Für die Werbung geblitzt!

Verfasst von Carsten Wunderlich am 13.02.2017 - 08:10

Eine neue Werbelösung vereint künstliche Intelligenz, Internet of Things und Objektspeicher, um Automodelle automatisch zu erkennen und entsprechende Aussenwerbung anzuzeigen.

Was immer technisch machbar ist, die Menschen tun es. So auch im technikverliebten Japan, wo sich im letzten Jahr vier Unternehmen aus den Bereichen Werbung, Datenspeicherung, Cloud-Technologie und Künstliche Intelligenz zusammen getan haben, um ein spezielles Projekt voranzutreiben: Ein System für Aussenwerbung zu entwickeln, basierend auf „Deep Learning“ oder künstlicher Intelligenz. Die Idee hinter dem Projekt sollte Werbekampagnen möglich machen, die bestimmte Zielgruppen zur richtigen Zeit mit der für sie passenden Werbebotschaft erreichen. Im vorliegenden Fall erkennt das nun einsatzfähige System Fahrzeugtypen während der Fahrt und präsentiert den Fahrern die passende Werbung auf grossen Aussenwerbeflächen in Echtzeit. Das erste ‚Smarte Billbord’ entsteht derzeit in Tokios Stadtteil Roppongi und zahlreiche weitere sind in der Planung um bereits noch im Laufe dieses Jahres einsatzbereit zu sein.

Die an dem Projekt beteiligten vier Firmen sind auf ihrem Gebiet jeweils führend:
Dentsu ist eine der grössten Werbe- und PR-Firmen der Welt. Smart Insight bietet Lösungen zur Datenintegration und –analyse. Cloudian bietet intelligente Lösungen zur Datenspeicherung für Big-Data-Anwendungen und Quanta Cloud Technology bietet IT-Hardware an, inklusive hoch performanten Servern und IoT-Ausrüstung.

Deep Learning und Big Data als Keimzelle für künftige Werbetechnologien

Viele Projekte, die auf künstlicher Intelligenz und Deep Learning aufbauen, benötigen und erzeugen eine sehr grosse Menge an Daten. Gängige Speichertechnologien ermöglichen dafür jedoch kein zufriedenstellendes Datenmanagement. Dabei geht es nicht so sehr um die eigentliche Speicherung, sondern vor allem darum, die Daten sinnvoll zu nutzen, und die Anwendungen mit Daten in Echtzeit zu unterstützen. Eine Aufgabe, die datenintensive Projekte bisher nicht lösen können. Cloudian, Hersteller von software-definierten Speicherlösungen und Smart Insight, ein auf Datenanalyse fokussiertes Unternehmen, hatten sich zu Beginn des letzten Jahres zusammengesetzt, um für dieses Problem eine praxisgerechte Lösung zu entwickeln. Als Dritten im Bunde lud man mit Dentsu, eine im Deep Learning engagierte Werbeagentur ein, am Projekt teilzunehmen. Die Datenerhebung sollte über die Erkennung von Fahrzeugtypen erfolgen, um die Erkenntnisse für Aussenwerbekampagnen zu nutzen. Die erforderliche Hardware steuerten Quanta Cloud Technology (QCT) und Intel bei.

Zusammen schuf man ein Projekt um die Kombination der jeweiligen Technologien zu testen, das von Anfang Februar bis Dezember 2016 lief und gezielte Außenwerbekampagnen möglich machen sollte. Nie zuvor wurden solch zukunftsweisende Technologien wie Deep Learning, software-definierte Speicherung und ein IoT-Netzwerk in dieser Form zusammengeführt. Ort des abenteuerlichen Geschehens war die Stadtautobahn in Tokio. Im Rahmen des Projektes erkannte das System erfolgreich mehrere hundert Automodelle und lieferte entsprechende Daten.

Der Testaufbau des Projektes basierte auf einer Allwetter-Kamera mit einer Telefotolinse. Diese ermöglicht es, Vehikel aus bis zu 800 Metern Entfernung zu erkennen. Die Kamera wurde auf einer Stadtautobahn in Tokio installiert und an ein Computersystem angeschlossen, auf dem die Erkennungs-Software läuft, das die gelieferten Bilder analysiert und anhand daran innerhalb nur einer Sekunde das Modell des Fahrzeugs und die Fahrgeschwindigkeit ermittelt. Um Fahrzeuge zu identifizieren, musste dieses Erkennungssystem mit einem ersten Satz an Daten gefüttert werden. Diese Daten stammten aus einem separaten System, das mit tausenden Bildern von Autos aus einer Datenbank für Gebrauchtwagen gespeist wurde und kontinuierlich mit Bildern erkannter Autos aus dem Video des Erkennungssystems erweitert wurde.

