JP2022531410A - デジタル人類学及び民族誌学システム - Google Patents
デジタル人類学及び民族誌学システム Download PDFInfo
- Publication number
- JP2022531410A JP2022531410A JP2021565075A JP2021565075A JP2022531410A JP 2022531410 A JP2022531410 A JP 2022531410A JP 2021565075 A JP2021565075 A JP 2021565075A JP 2021565075 A JP2021565075 A JP 2021565075A JP 2022531410 A JP2022531410 A JP 2022531410A
- Authority
- JP
- Japan
- Prior art keywords
- data
- media asset
- media
- image
- digital
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0246—Traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0276—Advertisement creation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
実施形態では、デジタル人類学及び民族誌学システムが開示される。実施形態において、デジタル人類学及び民族誌学システムは、顧客セグメンテーション、トピックモデリング、及びメディアプランニングなどの、マーケティング関連のタスクを自動化する。実施形態において、デジタル人類学及び民族誌学システムは、自己完結型写真撮影スタジオシステムによって撮影された画像を含む、メディア資産のセットに関連する分析を実行するように構成される。
Description
(関連出願との相互参照)
本出願は、2019年5月2日に出願され、「TECHNOLOGIES FORENABLINGA CONSUMER DATA PLATFORM FOR PROVIDING CREATIVE INTELLIGENCE」と題された、米国仮特許出願第62/842、263号の優先権を主張するものであり、その内容は参照により本明細書に組み込まれる。
本出願は、2019年5月2日に出願され、「TECHNOLOGIES FORENABLINGA CONSUMER DATA PLATFORM FOR PROVIDING CREATIVE INTELLIGENCE」と題された、米国仮特許出願第62/842、263号の優先権を主張するものであり、その内容は参照により本明細書に組み込まれる。
本開示は、デジタル人類学(digital anthropology)の分野に関するものであり、より詳細には、メディア資産の作成とデジタルペルソナを表現する個人及びグループへの配信とを改善するために使用可能なペルソナへの洞察を提供する、機械学習、分析、コンテンツ作成、及びコンテンツ追跡機能のセットを有するプラットフォームに関するものである。また、本開示は、メディア資産の作成、ダイナミックセグメンテーション、メディアプランニングなどといった、デジタル人類学の技術的応用に関するものである。
現代において、マーケティング及び/又は広告技術などのキャンペーン及びその他のコミュニケーションの取り組みは、典型的には、個々の消費者に関する包括的な情報を取得しようとすることが中心となっている。これが可能になったのは、多くの消費者が広範なデジタルライフを送っており、あらゆるデジタルアクションで豊富なデータを生成しているからである。パーソナライゼーションシステムは、これらのデータを活用して、適切な個人に適切なコンテンツを適切なタイミングで提供しようとするものである。しかしながら、このようなパーソナライゼーションは、多くの場合、深い個人情報の取得に依存しており、消費者は侵害され乱用されているとますます感じている。政府は、オンライン広告大手や分析会社に反発して、個人データを保護する法律を制定し、そのようなデータの収集や使用を禁止又は制限する動きを見せており、そのため、ハイパーパーソナライゼーションを支える力が弱まり、インサイトの空白が生じている。個人の関心事や好みを把握できないと、メッセージやメディア資産の関連性が低くなったり、ターゲットが絞れなかったりする傾向がある。広告主などは、大規模な集団に反復的なメッセージを広く流し、ごく一部がターゲット層にヒットすることを期待する傾向にある。これは、広告のノイズがデジタルコンテンツや環境を楽しむ個人の能力を妨げるという、別の意味での侵略につながる。従って、当技術分野では、個人情報を侵害したり、侵略的なノイズを発生させたりすることなく、ターゲットを絞ったコンテンツを提供するシステムが必要とされている。
更に、ハイパーパーソナライゼーション技術では、各個人が時間の経過と共に同じ特徴や行動を示すと見なす傾向があるが、個人やグループは、ある人は仕事中に、ある人は家族と一緒に、またある人は様々なグループや日常活動の間を移動する際に、異なる時間に異なるペルソナを有している。現在のキャンペーンシステムでは、人間のペルソナが時間と共にどのように変化するかを見逃してしまうことが多い。そのため、当技術分野では、ペルソナに基づいたコンテンツ作成、メッセージング、ターゲティング、広告などを提供するために、ペルソナの感情的及び行動的属性の理解を含め、ペルソナのレベルで個人やグループをより正確な姿で生成することが必要とされている。
本開示は、様々なコンポーネント、モジュール、サービス、インタフェース、ソフトウェア、ワークフロー、及びその他のコンポーネントで構成される、プラットフォーム及びシステムに関するものであり、デジタルメディアとのデジタル環境内での相互作用及び関係において、個人及び個人のグループによって具現化又は表現されるペルソナを含む、ペルソナの行動に対する理解及び洞察の開発を可能にするように構成されている。いくつかのケースでシステムと呼ばれるプラットフォームには、多くのアイテムの中でも、異種のデータソースで動作する機械学習アルゴリズムのセット、デジタルメディア資産へ属性情報を埋め込むことができるシステムのセット、及びメディア資産の特定の属性又は属性の組み合わせに対するペルソナの反応を追跡及び観察することができるシステムのセットなどが含まれる。理解及び洞察は、マーケティング、広告、資金調達、セキュリティ、政治など、様々な領域での多様な新しい用途及びアプリケーションに使用することができる。実施形態において、システムは、場合によっては複数の独立したデータソースから統合されたデータを使用して少なくとも部分的に生成される可能性があり、場合によってはメディア資産のデジタルメディア資産ゲノムに関連する追跡データに基づいた、分析及び機械学習されたモデルに基づいて、特に、クロスチャネルメディアの作成及びプランニングを行うように、カスタマイズ可能である。
本開示のいくつかの実施形態によれば、広告コンテンツ、資金調達コンテンツ、政治コンテンツ、アドボカシーコンテンツなどのコンテンツで、オーディエンス(個人、エンティティ、消費者の特定のセグメント、特定のデジタルビレッジに属する消費者のセグメント、特定のデジタルペルソナに関連する消費者のセグメントなど)へ接続し、到達しようとするユーザに対して、クリエイティブインテリジェンスを提供する、方法及びシステムが本明細書で提供される。実施形態において、クリエイティブインテリジェンスの提供(provision)には、オンラインユーザのメディア資産とのインタラクション(マウスクリックなどのイベント追跡情報を含む)、消費者の人口統計及び/又はセグメンテーション情報、その他の消費者情報、デジタルペルソナ情報、デジタルビレッジ情報、オンラインユーザに関する属性及び/又はメタデータ、メディア資産の属性データ、アンケートデータ、興味のある場所の情報(Safegraph(登録商標)で提供されるデータなど)、気象データ、交通データ、警察データ、金融データ、健康データ、ウェアラブルデバイスのデータ、ソーシャルネットワークデータ、民族誌学(ethnography)手法で収集されたシックデータなど、幅広いデータソースを利用することが含まれる。このような情報は、デジタル人類学システムにおいて、マーケティング関連のインテリジェンスをユーザ(例えば、マーケター、コンサルタント、政治顧問、正当な理由のアドボケイト(advocate for causes)、セキュリティ専門家、データサイエンティスト、デジタル人類学者、広告主など)へ様々な方法で提供するため、例えば、ユーザへ推奨(提案された広告コンテンツや広告提示属性など)を提供すること、コンテンツ生成、メディアプランニング、メディア価格設定、デジタル人類学サービス、分析、データビジュアライゼーションなどに活用することができる。
本開示のより完全な理解は、以下の説明及び添付図面、並びに特許請求の範囲から理解されるであろう。
実施形態では、方法が開示される。本方法は、処理システムによって、メディア資産を受信すること;処理システムによって、メディア資産分類器を使用して、メディア資産の1つ又は複数の要素を分類すること;処理システムによって、分類をメディア資産属性としてメディア資産に帰属させること;及び、処理システムによって、メディア資産属性に基づいて、メディア資産のメディア資産ゲノムを生成すること;を含む。更に、本方法は、処理システムによって、メディア資産ゲノムをメディア資産に関連付けること、及び、処理システムによって、メディア資産を提示するクライアントアプリケーションにメディア資産の提示に関連する追跡情報を報告させる1つ以上のタグ及び/又はコードを、メディア資産に埋め込むこと、を含む。また、本方法は、処理システムによって、メディア資産を少なくとも1つのデジタル環境に伝播すること;処理システムによって、それぞれのオンラインユーザへメディア資産を提示した1つ以上の外部デバイスから追跡情報を受信することであって、追跡情報の各インスタンスがメディア資産に関するそれぞれのオンラインユーザのそれぞれの結果を示すこと;及び、処理システムによって、メディア資産を提示されたそれぞれのオンラインユーザのユーザデータを受信すること;を含む。また、本方法は、処理システムによって、メディア資産ゲノムと、メディア資産ゲノムに関連する追跡データ及びユーザデータとに少なくとも部分的に基づいて、タスクを実行するデジタル人類学システムをトレーニングすることを含む。
実施形態では、デジタル人類学システムのトレーニングが、2つ以上の他の独立したデータソースから統合された統合データに更に基づく。いくつかの実施形態では、統合データが、2つ以上の独立したデータソースからのデータをマルチベース化することによって生成される。これらの実施形態のいくつかにおいて、本方法は、メディア資産ゲノム、追跡データ、及びユーザデータを、2つ以上の他の独立したデータソースとマルチベース化することを更に含む。これらの実施形態のいくつかにおいて、マルチベース化は、マルチベース化から得られる統合データが永続的に保存されないように、オンデマンドで実行される。いくつかの実施形態では、統合データが、データフュージョン(fusion)技術を用いて統合される。いくつかの実施形態では、統合データが、データアスクリプション(ascription)技術を用いて統合される。
本開示のいくつかの実施形態によれば、画像取り込みデバイスが開示される。画像取り込みデバイスは、1つ又は複数のレンズと、ストレージデバイスと、実行可能な命令を実行する1つ又は複数のプロセッサとを含む。命令は、1つ又は複数のレンズを介して画像をキャプチャすること;画像分類器を使用してメディア資産の1つ又は複数の要素を分類すること;1つ又は複数の要素の分類をメディア資産属性としてメディア資産に帰属させること;メディア資産属性に基づいてメディア資産のメディア資産ゲノムを生成すること;メディア資産ゲノムをメディア資産に関連付けること;並びに、メディア資産ゲノム及びメディア資産を外部デバイスへ送信すること;を1つ又は複数のプロセッサに行わせる。実施形態では、画像取り込みデバイスがデジタルカメラである。実施形態では、画像取り込みデバイスがスマートグラスである。実施形態では、画像取り込みデバイスが、自己完結型の写真撮影スタジオシステムである。実施形態では、外部デバイスが、クリエイティブインテリジェンスサーバである。実施形態において、実行可能な命令は更に、1つ又は複数のプロセッサに、画像の1つ又は複数の特徴を抽出させる。これらの実施形態のいくつかにおいて、1つ又は複数の特徴を抽出することは、画像内の被写体の2つの異なる要素の比率を計算することを含む。更に又は代わりに、1つ又は複数の特徴を抽出することは、画像内の他のオブジェクトに対する画像内の被写体のサイズを計算することを含む。いくつかの実施形態において、実行可能な命令は更に、メディア資産を提示するクライアントアプリケーションにメディア資産の提示に関連する追跡情報を報告させる、1つ以上のタグ及び/又はコードを、1つ又は複数のプロセッサにメディア資産へ埋め込ませる。
