenta ai conducenti la pubblicità appropriata su grandi cartelloni pubblicitari all'aperto in tempo reale. Il primo "cartellone intelligente" è in fase di costruzione nel quartiere Roppongi di Tokyo e molti altri saranno pronti per l'uso già nel 2017.

Il progetto coinvolge quattro aziende:

Dentsu è una delle più grandi società di pubblicità e PR del mondo. Approfondimento intelligente offre soluzioni per l'integrazione e l'analisi dei dati. Cloudian offre soluzioni intelligenti di archiviazione dei dati per applicazioni big data e per la gestione dei dati. Tecnologia cloud Quanta offre hardware IT, tra cui server ad alte prestazioni e apparecchiature IoT.

Deep learning e big data come nucleo delle future tecnologie pubblicitarie

Molti progetti basati sull'intelligenza artificiale e sull'apprendimento profondo richiedono e generano una grande quantità di dati. Tuttavia, le attuali tecnologie di archiviazione non consentono una gestione soddisfacente dei dati. Non si tratta tanto dell'archiviazione vera e propria, ma soprattutto di utilizzare i dati in modo sensato e di supportare le applicazioni con i dati in tempo reale. Un compito che i progetti ad alta intensità di dati non sono ancora riusciti a risolvere. Cloudian, produttore di soluzioni di storage software-defined, e Smart Insight, azienda leader nell'analisi dei dati, si sono uniti all'inizio dello scorso anno per sviluppare una soluzione pratica a questo problema. Dentsu, una delle principali agenzie pubblicitarie al mondo specializzata in deep learning, è stata invitata a partecipare al progetto come terza parte. I dati dovevano essere raccolti riconoscendo i tipi di veicoli, al fine di utilizzare i risultati per le campagne pubblicitarie all'aperto. Quanta Cloud Technology (QCT) e Intel hanno fornito l'hardware necessario.

Insieme, hanno creato un progetto per testare la combinazione delle rispettive tecnologie, che si è svolto dall'inizio di febbraio a dicembre 2016 e che aveva lo scopo di rendere possibili campagne pubblicitarie outdoor mirate. Mai prima d'ora tecnologie così pionieristiche come il deep learning, il software-defined storage e una rete IoT erano state riunite in questa forma. L'avventuroso evento si è svolto sull'autostrada cittadina di Tokyo. Nell'ambito del progetto, il sistema ha riconosciuto con successo diverse centinaia di modelli di auto e ha fornito i dati corrispondenti.

Il sistema pubblicitario del futuro?

La configurazione di prova per il progetto si è basata su una telecamera per tutte le stagioni con un teleobiettivo. Questo permette di rilevare i veicoli fino a 800 metri di distanza. La telecamera è stata installata su un'autostrada urbana di Tokyo e collegata a un sistema informatico che esegue il software di riconoscimento, che analizza le immagini fornite e le utilizza per determinare il modello del veicolo e la sua velocità in un solo secondo. Per identificare i veicoli, il sistema di riconoscimento ha dovuto essere alimentato con una serie di dati iniziali. Questi dati provenivano da un sistema separato, alimentato con migliaia di immagini di auto provenienti da un database di auto usate e continuamente incrementato con immagini di auto riconosciute dal video del sistema di riconoscimento.

Il nuovo sistema funziona così: Una volta che il sistema di riconoscimento ha identificato un modello dal database come target pubblicitario, attiva un annuncio su uno schermo pubblicitario esterno a LED, che rimane visibile per cinque secondi. Questa catena di informazioni apre all'industria pubblicitaria opportunità senza precedenti per indirizzare i clienti in modo più efficace rispetto alle tradizionali campagne pubblicitarie all'aperto, che comportano molti sprechi.

Una singola immagine del video che mostra il riconoscimento parallelo di un'Audi A4 Avant e di un "furgone per le consegne".

Sebbene sia teoricamente possibile, nella fase di test il sistema è programmato per riconoscere solo i modelli di auto e non le caratteristiche dei conducenti o le targhe, il che avrebbe ovviamente gravi implicazioni per la privacy dei cittadini ripresi. Oltre ai modelli di auto, il sistema può anche misurare automaticamente la densità del traffico e la velocità media di percorrenza. Queste informazioni possono essere utilizzate anche per le informazioni sul traffico o per l'ottimizzazione del traffico e, naturalmente, sono importanti anche per l'industria pubblicitaria, che può determinare il valore mediatico dei propri messaggi collocati sulle strade in modo più accurato rispetto ai metodi precedenti. I criteri per il successo del progetto sono stati l'accuratezza del rilevamento e la sua latenza, nonché il numero di posizionamenti pubblicitari riusciti.

