Vox – wykorzystanie picture recognition w reklamie i marketingu
Międzynarodowa spółka AstraOne.io przechodzi obecnie kompleksowy rebranding. Zastąpi ją nowopowstała spółka Vox, wchodząca w skład holdingu, do którego należy także Hybrid.ai i specjalizująca się w rozwiązaniach digitalowych bazujących na innowacyjnej technologii picture recogniton.
Z jednej strony Vox jest kompleksową platformą z rozwiązaniami i usługami skierowanymi do wydawców, które pomogą im monetyzować powierzchnie reklamowe. Oferuje ona m.in. innowacyjny format In-Image Ads, polegający na emisji reklam nakładanych na zdjęcia zamieszczone w artykułach na stronach.
Zobacz również
Z drugiej strony Vox zaoferuje reklamodawcom kompleksowy pakiet usług reklamowych. Mogą oni zarówno korzystać z innowacyjnych rozwiązań i formatów wspartych targetowaniem kontekstowym, jak i z tradycyjnego programmatica, opartego na targetowaniu z zastosowaniem plików cookies czy ID reklamowych. Co ważne, reklamodawcy mogą także wykorzystać w swoich działaniach dane niestandardowe, jak np. dotyczące warunków pogodowych czy jakości powietrza.
Vox w planach ma prężny rozwój świadczonych przez siebie usług, a nowe rozwiązania planuje wprowadzić jeszcze w tym roku.
Czym jest wspomniana innowacyjna technologia picture recognition, na której swoje rozwiązania opiera Vox? Jak działa i w jaki sposób można tę technologię wykorzystać w działaniach reklamowych? O tym poniżej.
Movember/Wąsopad: jak marki zachęcają do profilaktyki męskich nowotworów [PRZEGLĄD]![Movember/Wąsopad: jak marki zachęcają do profilaktyki męskich nowotworów [PRZEGLĄD]](https://nowymarketing.pl/wp-content/uploads/2024/11/Cover-photo-2024-11-06T140221-142x0-c-default.png)
Picture recognition
Technologia picture recognition umożliwia dokładną analizę grafik i zdjęć. Umożliwia także rozpoznawanie widniejących na nich obiektów, przedmiotów, osób, zwierząt, symboli, tekstów itd. Obecnie niektóre algorytmy rozpoznające obrazy potrafią to czynić z precyzją równą człowiekowi, a nawet lepszą.
Słuchaj podcastu NowyMarketing
W celu rozpoznania obiektów na obrazie, algorytm wpierw pozyskuje sam obraz, np. z urządzeń zewnętrznych, jak kamery przemysłowe czy te w smartfonach, lub z baz zawierających zdjęcia. W przypadku zdjęć gorszej jakości, zdjęcia poddawane są automatycznej obróbce.
Kolejnym krokiem jest analiza obrazu, określenie i opis jego cech, w tym cech wszystkich elementów na nim obecnych.
Trzecim i ostatnim krokiem jest przypisanie przez algorytm obrazu i elementów na nim widniejących do konkretnych kategorii na podstawie uprzednio opisanych cech. Może on również podawać procentową wartość prawdopodobieństwa prawidłowej oceny rozpoznawanego obiektu, np. że dany element to na 85% samochód osobowy, a inny to na 98% człowiek.
W picture recognition istotne są bazy danych, na podstawie których algorytm przypisuje badany obiekt do konkretnej kategorii, np. ludzie, samochody, buty, książki, komputer itd. Zawierają one dokładne opisy konkretnych grup obiektów w postaci wydzielonych cech wspólnych właściwych dla tych kategorii. Dzięki temu algorytm po opisaniu badanego elementu na zdjęciu może ustalić, do której grupy obiektów jest mu najbliżej i do niej go przypisać.
W przypadku samego opisania obiektu niezwykle istotny jest odpowiedni dobór cech – dzięki temu np. analiza kilku różnych zdjęć tej samej osoby, wykonanych pod innym kątem, a także w nakryciu głowy czy okularach, wykaże, że jest to ta sama osoba. Jest to ważne, gdy algorytm ma rozpoznać na zdjęciach nie tylko konkretną osobę, np. celebrytę, ale również emocje jej towarzyszące.
Na efektywność technologii picture recognition wpływa algorytm w niej zastosowany. Stosowane obecnie algorytmy oparte na uczeniu maszynowym i tzw. deep learningu same wykrywają na podstawie dostarczonych im danych przykładowych (np. zdjęcia różnych samochodów z przypisanymi im markami), jakie kształty i cechy muszą być obecne na danym obrazie, aby przypisać go do konkretnej kategorii obiektów (samochód danej marki).