本開示のいくつかの実施形態によれば、方法が開示される。本方法は、顧客に代わって実行されるマーケティング関連のタスクに関するユースケースを、1つ又は複数のプロセッサによって受信することを含んでもよい。本方法は、1つ又は複数のプロセッサによって、クライアントアルゴリズムを、通信ネットワークを介してホストのセットへ提供することを更に含み、ここで、クライアントアルゴリズムは、ホストによって記憶されたそれぞれのローカルデータセット上でローカルモデルを訓練し、訓練のそれぞれの結果を1つ又は複数のプロセッサによって実行されるマスターアルゴリズムへ提供する、機械学習アルゴリズムを定義する機械実行可能な命令のセットを含み、ホストのうちの少なくとも1つは、顧客の管理下にないセンシティブ(sensitive)データセットを記憶している。本方法はまた、1つ又は複数のプロセッサによって、ホストのセットの各々からそれぞれの結果を受信すること、及び、1つ又は複数のプロセッサによって、ホストのセットから受信した結果に基づいてグローバルモデルを更新すること、を含む。また、本方法は、1つ又は複数のプロセッサによって、顧客に代わってマーケティング関連のタスクを実行する要求を受信すること、及び、1つ又は複数のプロセッサによって、グローバルモデルを活用してマーケティング関連のタスクを実行すること、を含む。
実施形態において、ホストのセットの各々から受信されるそれぞれの結果は、ローカルモデルのそれぞれのバージョンを訓練した結果の、モデルパラメータのそれぞれのセットを含む。いくつかの実施形態において、グローバルモデルを更新することは、ホストの各々から受信したモデルパラメータのそれぞれのセットを、グローバルモデルへ統合することを含む。いくつかの実施形態において、本方法は、パラメータのそれぞれのセットを統合することに応答して、1つ又は複数のプロセッサにより、それぞれのメタ学習情報をホストのそれぞれへ提供することを更に含む。
実施形態において、候補(candidate)アルゴリズムをホストのセットへ提供することは、スターターモデルをホストの各々へ提供することを含み、ホストのセットのそれぞれのホストは、スターターモデルからそれぞれのローカルモデルを訓練する。いくつかの実施形態において、スターターモデルは、代表的なデータセットで最初に訓練される。実施形態において、候補アルゴリズムをホストのセットへ提供することは、代表的データセットをホストのセットへ提供することを含み、ホストのセットのそれぞれのホストが、代表的データセットを使用してそれぞれのローカルモデルを検証する。
実施形態では、マーケティング関連のタスクが顧客セグメンテーションである。実施形態では、マーケティング関連のタスクがトピックモデリング(topic modeling)である。実施形態では、マーケティング関連のタスクが市場プランニングである。
実施形態において、ホストのセットは、顧客の商業パートナーのコンピューティング環境を含む。実施形態では、顧客の商業環境が、商業パートナーの販売データを格納する。実施形態では、顧客の商業環境が、商業パートナーの販売データを格納する。実施形態では、請求項22において、ホストのセットが、2つの独立したデータソースからのマルチベース化されたデータを含むコンピューティング環境を含む。実施形態では、ホストのセットが、メディア資産分析データを格納するコンピューティング環境を含む。
本開示のより良い理解を提供するために含まれる添付の図面は、本開示の実施形態(複数可)を示し、説明と共に本開示の原理を説明する役割を果たす。
本開示は、本明細書では単にクリエイティブインテリジェンスシステム100、又はプラットフォーム若しくはシステムと呼ばれる、デジタル人類学及びクリエイティブインテリジェンスシステムに関するものであり、分析及び機械学習モデルに基づいて、メディア資産(media asset)の分類及び自動メディアプランニングに関連するタスク(他のメディア関連AIタスクの中でも)を実行するように構成されており、上記の分析及び機械学習モデルは、場合によっては複数の独立したデータソースから統合されたデータを使用して少なくとも部分的に生成される可能性があり、場合によってはメディア資産のデジタルゲノムに関連する追跡データに基づいている。実施形態において、デジタル人類学及びクリエイティブインテリジェンスシステム100は、多種多様なデータを集約し、ブランド担当者やマーケターなどのユーザに、メディアキャンペーンやその他のメディア関連活動の作成及び実施においてユーザを支援などするように、ペルソナのパーソナリティ、行動、及び感情に関するクリエイティブインテリジェンス又はデジタル人類学のサービスを提供する。
図1は、本開示のいくつかの実施形態によるデジタル人類学及びクリエイティブインテリジェンスシステム100の一例を示す。デジタル人類学及びクリエイティブインテリジェンスシステム100は、通信ネットワークを介して様々なコンピューティングシステムと通信する、1つ又は複数のサーバコンピューティングデバイスを含んでもよい。クリエイティブインテリジェンスシステム100は、クラウドコンピューティングインフラストラクチャ(例えば、Amazon AWS(登録商標)又はMicrosoft Azure(登録商標))上で、及び/又はデジタル人類学及びクリエイティブインテリジェンスシステム100のホスト、プロバイダ、又はオペレータの制御下にある一連の物理サーバ上で、ホストされてもよい。
実施形態において、デジタル人類学及びクリエイティブインテリジェンスシステム100は、メディア資産を分析して一連の(例えば1つ以上の)メディア資産属性を抽出し、抽出された一連のメディア資産属性に基づいて各メディア資産のメディア資産ゲノムを生成する。実施形態では、メディア資産のゲノム情報が、メディア資産に埋め込まれていてもよい。メディア資産は、デジタルメディア又は非デジタルメディアの任意のメディア単位であってよく、以下のメディアタイプの何れかであるが、これらに限定されるものではない:画像、オーディオセグメント(例えばストリーミング音楽又はラジオ)、ビデオセグメント(例えばテレビ又はインシアター)、GIF、ビデオゲーム、テキストファイル、HTMLオブジェクト、仮想現実レンダリング、拡張現実レンダリング、デジタルディスプレイ、ニュース記事、プロジェクション/ホログラム、書籍、又はこれらのハイブリッド。いくつかのシナリオでは、メディア資産が広告コンテンツを含んでいたり、広告コンテンツに関連していたりする。広告コンテンツは、メディア資産内に表示されることもあれば、メディア資産に付随して表示されることもある(例えば、Facebook(登録商標)の投稿やTwitter(登録商標)のツイートなど)。広告コンテンツは、メディア資産と同じメディアタイプであってもよく、異なるメディアタイプであってもよい。説明の便宜上、広告コンテンツは、メディア資産が製品やサービスなどの広告に使用される場合、メディア資産と関連すると言われる。メディア資産ゲノムは、メディア資産のメディア資産属性データの集合を指すことがある。メディア資産属性データ(「メディア資産属性」とも呼ばれる)は、メディア資産の特性及び/又は分類を記述するものである。メディア資産属性は、人間によって明示的に提供されてもよく、メディア資産分類器(例えば、画像分類器、ビデオ分類器、オーディオ分類器)によって分類されてもよく、及び/又は、ドメイン固有の抽出/分類技術を用いてメディア資産又はそのメタデータ(例えば、ロケーション、タイムスタンプ、又はタイトル)から抽出されてもよい。被写体(例えば、モデル、俳優や女優、動物、風景など)を含む画像又は動画に関連するメディア資産属性の例は、他の属性の中でも以下のものを含む可能性がある:メディア資産のタイプ又は分類(例えば、アクション動画、面白い動画、面白いミーム、アクション写真、商品広告、かわいい動物の写真など);メディア資産に登場する被写体(複数可)の種類;メディア資産に登場する人間の髪型;メディア資産に登場する被写体の服のスタイル;メディア資産の作成に関与した個人のアイデンティティ(例えば、フォトグラファー、ディレクター、プロデューサー、照明デザイナー、セットデザイナーなど);メディア資産に登場する被写体のポーズ;メディア資産に登場する被写体の行動;メディア資産の設定(屋内/屋外、ビーチ/山、昼/夜など);メディア資産に登場するオブジェクト;メディア資産で使用されているフォント又はタイプスタイル;メディア資産内のテキストのフォント又はテキストサイズ;メディア資産で使用されているキーワード又はフレーズ;メディア資産で描写されている被写体及び/又はオブジェクトの位置及び/又はサイズ;メディア資産内の話者のBGMボーカルの特徴;メディア資産で表示されるテキストフォント及びサイズ;メディア資産で描写されているテキストベースのメッセージの分類(例えば、面白いテキスト、感動的な引用など);ビデオセグメントの長さ;オーディオセグメントの長さ;照明スタイル又は構成(例えば、指向性照明スタイル、光源の種類、照明の色、照明の色温度など);写真スタイル又は構成(例えば、フィルタの使用、カラーパレット、値域、レンズ、F値、シャッタースピード、フィルムスピードなど);といったものである。実施形態において、クリエイティブインテリジェンスシステム100は、被写体の顔や体の寸法や比率など、メディア資産から追加の属性を抽出し、それらの属性をメディア資産のゲノムに含めてもよい。
実施形態では、メディア資産が1つ以上のデジタル環境(例えば、ソーシャルメディア、Etailサイト(Etail sites)、ブログ、ウェブサイト、モバイルアプリケーション、マーケットプレイス、ストリーミングサービスなど)に伝播されたときに、オンラインユーザへメディア資産を表示/出力するクライアントが、それぞれのメディア資産の消費に関連する追跡情報をクリエイティブインテリジェンスシステム100に報告(例えば、画像を含むJSONファイルに埋め込まれた1つ以上の命令を使用して)できるように、ゲノムがメディア資産に関連付けられ、及び/又は埋め込まれてもよい。実施形態において、クリエイティブインテリジェンスシステム100は、アプリケーションシステム、メディアシステム160、及び/又はソーシャルメディアシステム170を介して、メディア資産を伝播(propagate)してもよく、メディア資産を提示されたオンラインユーザの行動を示す追跡情報を受信してもよく、メディア資産を提示されたオンラインユーザに関連するユーザデータを提供してもよい。クリエイティブインテリジェンスシステム100は、追跡データ及びユーザデータを記録してもよく、クリエイティブインテリジェンスシステム100は、メディア資産のゲノム、メディア資産に関わる他のイベントに関連する追跡データ及びユーザデータ、及び/又は他のメディア資産に関連する追跡データ及びユーザデータ、並びにそれらのメディア資産のゲノムと組み合わせて、分析してもよい。例えば、クライアント(例えばウェブブラウザやアプリケーション)は、(例えば、ユーザがメディア資産をクリックした場合、マウスオーバーした場合、スクロールした場合、スクロールバックした場合、共有した場合、(アイトラッキングシステムによって測定されるような)視線を送った場合、ナビゲートした場合、ダウンロードした場合、ストリーミングした場合、再生した場合、又はその他の方法でメディア資産とインタラクトした場合に)メディア資産に関連する追跡データを、クリエイティブインテリジェンスシステム100に報告してもよい。クライアントは更に、ユーザID(例えば、ソーシャルメディアサイト上のユーザのプロファイル、ユーザの電子メールアドレスなど)、ユーザのIPアドレス、ユーザの位置情報、ユーザのMACアドレスなどの、ユーザデータを報告してもよい。クリエイティブインテリジェンスシステム100は、ユーザデータ、追跡データ、及び、メディア資産に関して報告された他のイベント及び他のメディア資産に関連するイベントに関連する、追加のユーザデータ及び追跡データを利用して、ユーザがメディア資産に関与すること(例えば、メディア資産を使用して広告されているアイテムをクリックすること、共有すること、購入することなど)へより密接に相関する、特定の属性を決定してもよい。