Possibili scenari per la pubblicità esterna basata sulle tecnologie di deep learning

L'industria pubblicitaria si è dimostrata estremamente creativa fin dalla sua nascita. Le possibilità di un sistema con deep learning sono praticamente illimitate e offrono numerosi scenari di applicazione futura. Ad esempio, se il sistema riconosce un camion verso la fine della giornata, potrebbe essere visualizzata la pubblicità di una bevanda energetica, insieme al messaggio "È stata una giornata lunga e dura, vero?". Oppure il sistema riconosce un nuovo modello del segmento del lusso e visualizza una pubblicità di mazze da golf o di un marchio di orologi di lusso. Se viene identificato un modello più vecchio, potrebbe apparire la pubblicità di un modello più recente di un concorrente, oppure quella di un rivenditore di auto usate che acquista i modelli più vecchi. Le case automobilistiche potrebbero persino visualizzare in tempo reale il prezzo dell'assicurazione per un determinato modello. Alla base di tutti questi scenari c'è il deep learning, che è in grado di riconoscere un modello indipendentemente dalla velocità, dal colore, dalle modifiche o dai danni subiti.

Il progetto è stato completato con successo nel dicembre 2016 dopo undici mesi di test. La base del sistema di deep learning, che inizialmente consisteva solo in immagini di auto usate, è stata ampliata nel tempo con un numero sempre maggiore di immagini tratte dal video, migliorando costantemente la precisione del riconoscimento. Durante il test è emerso anche un problema tecnico: Il tasso di identificazione delle auto è stato finora significativamente inferiore di notte rispetto al giorno.

Che ruolo ha lo storage software-defined nei progetti di deep learning?
In linea di principio, la memorizzazione passiva dei dati per una successiva analisi non è difficile. Tuttavia, è necessario uno sforzo significativamente maggiore per poter utilizzare questi dati. Questo diventa ancora più difficile se deve essere fatto in tempo reale. L'obiettivo è quindi quello di generare dati intelligenti da dati semplici.

Le sfide tecniche per il sistema di archiviazione sono enormi. Le riprese continue producono un'enorme quantità di dati che richiedono un'archiviazione efficiente e devono garantire un facile accesso ai dati per il software di riconoscimento. I dati devono inoltre essere elaborati in modo intelligente, in modo che anche le applicazioni possano utilizzarli. In altre parole, devono essere utilizzabili come dati intelligenti. Per realizzare il deep learning in questo sistema, Cloudian ha sviluppato lo storage per fornire i dati master, costituiti da un'enorme quantità di immagini di automobili, all'ambiente di deep learning. I dati master vengono costantemente ampliati, il che migliora ulteriormente la precisione di riconoscimento del deep learning. L'archivio di oggetti è basato sul software Cloudian HyperStore e su server standard e all'inizio ospitava più di 23.000 immagini di oltre 230 modelli. Nel corso del progetto, il numero di modelli riconosciuti è cresciuto fino a oltre 300, con un numero altrettanto elevato di immagini di questi modelli. Inoltre, la memoria degli oggetti memorizza il video completo e tutti i dati statistici come il numero di auto, la velocità di guida, i modelli all'ora e altri dati potenzialmente importanti per gli inserzionisti. Per migliorare l'accuratezza e la velocità del riconoscimento attraverso "tentativi ed errori", è necessario regolare costantemente parametri quali i tipi di immagine e la qualità dell'immagine. A tal fine, viene generata una grande quantità di dati e solo i sistemi di archiviazione dati intelligenti basati sul moderno object storage possono gestire in modo efficiente tali volumi di dati.

Deep learning per la pubblicità. Un modello per il futuro?

Dopo aver completato con successo il progetto, i partecipanti hanno preparato la tecnologia per l'uso pratico in vari settori e il primo cartellone pubblicitario intelligente in Giappone non sarà certamente l'unico. L'intelligenza artificiale e l'apprendimento profondo sono migliorati costantemente negli ultimi anni e i sistemi basati su queste tecnologie riconoscono non solo le automobili ma anche le persone. Anche se questo ha già scatenato un dibattito etico e solleva questioni sulla privacy delle persone, in futuro sarà possibile per gli inserzionisti riconoscere i clienti nei centri commerciali e almeno assegnarli a diversi gruppi target. Le applicazioni che svolgono compiti per le persone sono già entrate nelle nostre vite. Siri, Cortana e Alexa sono il risultato di progetti di deep learning per il riconoscimento vocale. Le auto a guida autonoma si basano molto sul riconoscimento degli oggetti per orientarsi nel traffico. I medici hanno bisogno dell'aiuto delle macchine per riconoscere le cellule tumorali su migliaia di immagini generate al computer dopo una TAC.

Indipendentemente dall'applicazione, tutte queste tecnologie richiedono enormi quantità di dati che devono essere in qualche modo immagazzinati e trasformare i bit e i byte muti in "dati intelligenti". Solo soluzioni di archiviazione molto avanzate possono consentire l'apprendimento profondo e contribuire a rendere la vita più conveniente per le persone - la pubblicità personalizzata è solo il primo passo. (pd/hae)