Modele wizyjne. Jak działają i dlaczego stają się niezbędne w marketingu

Modele wizyjne obejmują obszar sztucznej inteligencji zajmujący się analizą danych wizualnych, takich jak obrazy i filmy. Wykorzystują zaawansowane algorytmy, aby rozpoznawać wzorce, wykrywać obiekty, klasyfikować obrazy, a nawet rozumieć skomplikowane scenariusze wizualne. Dowiedz się, czym dokładnie są modele wizyjne, i poznaj przykłady oraz najnowsze trendy ich zastosowania w marketingu.

Z tego artykułu dowiesz się:

czym są modele wizyjne i jak działają,
jakie są przykłady zastosowań modeli wizyjnych i jak skutecznie wykorzystać je w marketingu,
jakie są najnowsze trendy w kontekście stosowania modeli wizyjnych w działaniach marketingowych.

Technologie i algorytmy wykorzystywane w modelach wizyjnych

Modele wizyjne najczęściej bazują na konwolucyjnych (splotowych) sieciach neuronowych (CNN), które są szczególnie przystosowane do pracy z obrazami. Stosują specjalne warstwy, które potrafią wychwycić specyficzne cechy, takie jak krawędzie, tekstury i obiekty w różnych skalach. Przy analizie sekwencyjnych danych wizualnych, takich jak wideo, gdzie ważny jest kontekst zarówno czasowy, jak i przestrzenny, często wykorzystuje się modele łączące konwolucyjne sieci neuronowe (CNN) z sieciami LSTM (long short-term memory) lub modele oparte na architekturze transformer.

Wiele modeli wizyjnych korzysta również z transformerów uczenia. Polega to na użyciu sieci wcześniej wytrenowanej na zbiorze danych i dostosowaniu jej do konkretnego zadania, co jest szczególnie efektywne przy ograniczonej ilości danych.

Słuchaj „Marketer+” Podcast

Słowo „konwolucyjny” pochodzi od terminu „konwolucja”, który w matematyce i informatyce odnosi się do operacji przekształcającej dwie funkcje w trzecią, reprezentującą sposób, w jaki jedna funkcja „nakłada się” na drugą. W kontekście sztucznej inteligencji – a szczególnie sieci neuronowych – konwolucja odnosi się do metody przetwarzania danych, która jest stosowana w konwolucyjnych sieciach neuronowych (CNN – convolutional neural networks).

Sieci konwolucyjne wykorzystują operację konwolucji do analizy danych w formie obrazów lub sygnałów. Operacja ta polega na przesuwaniu małego filtra (matrycy wartości, tzw. jądra) po większej macierzy danych (np. po pikselach obrazu) w celu wydobycia specyficznych cech, takich jak krawędzie, tekstury czy wzorce. Dzięki temu sieci CNN są zdolne do:

wykrywania istotnych cech wizualnych, które pomagają rozpoznać obiekty na zdjęciach,
redukowania liczby parametrów do trenowania, co zwiększa efektywność przetwarzania obrazu,
hierarchicznego przetwarzania danych (w kolejnych warstwach wykrywane są coraz bardziej złożone wzorce).

Rekurencyjne sieci neuronowe (RNN) to specjalne sieci neuronowe zaprojektowane do analizowania danych sekwencyjnych dzięki swojej zdolności do „pamiętania” poprzednich stanów. Dzięki temu RNN są szeroko wykorzystywane wszędzie tam, gdzie istotny jest kontekst sekwencji, szczególnie w przetwarzaniu języka i danych czasowych.

Kluczowe funkcje modeli wizyjnych

Dzięki wykorzystaniu sztucznej inteligencji modele wizyjne wykonują komplementarne zadania, takie jak:

wykrywanie obiektów – znajdowanie określonych elementów na obrazie oraz wyznaczanie ich położenia za pomocą prostokątnych ramek ograniczających (bounding boxes),
segmentacja obrazu – identyfikacja granic między obiektami w obrazie, co pozwala na zrozumienie jego struktury,
segmentacja semantyczna i instancyjna – pierwsza polega na przypisaniu każdemu pikselowi kategorii, a druga identyfikuje poszczególne obiekty,
klasyfikacja obrazów – przypisanie całego obrazu do określonej kategorii,
rozpoznawanie twarzy – kluczowe zadanie w systemach bezpieczeństwa i aplikacjach społecznościowych.

Różnorodność zastosowań

Modele wizyjne są obecnie używane w bardzo wielu dziedzinach. Rozpoznawanie twarzy przez urządzenia elektroniczne stało się standardem. W radiologii automatycznie analizowane są skany medyczne i zdjęcia rentgenowskie, co pomaga w diagnozowaniu chorób. W samochodach autonomicznych wykorzystywane są zaawansowane modele wizyjne do wykrywania innych pojazdów, pieszych oraz znaków drogowych. Zazwyczaj stosuje się kombinację różnych algorytmów i technologii, takich jak głębokie sieci neuronowe, specjalnie zaprojektowanych do percepcji w czasie rzeczywistym.