一例として、クリエイティブインテリジェンスシステム100は、ビーチウェアを着てビーチにいる人を描いた第1の画像と、フランネルを着て森にいる同じ人を描いた第2の画像とを含む、一連の画像を分類し、伝播させることができる。これらの画像は、マーケティングキャンペーンで何千人ものユーザに提示され、ユーザがそれぞれの画像に肯定的に関わったか(例えば、それぞれの画像をクリックしたり、それぞれの画像を使って宣伝されているアイテムを購入したりした)、否定的に関わったか(例えば、それぞれの画像をスクロールして通り過ぎたり、報告したり、画像をクリックしなかったりした)を示すユーザデータの追跡データ、及び例えばユーザのIPアドレス又はユーザの場所を示すユーザデータを、受信して分析した後に、これらの画像を伝播させる。クリエイティブインテリジェンスシステム100は、特定のデジタルペルソナを表現又は具現化しているユーザや、「太平洋岸北西部のハイカー」のような特定の人口統計学的、地理学的、心理学的、又はその他の特性の組み合わせを有するユーザが、フランネルを着ている及び/又は森で描写されている被写体を含む画像に関与する可能性が高いと判断してもよく、一方、「南カリフォルニアのサーファー」のような他のデジタルペルソナ、人口統計学的特性、地理学的特性、心理学的特性、又は特性の組み合わせを表現するユーザが、被写体がビーチウェアを着ている及び/又はビーチで描写されている写真に関与する可能性が高いと判断してもよい。この例では、「南カリフォルニアのサーファー」又は「太平洋岸北西部のハイカー」というラベルが使用されているが、クリエイティブインテリジェンスシステム100は、必ずしも異なるデジタルペルソナ又は人口統計をラベル付けするわけではないことに留意されたい。例えば、人間によって必ずしも分類できない1つ又は複数の潜在的な属性に基づいて、個人のグループをまとめてもよい。
実施形態において、クリエイティブインテリジェンスシステム100は、オンラインユーザと、そのオンラインユーザのセグメント(「人口統計学的グループ」とも呼ばれる)、デジタルペルソナ(Etailの顧客、ソーシャルメディアのユーザ、記事の閲覧者などを含む)、及び/又はデジタルビレッジとに関連する、行動や行為を分析するモデルを訓練し、展開することができる。セグメントとは、市場セグメント、及び/又は、年齢層、場所、性別、教育レベル、心理学的特性又は性格特性など、ある人が属する恒久的又は半恒久的な個人のグループを指すことがある。デジタルペルソナとは、オンラインユーザがデジタル環境(例えば、ウェブサイト、ソーシャルメディアのプラットフォーム、Etailサイト、電子メールアプリケーション、ストリーミングサービス、モバイルアプリケーション、ビデオゲームなど)に関わる(例えばアクセスする、対話する、監視されるなど)際に提示される、オンラインユーザの性格の分類可能な側面を指すことがあるため、オフラインかオンラインかに関係なく、デジタルペルソナは、オンラインユーザの1つ以上の属性又は行動、及び/又はデジタル環境の1つ以上の属性に基づいて分類することができる。例えば、ワインを検索している人は「ワインショッパー」のデジタルペルソナを、ソーシャルメディアで「トロール」活動をしている人は「オンライントロール」のペルソナを、政治記事を読んでいる人は「ニュースコンシューマー」のペルソナを、オンラインフォーラムでアイテムを販売している人は「セラー」のペルソナを、新しいレストランのオンラインレビューを読んでいる人は「フーディー」のペルソナを有することなどが可能となる。上記の例にはラベルが付けられているが、ラベルは例示のために提供されており、実施形態においては、デジタルペルソナにラベルを適用せず、デジタルペルソナが、個人の属性に関連する一連の共通特徴に基づいてクラスタリングされた、個人のグループ又はクラスタを構成してもよいことに留意されたい。デジタルビレッジとは、1つ以上の特定の属性を共有する、又は関心のあるトピックの周りでコミュニケーションをとるなどして相互に影響し合う、異なるデジタルペルソナのグループを指すことがある。例えば、「靴」のデジタルビレッジのメンバーには、「スニーカーコレクター」のデジタルペルソナ、「オンラインショッパー」のデジタルペルソナ、「ファッションブロガー」のデジタルペルソナなどのメンバーが含まれる場合がある。実施形態では、消費者がデジタルビレッジに積極的に自分を配置することができる。付加的に又は代替的に、個人のオンライン活動に関連するデータに対する行動の分析に基づいて、個人をデジタルビレッジに配置したり、関連付けたりすることができる。実施形態では、個人が複数のデジタルビレッジに所属することができる。本開示では、人口統計、デジタルペルソナ、及びデジタルビレッジの様々な例について説明している。文脈上そうではない場合を除き、本明細書で「消費者」と言及することは、キャンペーン、プロモーション、広告、メッセージ、メディア資産などの対象となる可能性のある個人又はグループを、その個人又はグループが実際に製品やサービスを消費するかどうかに関わらず、包含するものと理解すべきである。これらの例は、本開示の範囲を限定することを意図したものではない。
様々なユースケースに使用されるモデルをトレーニング及び選択する際に、クリエイティブインテリジェンスシステム100は、実施形態において、特定の異なるソースからのデータを混在させることに関して制限又は管理されてもよい。例えば、クリエイティブインテリジェンスシステム100のユーザは、個人の個人識別情報、センシティブな金融情報、センシティブな健康情報、センシティブなセキュリティ情報など、法的又は規制上の制約を受けるセンシティブな情報にアクセスする能力を有する場合があり、及び/又は、クリエイティブインテリジェンスシステムのホスト又はオペレータと、ユーザ又はサードパーティのデータプロバイダとの間の契約が、クリエイティブインテリジェンスシステム100がそのデータを他のデータプロバイダから提供されたデータと組み合わせることを許可される、条件を制約する場合がある。別の例において、あるデータソースから提供されたデータは、別のデータソースから提供された人口統計データと一致しない人口統計データを含むことがあり(例えば、第1のデータソースが18~40歳の男性又は女性の人口統計データを提供するのに対し、第2のデータソースは18~30歳及び31~50歳の男性又は女性の人口統計データを提供する)、従って組み合わせることができない。いくつかの実施形態において、クリエイティブインテリジェンスシステム100は、1つ以上の独立したソースからのデータを組み合わせることができない場合に、2つ以上の独立したソースからのデータに基づいて統合データを生成するように構成されてもよい。これらの実施形態のいくつかでは、クリエイティブインテリジェンスシステム100が、2つ以上の独立したソースからのデータをマルチベース化してもよい。マルチベース化とは、2つ以上の独立したソース(例えば2つの異なるデータベース)からのデータを横断的に分析することを指すことがあり、この場合、クエリに応答して複数の独立したソースに対して並列呼び出しが実行され、このクエリは、複数の独立したソースに対する並列呼び出し又は処理スレッドを介して指示される、単一の統一されたクエリを構成する場合がある。実施形態において、マルチベース化は、アルゴリズムファミリーの各メンバーが、アルゴリズムを供給する関連データソースのセットからデータを取得するように構成されるなど、アルゴリズムを使用して採用されてもよい。
実施形態において、クリエイティブインテリジェンスシステム100は、人間の行動に関連する様々なタイプのデータを使用して、1つ又は複数のモデルを訓練してもよく、それによってモデルは、所定のマーケティング関連のユースケース(例えば、メディアプランニング、コンテンツ選択、指向性ターゲティングなど)に関するタスクを最適化するように訓練される。実施形態では、そのユースケースが、非マーケティング系のユースケースであってもよい。これらの実施形態のいくつかにおいて、クリエイティブインテリジェンスシステム100は、特定のエンティティ(例えば事業部又は顧客)に対する特定のユースケースを処理するために、N個の異なるアルゴリズムのセットを実装して、N個の異なるモデルを訓練してもよい。クリエイティブインテリジェンスシステム100は、N個のモデルのそれぞれの性能を評価してもよく、ユースケース及び特定のエンティティを考慮して、最も性能の高いモデル又はモデルのセットを選択してもよい。いくつかの実施形態において、クリエイティブインテリジェンスシステム100は、アンサンブルモデリングを実行して、所定のユースケースに対して最高の性能を発揮するモデル(複数可)を評価し、選択してもよい。最高の性能を有するモデルが選択されると、そのモデルは、特定のユースケースに対して特定のエンティティが使用するために展開されてもよい。いくつかの実施形態において、データの一部は、広告コンテンツの1つ以上の異なる配信媒体(例えば、ソーシャルメディア、テレビ、印刷媒体、ラジオ、ウェブサイト、ストリーミングシステム、モバイルアプリケーションなど)に関連していてもよい。
実施形態において、クリエイティブインテリジェンスシステム100は、エンティティ(例えば顧客)コンピューティングシステム150(例えば、マーケティング会社システム、コンサルタントシステム、企業システムなど)、アプリケーション/メディアシステム160、ソーシャルメディアシステム170、ユーザデバイス180、自己完結型の写真撮影スタジオシステム190などと通信する。エンティティコンピューティングシステム150は、クリエイティブインテリジェンスシステム100の1つ又は複数をクライアントの立場で利用する組織の、コンピューティングインフラストラクチャであってもよい。例えば、マーケティング会社は、広告キャンペーンのメディアプランを決定するためにクリエイティブインテリジェンスシステム100を使用してもよく、それによって、クリエイティブインテリジェンスシステム100は、マーケティング会社のためにマーケティングプランを決定するように訓練されたモデルを活用してもよい。マーケティングプランの例には、どのメディア媒体(vehicles)を使用するか、それぞれの媒体に費やす金額、どの人口統計、デジタルペルソナ、及び/又はデジタルビレッジをターゲットにするか、及び、それらの人口統計、デジタルペルソナ、及び/又はデジタルビレッジをターゲットにする際にどのメディア媒体/メディア資産を使用するか、が含まれる場合がある。別の例において、コンサルティング会社は、クリエイティブインテリジェンスシステム100を活用して、異なるタイプのメディア資産に対して、場所に特化した又は人口統計学に特化したA/Bテストを実行し、どのタイプのコンテンツをどのタイプの潜在的な消費者に提示すべきか、又は特定の人口統計学、デジタルペルソナ、デジタルビレッジなどの特定のメンバーに到達するために、メディア資産にどのような属性を描写すべきか、を決定することができる。アプリケーションサーバ及びメディアシステム160は、コンテンツ及び/又はアプリケーションデータをオンラインユーザへ配信するコンピューティングシステムを指してもよい。例えば、ウェブサイト、検索アプリケーション、ブログアプリケーション、ストリーミングサービス、モバイルアプリケーション、ビデオゲームアプリケーション、ニュースアプリケーション、小売アプリケーションなどが挙げられる。ソーシャルメディアシステム170は、アプリケーションシステムの特定のタイプである。多くのソーシャルメディアシステム170は、ユーザが画像、ビデオクリップ、及び/又はオーディオクリップなどのメディア資産を共有することを可能にする。実施形態において、クリエイティブインテリジェンスシステム100は、ソーシャルメディアシステム170及び他のアプリケーション/メディアシステム160を介してメディア資産を伝播してもよく、メディア資産の伝播の結果、追跡データ及びユーザデータを取得してもよい。自己完結型の写真撮影スタジオシステム190は、メディア資産自動化装置を指してもよい。例えば、ユーザの施設にある自己完結型の写真撮影スタジオシステム190は、様々な設定(カメラアングル、チルト、ズーム、照明特性など)の下で靴製品の画像を大量に撮影するように構成されてもよく、クリエイティブインテリジェンスシステム100を活用して、靴製品の画像のうち、どれが特定のデジタルビレッジ内や特定のデジタルペルソナにアピールするのに最も効果的であるかを判断してもよい。自己完結型の写真撮影スタジオシステム190は、様々なタイプのメディア資産(例えば、画像、音声、ビデオなど)をキャプチャするように構成されてもよく、キャプチャされる被写体(複数可)及び/又はオブジェクト(複数可)に基づいて、構成設定を自動的に調整してもよい。例えば、自己完結型の写真撮影スタジオシステム190は、小さなオブジェクト(例えば靴や宝石)をキャプチャするために配置されてもよく、或いは生きている人間のモデルをキャプチャするために配置されてもよい。