Das neue System funktioniert so: Wenn das Erkennungssystem ein Modell aus der Datenbank als Ziel für Werbung identifiziert hat, löst es eine Werbung auf einem LED Aussenwerbebildschirm aus, die anschliessend für fünf Sekunden sichtbar ist. Diese Informationskette eröffnet für die Werbeindustrie ungekannte Möglichkeiten, um Kunden effektiver anzusprechen als mit traditionellen Aussenwerbekampagnen, die viele Streuverluste aufweisen.

Obwohl es theoretisch möglich wäre, ist das System in der Testphase nur daraufhin programmiert Automodelle zu erkennen und keine Merkmale der Fahrer oder der Nummernschilder, was selbstredend ernstzunehmende Auswirkungen auf die Privatsphäre der gefilmten Bürger hätte. Das System kann neben Automodellen automatisch auch noch die Dichte des Verkehrs messen, sowie die durchschnittliche Fahrtgeschwindigkeit. Diese Informationen können dann auch für Verkehrsinformationen oder Verkehrsoptimierung genutzt werden und sind natürlich auch wichtig für die Werbeindustrie, um den Medienwert ihrer an Strassen platzierten Botschaften genauer zu bestimmen, als mit bisherigen Methoden. Die Kriterien für den Erfolg des Projekts waren die Genauigkeit der Erkennung und ihrer Latenz sowie die Anzahl erfolgreicher Werbeplatzierungen.

Aussenwerbung, basierend auf Deep-Learning-Technologien

Die Werbeindustrie hat sich seit ihrem Bestehen immer wieder als äusserst kreativ erwiesen. Die Möglichkeiten eines Systems mit Deep Learning sind praktisch grenzenlos und bieten zahlreiche Szenarien für ihre zukünftige Anwendung. Erkennt das System beispielweise einen LKW gegen Ende des Tages, könnte eine Werbung für einen Energy Drink eingeblendet werden, gemeinsam mit der Botschaft „Es war ein langer, harter Tag, oder?“ Oder das System erkennt ein neues Modell aus dem Luxussegment und zeigt entsprechend Werbung für Golfschläger oder einer luxuriösen Uhrenmarke. Würde ein älteres Modell identifiziert, könnte eine Werbung für ein neueres Modell eines Wettbewerbers erscheinen oder die Anzeige eines Gebrauchtwagenhändlers, der ältere Modelle kauft. KFZ-Versicherer könnten sogar den Preis für die Versicherung eines bestimmten Modells in Echtzeit anzeigen lassen. Die Basis für all diese Szenarien ist Deep Learning, das ein Modell erkennen kann, unabhängig davon, wie schnell es fährt, welche Farbe es hat, ob es modifiziert oder sogar beschädigt ist.

Das Projekt wurde nach elfmonatige Test im Dezember 2016 abgeschlossen. Die Basis für das Deep-Learning-System, das zuerst nur aus Bildern von Gebrauchtwagen bestand wurde über die Zeit mit mehr und mehr Bildern aus dem Video erweitere, was die Erkennungsgenauigkeit ständig verbessert hat. Ein technisches Problem hatte sich während des Test auch herauskristallisiert: Die Identifizierungsrate von Autos ist bisher in der Nacht signifikant geringer als am Tag.

Die Rolle software-definierter Speicherung bei Deep-Learning-Projekten
Die passive Speicherung von Daten zur späteren Analyse ist prinzipiell nicht wirklich schwierig. Es bedarf jedoch eines deutlich höheren Aufwands, um aus diesen Daten auch Nutzen ziehen zu können. Noch schwieriger wird dies, soll dies in Echtzeit geschehen. Es geht also darum, aus einfachen Daten smarte Daten, also Smart Data zu generieren.

