Direkt zum Inhalt

Entwicklung eines Objekterkennungssystems zur Darstellung personalisierter Werbeinhalte

Entwicklung eines Systems zur Analyse der Kleidungsmerkmale von Flugpassagieren.

Projektteam

Dominic Regitz, Simon Schwegler, Oliver Hagel, Mateo Kevric, Waldemar Siebert
Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW), Amadeus IT Group

Einführung

  • Flughäfen liegen nur wenige bis gar keine Informationen über ihre Passagiere vor
  • Aufgrund des hohen Passagiervolumen bieten sich ungeahnte Möglichkeiten für Werbeauftritte an modernen Flughäfen
  • Werbeinhalte werden hierbei allerdings noch in der Regel per Zufall eingeblendet

Zielsetzung  

  • Entwicklung eines Systems zur Analyse der Kleidungsmerkmale von Flugpassagieren
  • Einordnung identifizierter Flugpassagiere in vordefinierte Kundensegmente auf Basis ihrer Kleidungsmerkmale
  • Einblendung personalisierter Werbeinhalte auf Grundlage des Analyseprozesses

Konzept

  • Identifikation übermittelten Bildinputs: Übermittlung von Input durch Anbindung von Kameras an das System oder durch den Upload von Bildern
  • Ermittlung vorzufindender Objekte: Analyse von identifiziertem Bildinput hinsichtlich dem System antrainierten Kleidungsobjekten
  • Zuordnung des Inputs in ein Kundensegment: Kategorisierung identifizierter Flugpassagiere in vordefinierte Kundensegmente auf Grundlage ihrer Kleidungsmerkmale
  • Einblendung von personalisierten Werbeinhalten: Darstellung von Werbeinhalten auf nahegelegenen Bildschirmen, welche die Interessen der ermittelten Kundensegmente genauer repräsentieren

 

Konzept
 

Umsetzung

  • Object Detection Service: Antrainieren eines Object Detection Modells zur Identifikation festgelegter Kleidungsobjekte durch Nutzung der Open Source Bibliothek TensorFlow
  • Customer Segmentation Service: Entwicklung eines Algorithmus zur Kategorisierung identifizierter Personen in die Kundensegmente Casual, Business und Athletic auf Grundlage ihrer zugehörigen Kleidungsmerkmale
  • React.js Webapplikation: Realisierung der prototypischen Umsetzung in Form einer Webanwendung, welche sämtliche Funktionalitäten als Rich-Client selbst implementiert

Umsetzung

Evaluierung und Ergebnisse

 

  • Technische Machbarkeitsanalyse: Untersuchung der Machbarkeit des Ansatzes bezüglich dessen, ob die Einordnung von Flugpassagieren in vordefinierte Kundensegmente auf Grundlage ihrer Kleidungsmerkmale technisch umsetzbar ist
  • Ermittlung der Gesamt-Accuracy des Systems: Durchführung eines Testlaufs mit insgesamt 220 vorklassifizierten Bildern. Identifikation der Precision, Recall und F1-score Gütemaße der drei Kundensegmente
  • Vergleich mit zufallsbasierter Einblendung: Vergleich der Accuracy des Systems mit einer auf Zufall basierten Einblendung von Werbeinhalten für die Klassen Casual, Business und Athletic

Matrix

 

 

Zusammenfassung

  • Die Accuracy der prototypischen Umsetzung von rund 88% untermauert die technische Machbarkeit des innovativen Ansatzes
  • Werbeinhalte können durch den Prototyp rund 2.5-mal so präzise dargestellt werden, als auf Zufall basierte Verfahren

 

Literatur

  1. Abadi, Martín, et al. «TensorFlow: a system for Large-Scale machine learning.» 12th USENIX symposium on operating systems design and implementation (OSDI 16). 2016.
  2. Laborde, Gant. «Learning TensorFlow.js: Powerful Machine Learning in JavaScript.» O’Reilly Media, Incorporated, 2021

 

Projektpartner

Amadeus Airport IT

Amadeus Airport IT