図2Aは、クリエイティブインテリジェンスシステム100に供給するデータソース130に関連して、クリエイティブインテリジェンスシステム100のコンポーネントの例示的なセットを示している。実施形態において、クリエイティブインテリジェンスシステム100は、API及びサービスシステム102、メディア処理及び分析システム104、データ統合システム106、デジタル人類学サービスシステム108、及びインテリジェンスシステム110を含んでもよく、これらは以下でより詳細に説明される。更に、クリエイティブインテリジェンスシステム100は、メディア資産データストア210、メディア資産分析データストア212、保護(protected)データストア214、統合(integrated)データストア216、共通データストア218、及びデジタル人類学データストア220を更に含んでもよい。
図2Bは、クリエイティブインテリジェンスシステム100の実施例を示す。実施形態では、クリエイティブインテリジェンスシステム100が、ストレージシステム200、通信システム202、及び処理システム204を含んでもよい。クリエイティブインテリジェンスシステム100は、図7に示されていない追加のハードウェアコンポーネントを含んでもよい。
ストレージシステム200は、1つ又は複数のストレージデバイスを含む。ストレージデバイスは、永続的な記憶媒体(例えば、フラッシュメモリドライブ、ハードディスクドライブ)及び/又は一過性の記憶装置(例えばRAM)を含んでもよい。ストレージシステム200は、1つ又は複数のデータストアを格納してもよい。データストアは、1つ又は複数のデータベース、テーブル、インデックス、レコード、ファイルシステム、フォルダ、及び/又はファイルを含んでもよい。図示された実施形態において、ストレージデバイスは、メディア資産データストア210、メディア資産分析データストア212、保護データストア214、統合データストア216、共通データストア218、及びデジタル人類学データストア220を格納する。ストレージシステム200は、本開示の範囲から逸脱することなく、追加又は代替のデータストアを格納してもよい。
通信システム202は、通信ネットワーク(例えば、インターネット及び/又はセルラーネットワーク)を介して、ユーザデバイス180及び/又はサーバを含む1つ又は複数の外部デバイスと、無線又は有線で通信を実現するように構成された1つ又は複数のネットワークデバイスを含む。通信システム202は、任意の適切な通信プロトコルを実装してもよい。例えば、通信システムは、IEEE801.11の無線通信プロトコル及び/又は任意の適切なセルラー通信プロトコルを実装して、無線ネットワークを介した外部デバイスとの無線通信を実現してもよい。通信システム202は、有線及び/又は無線で通信を実行してもよい。通信システム202は、イーサネットカード、WIFIカード、セルラーチップセットなどを含んでもよい。
処理システム204は、コンピュータ読み取り可能な命令を格納するメモリ(例えば、RAM及びROM)と、コンピュータ読み取り可能な命令を実行する1つ又は複数のプロセッサとを含む。プロセッサは、独立した方法又は分散した方法で動作してもよい。プロセッサは、同じ物理デバイスに配置されてもよく、異なるデバイスに配置されてもよい。処理システム204は、API及びサービスシステム102、メディア処理及び分析システム104、データ統合システム106、デジタル人類学サービスシステム108、インテリジェンスシステム110、及びメディアプランニングシステム112のうち、1つ又は複数を実行してもよい。
実施形態では、クリエイティブインテリジェンスシステム100が、様々なデータソースからデータを受信してもよい。受信されるデータの種類は、これらに限定されるものではないが、サードパーティデータ(例えば、テレビの視聴率、商業的に利用可能な市場データなど)、シックデータ(例えば、顧客調査、オンライン調査など)、独自のクライアントデータ(例えば、組織の販売データ、組織の顧客データ、組織のメディアプランなど)、メディア資産に関連する追跡データ(例えば、メディアオブジェクトがクリックされた、見られた、スクロールされた、戻ってきた、共有されたなどのインスタンス)、並びに、追跡データに関連するユーザデータ(例えば、メディア資産を提示されたオンラインユーザのユーザID、IPアドレス、場所、年齢層、性別など)を含んでよい。いくつかの実施形態において、適切なデータは、デジタル人類学システム100のデータストアに保存されることに加えて又は代えて、分散型台帳システム(例えばブロックチェーン)を使用して保存されてもよい。
実施形態では、メディア資産データストア210が、メディア資産及び/又はメディア資産のゲノムを格納する。いくつかの実施形態において、メディア資産データストア210は、メディア資産クリエイター定義メタデータと、メディア資産属性及び/又はメディア資産に登場するオブジェクト(複数可)に関連するメディア資産オブジェクトメタデータ(例えば、メディア資産内でライブモデルが着用している靴製品の価格データ)も格納する。メディア資産データストア210は、他の適切なメディア資産関連データも格納してもよい。
実施形態では、メディア資産分析データストア212が、メディア資産に関連する分析データを格納する。実施形態において、分析データは、それぞれのメディア資産の追跡データと、それぞれのメディア資産を提示されたユーザのユーザデータとの組み合わせを含んでもよい。実施形態において、分析データは、メディア資産のそれぞれのセット、メディア資産のそれぞれのセットに関連する追跡データ、及びそれぞれのセットのメディア資産を提示されたユーザのユーザデータの分析に基づいて、メディア資産処理及び分析システム104によって導出されたメトリクス及び推論を更に含んでもよい。例えば、推論には、メディア資産のどの種類の属性が、特定の人口統計グループ、特定のデジタルペルソナ、又は特定のデジタルビレッジに属する、個人のポジティブな行動と最も相関しているかが含まれていてもよい。メディア資産分析データストア212は、他の適切な分析データも格納してよい。
実施形態では、保護データストア214が、その使用が制限されたデータを格納する。これは、(例えばライセンス契約の結果として)他のサービスからのデータと混在することができないサードパーティデータ、及び/又は、そのエンティティのために実行されるタスクでのみ使用することができるそれぞれのエンティティ(例えば顧客)の専有データを含むことができる。それぞれのエンティティの専有データは、その顧客又は他のユーザの個人識別情報(PII)、顧客の販売データ、エンティティのマーケティングデータ、エンティティのために実行されるタスクで使用するために訓練されたモデルなどを含んでもよい。保護データストア214は、任意の適切な保護データを格納してもよい。
実施形態において、統合データストア216は、2つ以上の独立したデータソースからのデータの統合によって得られたデータを格納する。いくつかの実施形態において、統合データストア216は、2つ以上の異なる独立したデータストアからのデータをマルチベース化した結果のマルチベースデータを格納する。統合データストア216は、2つ以上の異なる独立したデータソースにデータアスクリプション技術又はデータフュージョン技術を使用した結果のデータなど、他の適切なデータも格納してもよい。
実施形態では、共通データストア218が、任意のタスクに制限なく使用することができるデータを格納する。これは、クリエイティブインテリジェンスシステム100によって収集されたデータ、或いは、サードパーティによって提供され、共通使用のためにライセンスされた(例えば、任意のエンティティによる使用のためであり、他の当事者から得られたデータと混合されてもよい)データを含んでもよい。
実施形態において、デジタル人類学データストア220は、クリエイティブインテリジェンスシステム100のデジタル人類学サービスに関連して使用される、デジタル人類学データを格納する。デジタル人類学データは、異なる人口統計の属性を定義するデータ、異なるデジタルペルソナの属性を定義するデジタルペルソナデータ、及び/又は、異なるデジタルビレッジの属性を定義するデジタルビレッジを含むことができ、例えば、行動属性(例えば、ブラウジング行動、ソーシャルネットワーキング行動、購買行動、ショッピング行動、ウェブサイトのナビゲーション行動、モバイルアプリケーションとのインタラクション行動、モビリティ行動、ブログ行動、コミュニケーション行動、コンテンツ消費行動など)、人口統計学的属性、心理学的属性、地理的属性、シックデータなどが含まれるが、これらは全て、文脈上そうでないことが明確に示されている場合を除き、本明細書の「属性」又は「人口統計学的」という用語の使用によって包含されると理解されるべきである。
実施形態において、API及びサービスシステム102は、クライアントアプリケーションがデータをシステム100に要求及び/又はアップロードすることができるインタフェースを提供する。実施形態において、システム100は、1つ又は複数のサービスに対して、アプリケーションプログラミングインタフェース(API)、データ統合システム(例えば、ブローカー、コネクタ、ETLシステム、データ統合プロトコル(例えばSOAP)など)、ヒューマンリーダブルユーザインタフェース(例えば、ウェブインタフェース、モバイルアプリケーションインタフェース、及び/又はSaaS(software-as-a-service)又はPaaS(platform-as-a-service)システムのインタフェース)、及び/又はソフトウェア開発キット(SDK)を介して、クライアントがアクセスできるように、マイクロサービスアーキテクチャを実装してもよい。例えば、実施形態において、クリエイティブインテリジェンスシステム100のAPI又は他のインタフェースは、クライアントのユーザがメディア資産、又はメディア資産の識別子(例えばURL)をシステムにアップロードすること、及び/又はメディア資産に関連する分析にアクセスすることを可能にする、様々な分析サービスを公開してもよく、クリエイティブインテリジェンスシステム100に保存できない機密データへのアクセスを提供し、ユースケース及びアルゴリズムをアップロードし、アルゴリズムのファミリーを選択又は構成し、一連のクエリを構成し、メディアプランを要求及び表示することなどが可能である。これらの実施形態の一部において、API及びサービスシステム102は、エンティティのニーズに基づいてなど、インタフェース又は他のクライアント側の性能をカスタマイズする機能を提供する。いくつかの実施形態において、API及びサービスシステム102は、コンピュータビジョンサービスを含むメディア処理及び分析システム104のサービスを公開し、それによって、ビジョンサービスは、例えば、アップロードされた画像及び/又はビデオを、1つ又は複数のカテゴリに分類することができ、及び/又は、画像又はビデオからオブジェクト、顔、及びテキストを抽出することができる。実施形態において、クリエイティブインテリジェンスシステム100は、クライアント開発者がAPI及びサービスシステム102を介してシステム100の1つ又は複数のサービスにアクセスすることを可能にする、1つ又は複数のSDKを提供してもよい。SDKの例示的なタイプには、以下のものが含まれるが、これらに限定されない:Android、iOS、JavaScript、PHP、Python、Swift、Windows、及び/又はRubyのSDKである。