Die technischen Herausforderungen an das Speichersystem sind enorm. Das kontinuierliche Filmen produziert einen gewaltigen Datenberg, der eine effiziente Speicherung verlangt und, der für die Erkennungssoftware einen einfachen Zugriff auf die Daten garantieren muss. Die Daten sind darüber hinaus in einer intelligenten Art und Weise aufzuarbeiten, damit die Anwendungen sie auch nutzen können. Sprich, sie müssen als Smart Data verwendbar sein. Um Deep Learning für dieses System zu realisieren, entwickelte Cloudian den Speicher, um die Stammdaten bestehend aus einer sehr grossen Menge an Bildern von Autos für die Deep-Learning-Umgebung bereitzustellen. Die Stammdaten werden ständig erweitert, was die Erkennungsgenauigkeit von Deep Learning weiter verbessert. Der Objektspeicher basiert auf Cloudian Hyperstore Software und Standardservern und beherbergte zum Start mehr als 23.000 Bilder von mehr als 230 Modellen. Über die Dauer des Projektes wuchs die Menge der erkannten Modelle auf über 300 an, mit entsprechend hoher Anzahl an Bildern dieser Modelle. Ausserdem speichert der Objektspeicher das komplette Video und alle statistischen Daten wie Menge der Autos, Fahrtgeschwindigkeit, Modelle pro Stunde und weitere potenziell für Werbetreibende wichtige Daten. Um die Genauigkeit und Geschwindigkeit der Erkennung durch „Trial and Error“ zu verbessern, ist es notwendig, die Parameter wie Bildarten und Bildqualität ständig anzupassen. Um dies zu erreichen, werden sehr viele Daten erzeugt und nur intelligente Datenspeicher aufbauend auf modernem Objektspeicher können solche Datenmengen effizient verwalten.

Deep Learning für die Werbung

Nachdem das Projekt erfolgreich beendet wurde, bereiteten die Projektteilnehmer die Technologie für den Praxiseinsatz für verschiedene Branchen vor und das erste smarte Billbord in Japan wird sicherlich nicht das einzige bleiben. Künstliche Intelligenz und Deep Learning hat sich in den letzten Jahren ständig verbessert und auf diesen Technologien aufbauende Systeme erkennen nicht nur Autos, sondern auch Menschen. Obwohl dies bereits eine ethische Debatte losgelöst hat und Fragen bezüglich der Privatsphäre der Menschen aufwirft, wird es Werbetreibenden zukünftig möglich sein, Kunden in Einkaufszentren zu erkennen und sie zumindest verschiedenen Zielgruppen zuzuordnen. Anwendungen, die Menschen Aufgaben abnehmen, haben bereits heute ihren Weg in unser Leben gefunden. Siri, Cortana oder Alexa sind das Ergebnis von Deep-Learning-Projekten zur Spracherkennung. Selbstfahrende Autos stützen sich stark auf die Erkennung von Objekten, um sich ihren Weg durch den Verkehr zu bahnen. Ärzte benötigen die Hilfe von Maschinen, um Krebszellen auf tausenden von computergenerierten Bildern nach einer Computertomographie erkennen zu können.

Unabhängig von der Anwendung, all diese Technologien benötigen enorme Datenmengen, die irgendwie gespeichert werden müssen und aus den dummen Bits und Bytes ‚Smarte Daten’ zu machen.

Teilnehmende Unternehmen des Projektes
Dentsu Inc: http://www.dentsu.co.jp/vision/summary/
Cloudian KK: http://cloudian.jp/company/
Smart Insight Corporation: http://smartinsight.jp/company
Quanta Cloud Technology Japan: http://www.qct.io/Company-AboutQCT
Intel KK: http://www.intel.co.jp/content/www/jp/ja/company-overview/profile.html

in Beispiel von Deep Learning: Selbstfahrende Autos nutzen Systeme, die Objekte erkennen können. Das Erkennen von Objekten wird durch Deep-Learning-Algorithmen erreic

Ein Einzelbild aus dem Video mit der parallelen Erkennung eines Audi A4 Avant und eines ‚Lieferwagens’

Aufbau des Systems für Echtzeit-Aussenwerbung mit Deep-Learning-Technologien und Big-Data-Anwendung

Erst die Klassifizierung von Daten in Echtzeit und das Hinzufügen von Tags in die Metadaten, macht aus Big Data ‚Smart Data’