Zastosowanie technologii picture recognition
Technologia picture recognition znajduje zastosowanie w wielu obszarach. W medycynie wykorzystywana jest do rozpoznawania chorób na zdjęciach pacjentów. W przemyśle motoryzacyjnym używana jest w pracach nad autonomicznymi pojazdami. Z kolei Policja wykorzystuje tę technologię do przeszukiwania zdjęć i filmów, np. pozyskanych z miejsca zdarzenia, w celu rozpoznawania twarzy i identyfikacji osób poszukiwanych. Podobne zastosowanie jest w przypadku lotnisk, które sprawdzają, czy osoby wchodzące na pokład i przebywające na lotnisku nie są poszukiwane.
Technologia ta wykorzystywana jest również w aplikacjach mobilnych sklepów internetowych, które umożliwiają zrobienie zdjęcia danego produktu i automatyczne dodanie go do koszyka, czy też za pomocą rozszerzonej rzeczywistości pozwalają konsumentowi zobaczyć, jak dany produkt z kategorii wystroju wnętrz będzie się prezentował w jego mieszkaniu, zanim dokona zakupu.
Picture recognition znalazło zastosowanie także w reklamie internetowej. Oparta na nim została technologia In-Image Ads, oferująca nowy placement w postaci kreacji reklamowych wyświetlanych na zdjęciach w artykułach wydawców. Polega to na dynamicznym nakładaniu na zdjęcie zamieszczone w tekście reklam, które zajmują 20% jego powierzchni, a w niektórych wariantach zakrywają je całe. Reklamy wyświetlane w ramach In-Image Ads mogą być w formatach rich mediowych, w tym w formie wideo. Przygotowywane na potrzeby kampanii kreacje powinny być spójne z elementami i obrazami, na które są targetowane, ze względu na aspekt kontekstowy reklamy.
Zastosowane w technologii In-Image Ads algorytmy oparte na picture recognition zajmują się analizowaniem zdjęć wydawców, a następnie wyświetlaniem na nich dobranych kontekstowo reklam. Wpierw dokładnie analizują wszystkie elementy widoczne na zdjęciu, w tym ich ułożenie i liczbę wystąpień, kontekst całego zdjęcia, jak i kontekst artykułu, w którym zostało zamieszczone. Algorytmy te potrafią rozpoznawać nawet konkretne marki i ich produkty, ukazane na zdjęciach sytuacje, czy też emocje towarzyszące widniejącym na nich osobom. Następnie po rozpoznaniu poszczególnych elementów, dobierana jest odpowiednia kreacja reklamowa.
Bazy obiektów wykorzystywane w In-Image Ads są stale rozbudowywane i składają się z dziesiątek tysięcy obiektów – w ich skład wchodzą różnorodne przedmioty, marki, produkty, znane osoby, celebryci, emocje, czy zachowania i konkretne sytuacje. Zawierają także tzw. black listy obiektów oraz słów kluczowych, jak np. przemoc, krew, seks, katastrofa itp., które reklamodawcy mogą wykluczyć z targetowania, aby mieć pewność, że ich kreacje pojawią się w bezpiecznym dla marki otoczeniu.
Dzięki zastosowaniu picture recognition w In-Image Ads możliwe jest zupełnie nowe targetowanie reklam na konkretne obrazy czy przedmioty, w którym istotną rolę odgrywa kontekst całego zdjęcia oraz artykułu. Dopasowanie kontekstowe i natywne do treści redakcyjnych wpływa istotnie na atrakcyjność samego przekazu reklamowego i jego efektywność – kampanie w modelu In-Image Ads przynoszą średni CTR na poziomie 3-krotnie wyższym niż tradycyjne kampanie display. Na wynik ten wpływa także fakt, że reklamy wyświetlane na zdjęciach nie są pomijane przez internautów w ramach zjawiska ślepoty bannerowej, jak dzieje się to w przypadku klasycznych placementów.
Ze względu na możliwości i efektywność technologia In-Image Ads udostępniana przez Vox ma bardzo duży potencjał i znalazła już zastosowanie w działaniach reklamowych wielu znanych marek, takich jak Coca-Cola, Porsche, BMW, Volvo, IKEA, Sony Pictures, Huawei, Adidas czy Rossmann. Z przykładowymi kampaniami można zapoznać się na stronie gallery.voxexchange.io.
Artykuł powstał we współpracy z Vox.