実施形態において、API及びサービスシステム102は、それぞれのデータソースからデータを受け取り、そのデータを適切なデータストア又はシステムにルーティングしてもよい。例えば、API及びサービスシステム102は、受信したメディア資産をメディア資産データストア210に格納してもよく、及び/又はメディア資産をメディア処理及び分析システム102にルーティングしてもよく、このシステム102は、順番にメディア資産を処理して、その処理の結果に基づいてメディア資産データストア210及び/又はメディア資産分析データストア212を更新してもよい。この例において、API及びサービスシステム102は、伝播されたメディア資産に関連する追跡データ及びユーザデータを更に受信してもよく、API及びサービスシステム102は、メディア処理及び分析システム104にルーティングしてもよく、そのシステム104は、順番に、追跡データ及びユーザデータをそれぞれのメディア資産の属性に関連して処理し、その処理の結果に基づいてメディア資産分析データストア212を更新してもよい。別の例において、API及びサービスシステム102は、特定のエンティティに対してのみ使用可能なサードパーティデータ及び/又は専有エンティティデータを、保護データストア214に格納してもよく、及び/又は、サードパーティデータ及び/又は専有エンティティデータを、データ統合システム106にルーティングしてもよく、データ統合システム106は、専有エンティティデータをシステム100によって収集された他のデータとマルチベース化してもよく、その結果を統合データストア216に格納してもよい。別の例において、API及びサービスシステム102は、特定の縦断的又は特定のエンティティに関して特定のタスク又は分析を実行するために使用される、ドメイン固有のデータ(例えば、ユースケース、アルゴリズム、及び/又はベースモデル)を受信してもよい。API及びサービスシステム102は、ドメイン固有のデータをデジタル人類学データストア220にルーティングしてもよい。API及びサービスシステム102は、API及びサービスシステム102が取り扱うように構成されている、追加又は代替のタイプのデータを受信してもよい。
実施形態において、メディア処理及び分析システム104は、メディア資産を処理して、メディア資産の1つ又は複数の属性を分類し、メディア資産から追加の属性を抽出し、対応するメディア資産に関連付けられるメディア資産ゲノムを生成及び/又は抽出し(任意で、作成時にクリエイターによってメディア資産に関連付けられたゲノム属性と、機械処理などのメディア資産の処理によって得られた他の属性との組み合わせを含む)、メディア資産を1つ又は複数のデジタル環境に伝播し、1つ又は複数のデジタル環境でメディア資産を提示されたオンラインユーザの行動を追跡し、及び/又は、オンラインユーザ及びメディア資産の属性に関連する行動を分析する。実施形態では、この種の追跡から得られる分析が、メディアプランニングなどの商業活動で使用するメディアオブジェクトを推奨するために使用されてもよい。
図3は、本開示のいくつかの実施形態による、メディア処理及び分析システム104の例示的なコンポーネントのセットを示している。実施形態において、メディア処理及び分析システム104は、メディア資産処理システム302、メディア資産タグ付けシステム304、及びメディア資産分析システム306を含む。
実施形態において、メディア資産処理システム302は、メディア資産を分析して、それぞれのメディア資産の1つ又は複数のメディア資産属性を決定する。例えば、メディア資産処理システム302は、画像、ビデオ、オーディオ、テキストなどを分析して、それらの属性を、1つ又は複数の機械学習モデル及び/又は他の人工知能ベースのプロセスを使用して、分類及び/又は抽出するように構成されてもよい。実施形態では、機械学習モデル及び他の人工知能ベースのプロセスのトレーニング及び展開が、インテリジェンスシステムによって実行される。実施形態では、メディア資産処理システム302が、メディア資産タグ付けシステム304に対して属性を出力してもよい。
画像及び/又はビデオの場合、メディア資産処理システム302は、画像、ビデオ、又は他の視覚的メディア資産の1つ又は複数の要素を分類するように訓練された、1つ又は複数の分類モデルを利用してもよい。実施形態において、分類モデル(例えば、画像分類モデル又はビデオ分類モデル)は、ラベル付けされた画像又はビデオを使用して訓練されてもよく、そのラベルは、画像又はビデオの全体としてのそれぞれの分類(例えば、ビーチの画像、山の画像、アクションビデオなど)、又は画像の被写体の分類(例えば、モデルが女性である、モデルが水着を着ている、モデルがサーフィンをしている、モデルがヨガをしているなど)を示してもよい。分類モデルは、画像又はビデオを分類するように訓練することが可能な、任意の適切なタイプのモデル(例えば、ニューラルネットワーク、畳み込みニューラルネットワーク、回帰ベースのモデル、ディープニューラルネットワークなど)であってもよい。いくつかの実施形態において、分類モデルは、ラベル付けされていない画像又はビデオで訓練されてもよい。これらの実施形態では、メディア処理システム302及び/又はインテリジェンスシステム110が、メディア資産から特徴を抽出し、抽出された特徴に基づいてメディア資産をクラスタリングしてもよい。これらの実施形態では、メディア資産がそれぞれのクラスタに割り当てられることになった支配的な特徴に基づいて、クラスタ内のメディア資産に「ラベル」が割り当てられてもよい。実施形態において、メディア資産処理システム302は、視覚的メディア資産をインテリジェンスシステムに供給してもよく、インテリジェンスシステムは、1つ又は複数の分類モデルを活用して、メディア資産の分類及び/又はメディア資産の1つ又は複数の要素の分類を決定する。その分類は、メディア資産の属性としてメディア資産に帰属させることができる。いくつかの実施形態において、メディア資産処理システム302は、メディア資産の追加の属性を抽出するために、視覚的メディア資産に対して特徴抽出を実行してもよい。
オーディオメディア資産の場合、メディア資産処理システム302は、オーディオメディア資産を分析して、オーディオメディア資産(例えば、オーディオセグメントのトピック)を分類してもよい。実施形態において、メディア資産処理システム302及び/又はインテリジェンスシステム110は、音声合成分析(text-to-speech analysis)及び自然言語処理を実行して、オーディオセグメントに含まれる音声の内容を分類してもよい。そして、その分類は、メディア資産の属性としてメディア資産に帰属されてもよい。実施形態では、メディア資産処理システム302が、メディア資産の1つ以上の属性を識別するために、オーディオセグメント上でオーディオ分析を実行してもよい。例えば、メディア資産処理システム302は、オーディオセグメントを解析して、話者のトーン、話者のジェンダー、話者のペース、オーディオセグメントで再生されている曲、オーディオセグメント内の環境音などを識別してもよい。
実施形態において、メディア資産タグ付けシステム304は、メディア資産の属性を受信し、それに基づいてメディア資産ゲノムを生成する。メディア資産ゲノムは、メディア資産の属性を含むデータ構造であってもよい。いくつかの実施形態において、メディア資産ゲノムは、ゲノムをメディア資産に関連付けるメディア資産識別子(例えばメディア資産のUUID)や、任意の適切なメタデータ(例えば、メディア資産の属性を抽出するために使用されるモデルの識別子)などの、追加データを含んでもよい。
実施形態では、メディア資産タグ付けシステム304が、伝播及び追跡のために画像を準備してもよい。実施形態において、メディア資産タグ付けシステム304は、メディア資産の使用状況及び配布状況の追跡と、メディア資産を提示されたオンラインユーザのユーザデータの報告とを可能にする、タグ及び/又はコード(例えばJavaScriptコード)を画像に埋めてもよい。
実施形態において、メディア資産処理システム302及び/又はメディア資産タグ付けシステム304は、メディア資産キャプチャ機能を有するユーザデバイス(例えば、デジタルカメラ、携帯電話、スマートグラス、拡張現実グラス、仮想現実グラス、タブレット、ラップトップ、ビデオカメラ、マイクロフォンなど)と接続して使用することができ、それによって、ユーザデバイスは、キャプチャしたメディア資産を分類し、キャプチャしたメディア資産のメディア資産ゲノムを生成及び/又は抽出し、メディア資産をメディア資産ゲノムと関連付け、及び/又は、メディア資産にタグ及び/又はコードを埋め込むことによってメディア資産を伝播及び追跡のために準備するように構成される。これらの実施形態では、タグ及び/又はコードが、追跡情報及び/又はユーザデータを、クリエイティブインテリジェンスシステム100のAPIにルーティングしてもよい。いくつかの実施形態において、ユーザデバイスは、撮影された各画像についてゲノムを自動的に生成し、画像の撮影に関連するデバイス設定を取り込む、環境の属性(例えば照明属性)を取り込むなどして、ゲノムを画像に関連付ける、ソフトウェアが組み込まれたデジタルカメラ(又はデジタルカメラを有するユーザデバイス)であってもよい。これらの実施形態では、デジタルカメラが、ゲノム及び画像をクリエイティブインテリジェンスシステム100に伝達してもよいし、画像をデジタル環境に伝播させてもよい(例えばソーシャルメディアへの投稿など)。いくつかの実施形態において、ユーザデバイスは、写真家、監督、又は他のコンテンツクリエイターなどのユーザに、ユーザデバイスのインタフェース上、或いは、ウェブ、モバイル、又は他のソフトウェアインタフェースなどの接続されたシステムのインタフェース上などで、ゲノムのいくつかの属性を入力するように促してもよい。例えば、クリエイターは、画像の被写体、意図された雰囲気、求められたスタイル、画像の1つ又は複数の目的、描かれている衣服又は他のアイテムのブランド、及び他の多くの属性を特定することができる。
実施形態において、メディア資産分析システム306は、1つ又は複数のメディア資産のゲノム、メディア資産のセットに関連する追跡データ、追跡データに関連するユーザデータ、及び他の適切なデータに基づいて、メディア資産に関する分析を行う。実施形態において、メディア資産分析システム306によって使用され得る追跡データの例は、メディア資産に対するマウスホバー状態、メディア資産に対するマウスクリック、メディア資産を過ぎたスクロール、メディア資産のダウンロード、メディア資産を使用して広告されたアイテムの購入、メディア資産の視聴時間、メディア資産のビデオ又はオーディオの再生回数、メディア資産に対するアイトラッキング、メディア資産に対するスキャン行動、メディア資産を提示したときのユーザの表情、メディア資産を提示したときのユーザの体の動き、メディア資産を提示したときに感知した生理学的データ(例えば、脳波(EEG)、心電図(ECG)、筋電図(EMG)、血圧、体温、血糖値、ガルバニックスキンレスポンス(GSR))などの、遠隔測定データを含むが、これらに限定されない。実施形態において、追跡データは、位置データ(メディア資産がアクセスされた場所など)、メディア資産がアクセスされたときのタイムスタンプ、メディア資産にアクセスしたデバイスの種類などの、メタデータを追加的又は代替的に含んでもよい。追跡データは、ウェブブラウザ、カメラ、メディア資産を提示するユーザデバイスのマイク、及び/又は1つ以上のバイオメトリックセンサ(例えばウェアラブルデバイスの)など、任意の適切なデバイスによって収集されてよい。実施形態では、追跡データが、スマートストア、スマートビークル、スマートシティなどを含むがこれらに限定されない、他のタイプの環境からも収集されてもよい。
メディア資産分析システム306は、任意の適切な記述的、診断的、又は予測的な分析を実行してもよい。例えば、メディア資産分析システム306は、特定のメディア資産又はメディア資産のクラスについて、その特定のメディア資産又はメディア資産のクラスが最も良く機能する、人口統計グループ又はデジタルペルソナ(例えば、どの人口統計グループ又はデジタルペルソナが、メディア資産又はメディア資産のクラスをクリックする可能性が最も高いか、或いは、メディア資産又はメディア資産のクラスを使用して広告されている製品又はサービスを購入する可能性が最も高いか)を決定してもよい。別の例において、メディア資産分析システム306は、母集団(population)(例えば、母集団全体、又は特定の人口動態、デジタルペルソナ、又はデジタルビレッジ)が与えられたポジティブな事象と最もポジティブに相関する属性の種類を決定してもよい。