Modele wizyjne pomagają również śledzić ruchy użytkownika korzystającego z wirtualnej i rozszerzonej rzeczywistości oraz przetwarzać otaczające go środowisko, co zwiększa realizm interakcji w takich aplikacjach. Modele wizyjne mają oczywiście bardzo wiele innych zastosowań w marketingu.

Odrębną dziedziną marketingu, coraz częściej korzystającą z modeli wizyjnych, są rozwiązania z obszaru adtechu. Stanowią one przede wszystkim ważny krok w kierunku poprawy skuteczności narzędzi kontekstowych.

Analiza kontekstu na podstawie samych słów kluczowych odeszła już do lamusa. Sztuczna inteligencja, która pozwala na szczegółową analizę obrazu i uczenie się na dużych bazach danych, dodaje istotny element do kompleksowego rozpoznawania kontekstów multimedialnych.

Przykładem jest VOX In-Image marki Hybrid – technologia oparta na systemach computer vision i picture recognition, która oprócz tekstów dokładnie analizuje grafiki, zdjęcia i filmy. Określa kategorię semantyczną treści multimedialnych, ze szczególnym uwzględnieniem obrazów, umieszcza reklamę na zdjęciu zawierającym określone elementy i zaklasyfikowanym do konkretnej kategorii semantycznej.

Dzięki mechanizmom sztucznej inteligencji system uczy się na bieżąco i z coraz większą trafnością kategoryzuje kolejne treści. W skrócie algorytmy zdobywają doświadczenie i wraz z nim podnoszą swoją skuteczność.

Te same mechanizmy „wyłapują” negatywne lub kontrowersyjne treści, które mogą niekorzystnie wpływać na wizerunek marki. Dzięki dokładnej analizie semantycznej możliwe jest indywidualne podejście do określenia materiałów bezpiecznych dla marki, również w warstwie wizualnej.

Personalizacja komunikatów reklamowych w czasie rzeczywistym na podstawie analizy obrazu to także prężnie rozwijający się kierunek w ramach adtechu. Dynamic creative optimization (DCO) umożliwia np. wyświetlanie różnych produktów lub wariantów reklamowanego produktu w zależności od tego, jakie elementy zdjęcia ilustrującego tekst redakcyjny są dominujące.

Wyświetlenie reklamy kremu do twarzy, kiedy modelka na zdjęciu zajmuje się pielęgnacją twarzy przed lustrem.
Wyświetlenie reklamy perfum, kiedy system rozpoznaje na zdjęciu romantyczną kolację przy świecach.

Najnowsze trendy

Niektóre zastosowania modeli wizyjnych w marketingu są dość szeroko rozpowszechnione, inne znajdują się w fazie „test and learn”. Niewątpliwie rozszerzona (AR) i wirtualna rzeczywistość (VR) umożliwiają klientom bardziej realistyczne doświadczenia zakupowe. Takie rozwiązania mogą w najbliższej przyszłości decydować o przewadze konkurencyjnej marek.

Zaoferowanie przymierzalni online, gdzie klienci mogą zobaczyć, jak ubrania, akcesoria lub kosmetyki wyglądają na nich w czasie rzeczywistym.
IKEA wykorzystuje technologię AR, aby umożliwić klientom umieszczanie mebli w ich domach, co ułatwia podejmowanie decyzji zakupowych.

Dzięki analizie treści wizualnych na stronach internetowych modele wizyjne mogą dopasowywać reklamy do estetyki witryny. Oznacza to, że reklamy nie tylko są zgodne z zainteresowaniami użytkownika, lecz także harmonizują z wizualnym stylem otoczenia, co powoduje postrzeganie ich jako treści natywnych i tym samym zwiększa ich perswazyjność.

Modele wizyjne w reklamie digitalowej niosą coraz większe możliwości związane z aspektami etycznymi i bezpieczeństwem. Pozwalają bowiem na kontrolę treści wizualnych pod kątem bezpieczeństwa i odpowiedzialności społecznej. W digital marketingu rośnie zapotrzebowanie na narzędzia, które mogą monitorować, czy materiały wizualne są zgodne z wartościami marki i normami etycznymi. Modele wizyjne mogą analizować, czy treści nie zawierają nieodpowiednich elementów lub nie wzmacniają negatywnych stereotypów.

Modele wizyjne w marketingu już teraz odgrywają znaczącą rolę i w branżach o wysokiej konkurencyjności często decydują o przewadze konkurencyjnej marki. Możliwości dalszego rozwoju i nowych zastosowań tego obszaru sztucznej inteligencji wydają się jednak niezmierzone.

Materiał reklamowy partnera