実施形態では、メディア資産分析システム306が、メディア資産のセットに対して分析を実行する要求を受信してもよい。例えば、その要求は、共通の製品又はサービスを個別に広告するために使用された画像のセットを示してもよい。要求に応答して、メディア資産分析システム306は、各画像のメディア資産ゲノム、各画像の追跡データ、及び追跡データに対応するユーザデータを取得してもよい。これらの実施形態において、メディア資産分析システム306は、ポジティブなイベント(例えば、ユーザが画像をクリックした、ユーザが画像に関連する製品又はサービスを購入した、など)と最もポジティブに相関した属性を決定してもよい。例えば、メディア資産分析システム306は、特定のスポーツに参加している被写体を描いた画像が、従来のモデルのポーズをとっている被写体を描いた画像よりも、ポジティブなイベントにつながる可能性が高いと判断してもよい。これらの実施形態では、適切な分析アルゴリズムを用いて分析を行ってもよい。実施形態では、ユーザデータが、デジタルペルソナ、デジタルビレッジ、人口統計学的カテゴリなどのセットに関して収集されてもよい。
実施形態では、メディア資産分析システム306が、分析の結果(例えば分析データ)を、クリエイティブインテリジェンスダッシュボードを介してユーザに提示してもよい。例えば、ユーザは、クリエイティブインテリジェンスシステム100からの分析データを明示的に要求してもよい。これらの実施形態において、メディア分析システム306は、ダッシュボードを介して、キャンペーン、メディア資産、及び/又は顧客の行動に関連する分析を提示してもよい。例えば、メディア分析システム306は、特定のメディア資産属性(例えば、背景、モデルの服装など)と特定のユーザ属性(例えば、年齢、性別、場所など)との、相関関係を示すグラフィック、表、チャートなどを提示してもよい。実施形態において、メディア資産分析システム306は、分析データがセグメンテーション及び/又はメディアプランニングなどの他のサービスで使用され得るように、分析データをメディア資産分析データストア212に書き込んでもよい。
図4は、画像のセットに対する分析データを決定するための方法400の一連の動作例を示す。本方法は、メディア処理及び分析システム104に関して説明されているが、本方法は、本開示の範囲から逸脱することなく、任意の適切なコンピューティングシステムによって実行されてもよい。
410で、メディア処理及び分析システム104は、画像のセットを処理及び分類する。実施形態では、メディア処理及び分析システム104が、画像自体を分類してもよく、及び/又は画像の1つ又は複数の側面を分類してもよい。メディア処理及び分析システム104は、1つ又は複数の分類モデルを活用して、画像の属性のセットを決定してもよい。いくつかの実施形態において、インテリジェンスシステム110は、メディア処理から画像を受け取り、各画像の1つ又は複数の特徴を抽出して、抽出された特徴に基づいて各画像の1つ又は複数の特徴ベクトルを生成する。インテリジェンスシステム110は、それぞれの特徴ベクトルを、1つ又は複数の分類モデル(例えば画像分類モデル)に投入してもよい。分類モデルは、各特徴ベクトルについて、その特徴ベクトルに基づいてそれぞれの分類を出力してもよい。いくつかの実施形態において、各分類は、分類モデル及び画像の特徴が与えられたときの分類の信頼度を示す、信頼度スコアを含んでもよい。実施形態では、インテリジェンスシステム110が、各画像の分類をメディア処理及び分析システム104に返してもよい(例えば、画像ごとに複数の分類モデルが使用される場合には、最高の信頼度スコアを有する分類)。
412において、メディア処理及び分析システム104は、各画像について、画像の分類から得られたデータセットを正規化して、画像の画像ゲノムを取得してもよい。メディア処理及び分析システム104は、画像の画像ゲノムを得るために、分類処理から得られた画像のメディア資産属性をデータ構造に取り込んで(populate)もよい。メディア処理及び分析システム104は、画像及び/又は画像の特定のクラス(例えば、風景、アクション写真、モデルのポーズ、製品の写真など)に帰属させることができる属性のタイプを定義する、事前に定義されたオントロジー又はスキーマに従って、データセットを画像ゲノムデータ構造に正規化してもよい。実施形態では、画像ゲノムのオントロジー/スキーマが、画像に帰属する可能性があるメディア資産の属性の全セットを含んでもよく、それによって、画像に対応するデータ構造は、任意のメディア資産の属性でパラメータ化されてもよい。
414で、メディア処理及び分析システム104は、各画像について、画像から追加の特徴のセットを抽出してもよい。メディア処理及び分析システム104は、被写体の異なる要素の比率、画像内の他のオブジェクトに対する被写体のサイズなどを計算することを含む、様々なタイプの特徴抽出を実行してもよい。メディア処理及び分析システム104は、追加の抽出された特徴で画像ゲノムを補強してもよい。
416で、メディア処理及び分析システム104は、各画像について、画像ゲノムを画像に関連付ける。実施形態では、メディア処理及び分析システム104が、画像ゲノム又は画像ゲノムに対応するデータベースレコードに、UUID、又は画像の任意の他の適切な一意の識別子を格納してもよい。
418で、メディア処理及び分析システム104は、画像のセットを1つ又は複数のデジタル環境に伝播する。実施形態において、メディア処理及び分析システム104は、画像がユーザに提示されたときに、利用可能なユーザデータと同様に、追跡データを記録及び報告できるようにする、タグ及び/又はコード(例えばJavaScriptコード)を埋め込むことができる。実施形態において、メディア処理及び分析システム104は、デジタル広告、ソーシャルメディアへの投稿、ウェブサイト、ブログ、及び/又は他の適切なデジタル環境に画像を配置することによって、画像を伝播させてもよい。いくつかの実施形態において、メディア処理及び分析システム104は、エンティティが画像のセットをデジタル環境に伝播することができるように、画像のセットをエンティティに関連するクライアントに提供する。
420で、メディア処理及び分析システム104は、各画像に対応する追跡データ及びユーザデータを受信し、追跡データ及びユーザデータを画像の画像ゲノムに関連して格納する。受信される追跡データは、画像に関連する結果(例えば、オンラインユーザが画像を使用して広告されているアイテムを購入したか否か、オンラインユーザが画像又は画像に関連するリンクをクリックしたか否か、オンラインユーザが画像を共有又はダウンロードしたか否か、オンラインユーザが画像をスクロールして通過したか、画像を非表示にしたか、又は画像を報告したかなど)を含んでもよい。追跡データは、画像が提示されたときのオンラインユーザの行動を示すデータ(ユーザの心拍数、ユーザの視線、ユーザの血圧、ユーザの顔の表情など)を追加又は代替として含んでもよい。実施形態では、ユーザデータが、オンラインユーザを明示的に識別するデータであってもよい(例えば、ユーザのユーザ名、電子メールアドレス、ユーザプロファイル、電話番号など)。付加的な又は代替的に、ユーザデータは、ユーザに関する情報(insight on the user)を提供するが、オンラインユーザを特定しないデータであってもよい(例えば、ユーザのIPアドレス、ユーザの所在地、ユーザの年齢又は年齢層、ユーザの性別、ソーシャルメディアプラットフォームでユーザが「いいね!」としたものなど)。実施形態において、メディア処理及び分析システム104は、追跡データ及びユーザデータがオンラインユーザに提示されたそれぞれの画像の画像ゲノムに関連付けられるように、追跡データ及びユーザデータをメディア資産分析データストア212に格納してもよい。
422で、メディア処理及び分析システム104は、1つ又は複数の画像の画像ゲノム、並びにそれらに関連付けられた追跡データ及びユーザデータに基づいて、分析データを決定する。例えば、メディア処理及び分析システム104は、特定の画像又は画像のクラス(例えば同じ分類を有する画像)について、特定の画像又は画像のクラスが最も良いパフォーマンスを示す人口統計グループ又はデジタルペルソナ(例えば、どの人口統計グループ又はデジタルペルソナが、画像をクリックする可能性が最も高いか、又は画像を使用して広告されている製品又はサービスを購入する可能性が最も高いか)を決定してもよい。別の例において、メディア処理及び分析システム104は、母集団(例えば、母集団全体、特定の人口統計、デジタルペルソナ、デジタルビレッジなど)が与えられたポジティブな事象と最もポジティブに相関する属性の種類を決定してもよい。メディア処理及び分析システム104は、クリエイティブインテリジェンスダッシュボードや他のグラフィカルユーザインタフェースを介して、ユーザに分析データを提示してもよく、及び/又は、分析データをメディア資産分析データストア212に保存してもよい。
図4の方法は、例示としてのみ提供される。本方法の変形が企図され、本開示の範囲内である。例えば、いくつかの実施形態では、メディア処理及び分析システム104が、単一の画像の変形を生成して、その画像の異なるバリエーションを得ることができる。例えば、メディア処理及び分析システム104は、特定の属性がポシティブな結果とより良く相関するか否かをより良く判断するように、対象者の衣服の色、対象者の髪の色、対象者のヘアスタイル、又は画像に描かれた背景など、画像の2つ以上のバージョンで1つ以上の属性を変化させてもよい(又は人間のユーザに変化を許可してもよい)。関連する例では、あるエンティティに関連するユーザが、販売する商品に関連して、関連する画像ゲノムを有する画像をエンティティのウェブサイトに埋め込むことができる。ユーザは、画像に関するイベントを追跡し、追跡されたイベントに基づいて追跡データを報告するように構成されたタグ及び/又はコード(例えばJavaScriptコード)と、画像を提示されたオンラインユーザのユーザデータ(例えば、IPアドレス、場所、年齢、及び/又は性別)とを含むことができる。更に、ユーザは、同じアイテムに関して表示される複数の代替画像を含む画像セットを提供することができ、それによって、ページがアクセスされる度に代替画像が動的に切り替えられる。ゲノムデータ、イベント追跡データ、及びユーザデータ(利用可能な場合)は、メディア資産処理及び分析システムへ送信され、動的学習を利用したA/Bテストや、クリエイティブインテリジェンスダッシュボード上でのユーザに対するレコメンデーションの提供が可能になる。
図2Aに戻って、メディア処理及び分析システム104は、他の適切なサービスを実行してもよい。例えば、実施形態において、メディア処理及び分析システム104は、メディア資産データを、サードパーティのデータソースからの第一パーソン(first person)データ(eコマースの購入データなど)と組み合わせて、最適な撮影条件を決定してもよい。実施形態では、メディア処理及び分析システム104が、エンティティにサービスとしての撮影を提供するサービス撮影(photography-as-a-service)と関連して動作してもよい。実施形態において、メディア処理及び分析システム104は、広告ネットワーク(例えば、ペルソナベースの広告ネットワーク)及び/又はメディア入札及び購入システム(例えば、ペルソナベースの入札及び購入システム)と関連して動作してもよい。メディア入札及び購入システムは、メディアの機会に入札又は購入するための不正な要求を検出する不正検出タスクを実行してもよい。
メディア処理及び分析システム104は、データソースの分析及び統合されたメディア研究の再重み付け、製品の消費者間の人口統計学的変数の見直し(例えば「チェイド分析」)、クラスタ分析、因子分析(例えば変数間の関係の分析)、投資収益率(ROI)の分析、テレビ視聴者の干満分析、キャンペーン後の配信分析などの、追加の分析タスクを実行してもよい。
メディア処理、トラッキング、及び分析の更なる実装及び例が、表題が「TECHNOLOGIES FOR ENABLING ANALYTICS OF COMPUTING EVENTS BASED ON AUGMENTED CANONICALIZATION OF CLASSIFIED IMAGES」の2019年8月30日に出願されたPCT出願番号US2019/049074に提供されており、その内容は参照により組み込まれる。
実施形態において、データ統合システム106は、2つ以上の独立したデータソースからの複数のデータセットを統合するように構成される。これらの実施形態のいくつかでは、データ統合システムが、独立した複数のデータソースからのデータを相互分析することによって、独立したデータソースからのデータをマルチベース化する。
実施形態において、データ統合システム106は、複数のデータ独立ソースからのデータを相互分析するマルチベース化システムを含み、マルチベース化システムは、単一のクエリに応答して、複数の独立データソースへの並列呼び出しを実行する。いくつかの実施形態では、マルチベース化システムが、3つ以上のデータソースからのデータをマルチベース化することができる。実施形態では、マルチベース化システムが、マルチベース化の結果を統合データストア216に格納してもよい。或いは、マルチベース化システムは、マルチベース化の結果を統合データストア216に格納しないように、オンデマンドでマルチベース化機能を実行してもよい。マルチベース化の例は、「A METHOD OF RELATING MULTIPLE INDEPENDENT DATABASES」と題された米国特許第7,437,307号と、「CALCULATION OF REACH AND FREQUENCY BASED ON RELATIVE EXPOSURE ACROSS RESPONDENTS BY MEDIA CHANNELS CONTAINED IN SURVEY DATA」と題された米国特許出願公開第2017/0169482号でより詳細に説明されており、それらの内容はいずれも参照によりその全体が組み込まれる。
マルチベース化の具体例において、ユーザは、テレビ媒体(放送時間区分/チャンネル)に関連する人口統計データを有する第1のデータベースと、第2のソースからの印刷媒体(雑誌、新聞など)又は電子媒体(ブログ、ウェブサイト、ニュースサイト、ソーシャルメディアなど)に関連する人口統計データを有する第2のデータベースとの、2つの独立したデータベースを関連付ける又はリンクさせることができる。この例において、マルチベース化システムは、1つ以上の人口統計学的変数について、第1のデータベースに関連付けられた第1市場評価データ(メディア媒体の視聴レベル及び視聴者の人口統計学的データ)を集計する。次に、マルチベース化システムは、1つ以上の人口統計学的変数について、第2のデータベースに関連付けられた代理市場評価データを集計する。実施形態において、マルチベース化システムは、続いて、第2のデータベースについての1つ以上の人口統計学的変数について、ターゲットグループの母集団を決定してもよい。マルチベース化システムは、次に、第1のデータベースに関連付けられた第1市場評価データと、決定されたターゲットグループ母集団とに基づいて、第1のデータベースに対する予測される媒体視聴者を計算してもよい。また、マルチベース化システムは、第2のデータベースに関連付けられた代理市場評価データと、決定されたターゲットグループ母集団とに基づいて、第2のデータベースに対する予測される代理視聴者を計算してもよい。次に、マルチベース化システムは、実際の代理視聴者を決定する。更に、マルチベース化システムは、第1メディア媒体データベースに対する予測される媒体視聴者、第2メディアデータベースに対する予測される視聴者、及び実際の代理視聴者に基づいて、第1データベースによって表される第1メディア媒体に対する実際の媒体視聴者の出力を提供する。前述はマルチベース化の一例であり、マルチベース化システムは、本開示の範囲から逸脱することなく、他のタイプのデータをマルチベース化してもよい。
実施形態において、デジタル人類学サービスシステム108は、人間の行動及び人間の文化に関連する洞察を提供する。いくつかの実施形態では、デジタル人類学サービスシステム108が、これらの洞察を決定するために、1つ又は複数の計算民族学(computational ethnography)ツール及び/又は技術を実装する。実施形態において、デジタル人類学サービスシステム108は、セグメント、デジタルペルソナ、及び/又はデジタルビレッジを識別し、デジタルペルソナを有する又は識別されたデジタルビレッジに属する、人間の行動を理解することができる。例えば、デジタル人類学サービスシステム108は、キャプチャされたテキスト(Twitterや他のソーシャルメディアの投稿などから)と、キャプチャされたテキストに対応する画像とを入力として分析を行い、画像を議論する際の個人の感情を判定してもよい。別の例において、デジタル人類学サービスシステム108は、画像又は動画を見たときの当該ユーザの感情を判定するために、画像又は動画とのユーザインタラクションに関する分析を実行してもよい。デジタル人類学サービスシステム108は、デジタルペルソナ及び/又はデジタルビレッジに属するユーザを識別するために、特定のメディア資産を提示されたときのユーザの購入、特定の種類のアイテムを購入するときにユーザが訪れたウェブサイト、買い物のときにユーザが使用したアプリケーションなどの、他のユーザ属性も分析してよい。いくつかの実施形態において、デジタル人類学サービスシステム108は、個々の消費者の行動を監視することなく、消費者のデジタルペルソナ及び/又はデジタルビレッジを判定することができる。実施形態において、デジタル人類学サービスシステム108は、個々の消費者が加入することができる広告のネットワークターゲットとして、複数のペルソナを構成してもよい。
いくつかの実施形態において、デジタル人類学サービスシステム108(インテリジェンスシステム108との組み合わせ)は、指定されたユースケースに対してN個の人工知能ベースのアルゴリズムの性能をテストし、複数のデータソースからのトレーニングデータに基づく特定のユースケースに対するN個のアルゴリズムのそれぞれの性能に基づいて、指定されたユースケース(例えばユーザが定義したタスク)に活用するアルゴリズム(及び/又は機械学習モデル)をN個のアルゴリズムのセットから選択するように構成される。
図5は、デジタル人類学サービスシステム108によって実装され得るアルゴリズム最適化アーキテクチャの一例を示している。図示された例において、デジタル人類学サービスシステム108は、N個のドメイン固有のクライアントアルゴリズム502-1、502-2、・・・502-N(概してクライアントアルゴリズム502と呼ばれる)のセットを、クライアントに代わってマーケティング関連のタスクを実行する特定のユースケース512のために最適化するように構成される。マーケティング関連のタスクの例としては、顧客セグメンテーション、トピックモデリング/自然言語処理、市場プランニングなどが挙げられる。実施形態において、クライアントアルゴリズム502は、特徴抽出、クラスタリング、再帰的なモデルトレーニング、及び/又はそのようなものなどの、機械学習タスクを実行する機械学習アルゴリズムである。
しかしながら、訓練された機械学習及び/又は人工知能アルゴリズムから得られる推論、分類、及び/又は予測は、機械学習及び/又は人工知能アルゴリズムを訓練するために使用される基礎データの、豊富さ及び多様性に依存しているという問題がある。現代の消費者や企業ユーザは、ネットワークエッジで大量のデータを生成し、例えば、モノのインターネット(IoT)デバイスからのセンサー測定値、カメラで撮影された画像、企業の異なる支店の取引記録などである。このようなデータは、データのプライバシー規制や通信帯域の制限のために、中央のクラウドと共有できない場合がある。多くのシナリオでは、機械学習及び/又は人工知能アルゴリズムのパフォーマンスを向上させるために使用される可能性のあるデータが、異なる当事者の管理下にある異なるデータストアに保存される場合があり、いくつかのシナリオでは、このデータが、個人を特定可能な情報、制限されたデータ、専有データ、センシティブデータなどの、保護されたデータである場合がある。例えば、ソフトドリンクを製造する組織は、特定のユースケース512(例えば、顧客セグメンテーション、市場プランニングなど)のために、デジタル人類学サービスシステム108を利用することができる。このシナリオにおいて、ソフトドリンク製造業者は、ソフトドリンク製造業者を助けるビジネス上のインセンティブがあるにも関わらず、ファーストフードチェーンがソフトドリンク製造業者に対する提供を望まない可能性がある、サードパーティデータ(例えば、ソフトドリンクを提供するファーストフードチェーンの販売データ)にアクセスできることで、利益を得ることができる。同様に、ソフトドリンク製造業者は、地理的に異なる場所の自動販売機の販売データを持つことで利益を得ることができ、このシナリオでは、異なる場所の自動販売機のデータが、物理的に異なる場所の異なるデータストアに保存される可能性がある。別のシナリオでは、ソフトドリンク製造業者の2つのビジネス部門が、他のそれぞれの部門のデータ(例えば、販売データ及びマーケティングデータ)にアクセスできない場合がある。
エンティティ及び個人が自分のデータの制御を維持できるようにしながら、デジタル人類学サービスシステム108によって展開された機械学習及び/又は人工知能アルゴリズムの性能を向上させるために、デジタル人類学サービスシステム108は、クライアントアルゴリズム502のセットをN個のそれぞれのホスト500に配布し、それぞれのホスト500によって実行されたトレーニングの結果504に基づいて、クライアントアルゴリズムを最適化する(例えば、クライアントアルゴリズムによってトレーニングされているモデルを最適化する)マスターアルゴリズム514を実行する。本明細書で使用される場合、ホスト500は、1つ又は複数のプロセッサ及びデータストレージを含むと共に、デジタル人類学サービスシステム108と通信可能な、任意の適切なコンピューティング環境/デバイスを指すことがある。実施形態において、ホスト500は、消費者の設定におけるモバイルデバイス、ローカルサーバ、企業又は組織横断的な設定におけるクラウドデータセンターなどを含んでもよい。ホスト500は、顧客(例えば、分析、クロールされたデータ(crawled data)、メディア資産分析など)又は別のエンティティ(例えば、顧客の取引先の販売データ、サードパーティのデータ収集者が提供するデータセット、ソーシャルメディアプラットフォーム又は他のコンテンツプラットフォームからのデータ、ユーザデバイスからの遠隔測定データ)に属する、それぞれのデータセットを格納する又はそれにアクセスすることができる。
実施形態において、デジタル人類学サービスシステム108は、クライアントアルゴリズム502のセットをN個のそれぞれのホストに分配し、それによって、それぞれのホスト500は、クライアントアルゴリズム502を実行して、ローカル機械学習モデルを訓練する。これらの実施形態において、マスターアルゴリズム514は、それぞれのホストと協働して動作し、分散型の方法で(例えば、ローカル機械学習モデルのトレーニングに基づいて)グローバルモデルを訓練する。図示された例において、クライアントアルゴリズム502は、メディア資産分析データストア212を格納する第1のホスト500-1、保護データ214(例えば、サードパーティのサーバに格納されたサードパーティのデータ)を含む第2のホスト500-2、共通データ216(例えば、公開されているデータソースからウェブクローラによって収集されたデータ)を格納する第3のホスト500-3、統合データ218(例えば、2つ以上の別々のデータソースをマルチベース化した結果のデータ)を格納する第4のホスト502-4、・・・及びN番目のタイプのデータを格納するN番目のホストによって実行されてよい。前述のリストは例示のためだけに提供されており、他の適切なタイプのデータ又はシナリオがサポートされてもよいことが理解される。例えば、ある組織が国の異なる地域に異なるデータセンターを有し、それによって、各データセンターに保存されているデータが異なる地理的な場所に対応する場合がある。このシナリオでは、それぞれのデータセンターが、それぞれの地理的地域に対応するデータを保存するそれぞれのホスト500であってもよい。実施形態において、クライアントアルゴリズム502を異なるデータホスト500に分散させることにより、デジタル人類学システム108は、異なるデータセットにクライアントアルゴリズムのトレーニングを分散させることができ、異なるデータセットの所有者が潜在的に異なる。
実施形態では、マスターアルゴリズム514が、ホスト500のデータセットのいずれにもアクセスしない。これらの実施形態のいくつかにおいて、マスターアルゴリズム514は、各ホスト500から結果504(例えば、トレーニング反復後の決定されたモデル重み)を受信し、ホスト500のセットからの結果504を、ユースケース512に関連して使用されるグローバルモデルに同期させる。いくつかの実施形態において、マスターアルゴリズムは、メタ学習のためにクライアントアルゴリズム500によって使用されるフィードバック505を形式化するように構成されてもよい。これらの実施形態のいくつかにおいて、マスターアルゴリズム514は、代表的なデータ(グローバルモデルが使用されるときに、トレーニングデータセットから、及び/又はデータサイエンティストや顧客などの人間から、得られる可能性がある)を使用して検証データセットを提供することによって、グローバルモデルのテストに応答してフィードバック505を決定する。クライアントアルゴリズム502によって訓練されたローカルモデルに起因するエラーレートが収束すると、マスターアルゴリズム514によって維持されるグローバルモデルの性能が向上する。このようにして、個人、組織、及び/又は他のサードパーティは、特定のユースケースのために顧客を支援しながら、彼らの専有データを保護し、非公開にすることができる。
実施形態において、N個のクライアントアルゴリズム502のそれぞれは、異なるデータセット上で同じアルゴリズムを実行する実行可能コード(例えば、実行可能命令のセット)として具現化されてもよい。実施形態では、N個のドメイン固有アルゴリズムのそれぞれのクライアントアルゴリズム502が、それぞれのホスト500に展開される。例えば、顧客に所属するユーザが、クライアントアルゴリズム502を定義及び/又は選択してもよく、クライアントアルゴリズム502が実行されるホスト500を指定してもよい。これに応答して、プラットフォーム100は、クライアントアルゴリズム502をそれぞれのホスト500に配布してもよく、それによって、各クライアントアルゴリズム502は、それぞれのホスト500によりダウンロードされ、インストールされ、及び/又は実行されてもよい。
実施形態において、クライアントアルゴリズム502は、1つ又は複数の機械学習及び/又は人工知能プロセスを実装してもよく、1つ又は複数の機械学習モデルを活用して、マスターアルゴリズム514によって要求された結果を提供してもよい。例えば、クライアントアルゴリズム502は、分類器、クラスタリング、パターン認識、強化学習、帰属、自然言語処理及び自然言語理解、セグメンテーション、予測、粒子群最適化、レコメンダー超学習(recommender super learning)などを実装してもよい。実施形態において、クライアントアルゴリズム502のそれぞれは、モデルのローカルバージョンを訓練し、各ローカルバージョンが同じ方法で初期パラメータ化される。例えば、クライアントアルゴリズム502がニューラルネットワークをトレーニングすることを含む場合、ニューラルネットワークのノードのそれぞれに関連する重みは、異なるホスト500にわたって同じ方法でパラメータ化される。それぞれのクライアントアルゴリズム502が、対応するホスト500によって記憶された(又はアクセス可能な)データセットに関して実行すると、それぞれのクライアントアルゴリズム502は、対応するホスト500によってホストされたデータセットに基づいて、ローカルモデルのパラメータ化(例えば、ニューラルネットワーク、回帰モデル、ランダムフォレストなどのパラメータ化)を調整する。いくつかの実施形態では、各クライアントアルゴリズム502が、最初に、それぞれのホスト500に格納された(又はそれによってアクセス可能な)データセットからトレーニングデータセットを決定してもよい。次いで、クライアントアルゴリズム502は、モデルのローカルバージョンをパラメータ化するために、トレーニングデータセット上で実行してもよい。これらの実施形態のいくつかにおいて、クライアントアルゴリズム502は、検証セットも受信してよく、それによって、検証セットは、クライアントアルゴリズム502によって、トレーニング中又はトレーニング後に、ローカルモデルの精度を検証/エラーチェックするために使用される。
クライアントアルゴリズム502が実行すると、クライアントアルゴリズム502は、モデルのローカルバージョンの決定された重み又はモデルのローカルバージョンの出力などの結果504を、マスターアルゴリズム514へ提供してもよい。これに応答して、クライアントアルゴリズム502は、クライアントアルゴリズム502がモデルのローカルバージョンを強化/更新するために使用するフィードバック505を、マスターアルゴリズム514から受信してもよい。クライアントアルゴリズム502は、モデルのローカルバージョンのエラーレートを低減するために、モデルのローカルバージョンを強化/更新してもよい。いくつかの実施形態において、各クライアントアルゴリズム502は、ローカルな確率的勾配降下法(SGD)最適化を実行してもよい。
実施形態では、異なるクライアントアルゴリズム502によって提供された結果504をグローバルモデルに統合することによって、特定のユースケース512に関する結果516を最適化するように構成されたマスターアルゴリズム514が存在する。例えば、ユースケース514が顧客セグメンテーションである場合、マスターアルゴリズム514は、顧客のビジネスに関連するデジタルビレッジ506、デジタルペルソナ508、及び/又は人口統計グループ510を識別するように構成されてもよい。ホスト500及びマスターアルゴリズム514がグローバルモデルを実行及びトレーニングすると、グローバルモデルは、マーケット関連のタスク(例えば、市場プランニング、顧客セグメンテーション、トピックモデリングなど)に関連して、デジタル人類学サービスシステム108(及び/又は、インテリジェンスシステム110などの他のシステム)によって活用されてもよい。実施形態において、デジタル人類学サービスは、マーケティング関連のタスクを実行する要求を受信してもよく、それによって、その要求は、ユースケースに関連するデータを含んでもよい。例えば、要求は、個人の特徴を含んでもよく、デジタルビレッジ506、デジタルペルソナ508、及び/又は人口統計グループ510に関する個人の分類を要求してもよい。これに応答して、デジタル人類学システム108は、グローバルモデルを活用して、要求にサービスを提供してもよい。そうすることで、デジタル人類学システムは、結果516を要求元のシステムに発行してもよい。いくつかの実施形態において、デジタル人類学システム108は、結果に関連して発生するイベントを監視してもよく、それによって、デジタル人類学システム108は、監視されたイベントに基づいてホスト500へフィードバック505を提供することで、グローバルモデルを強化してもよい。
実施形態では、デジタル人類学サービスシステム108が、パラメータサーバ及び連合学習などの分散学習技術をサポートするように構成されてもよい。パラメータサーバ(PS)は、モデル全体のパラメータの1つ又は複数の共有バージョンを管理する中央ノードを導入することによって、分散学習をサポートするアプローチを指すことがある。PSの実装例は、カーネギーメロン大学及び百度のムー リー;カーネギーメロン大学のデビッド ジー.アンデルセン及びジャン ウー パーク;カーネギーメロン大学及びグーグルインコーポレイトのアレキサンダー ジェイ.スモラ;グーグルインコーポレイトのアムル アフマド、ヴァニャ ヨシフォフスキ、ジェームス ロング、ユージーン ジェイ.シェキータ、及びボアイン スーの「Scaling Distributed Machine Learning With The Parameter Server」に記載されており、その内容が参照によって組み込まれる。連合学習(FL)は、地理的に分散されてローカルに収集されたデータを用いて、機械学習モデルを訓練するためのフレームワークである。連合学習の例は、ディ ジァン、ユアンフェン ソン、ヨンシン トン、シュエイエン ウー、ウェイウェイ チャオ、チェン シュイ、及びチァン ヤンの2019年の「Federated Topic Modeling」でより詳細に説明されており、その内容は参照により組み込まれる。
実施形態において、連合学習アプローチは、複数の分散型エッジホスト500にわたるローカル計算を含んでもよく、それによって、ホスト500は、同期フェーズ中に中央機械学習モデルのトレーニングに参加する。実施形態では、連合学習により、テキストモデル、ビジュアルモデル、及びインタラクションモデルをホスト500上で学習させることができ、ユーザのプライバシーにとっての利点(データがデバイスから離れる必要がない)をもたらすが、データポイズニング攻撃などの課題もある。実施形態において、連合学習の基本プロセスは、ホストレベルでのローカルモデル構築及び誤差勾配計算を含み、その後、サーバ(例えば、デジタル人類学サービスシステム108)によるモデルパラメータ集約(又は平均化)を行う。実施形態では、マスターアルゴリズム514が、デジタルインテリジェンスサービスシステム108によって実行され、モデルパラメータ集約を行う。生データを共有する代わりに、モデルパラメータ及び勾配のみをホストとマスターアルゴリズム514との間で共有する必要がある。
実施形態において、マスターアルゴリズム514は、ホスト500から送信された結果504(例えば、モデルのローカルバージョンの重み)をグローバルモデルへ統合し、次の反復においてメタ学習のために必要な情報を形式化する。マスターアルゴリズム514は、適切な機械学習/深層学習アルゴリズムを実装してもよく、データが当事者間で独立同分布ではないシナリオに適しており、いくつかの強化されたプロセスが関与する。
連合学習アプローチの一例は、フェデレーテッドアベレージング(FedAvg)である。実施形態において、各ホスト500は、中央サーバ(例えば、デジタル人類学サービスシステム108)からモデルの同じ開始ローカルバージョン(same starting local version)をダウンロードするか、又は他の方法で受信してもよく、結果(例えば蓄積されたモデル重み)をデジタル人類学サービスシステム108に送り返す前に、予め定義された数のエポック(epochs)について、予め定義された学習率で、データのローカルサンプル(例えば、それぞれのホストによって記憶されたデータ)に対するローカル誤差を最小化する、ローカルな確率的勾配降下法(SGD)最適化を実行してもよい。実施形態において、マスターアルゴリズム514は、次に、報告ホスト500からの結果504を、ホストのローカルデータのサイズに比例した重みで平均化し、予め定義された学習率で開始モデルへ集約された更新を適用することによって、連合ラウンドを終了する。偏り、非-独立同分布(IID)データ、通信遅延などの問題に対して、代替のオプティマイザーを適用して大成功を収めることができることに留意されたい。
実施形態では、マスターアルゴリズム514が、マルチプロング(multi-prong)アプローチを使用してモデルのローカルバージョンを最適化する。ホスト500に分散されたデータがIIDになることに収束する場合、マスターアルゴリズム514は、例えば、ホスト500から受信した全てのモデルパラメータの加重平均を実行することによって、各候補アルゴリズムのモデルパラメータを決定してもよい。分散されたデータのバランスが悪い(例えば、一部のホストが他のホストよりもはるかに多くのデータを持っている)場合、及び/又は、コンテンツの分布がより多様になる(例えば非IID)場合、マスターアルゴリズム108は、代表的なデータを使用してモデルパラメータを決定してもよい。ホスト500に保存されている潜在的なデータの一般的な考え(general idea)があり、利用可能な代表データ(例えば、過去のデータから得られたもの、又は専門家(expert)から得られたもの)があると仮定すると、マスターアルゴリズム514は、代表データをトレーニングデータとして使用してベースモデルを部分的に訓練することができ、その後、ベースモデル及び代表データの双方をホスト500の全てに配布してもよい。代表データは、モデル化されるべき、デモグラフィック、デジタルビレッジ、デジタルペルソナ、クラス、カテゴリ、又はトピックの各々からの例を含む。各々は、ローカルホストデータにランダムにサンプリングされ、ローカル訓練/検証データの一部として使用される。
実施形態では、デジタル人類学サービスシステム108が、モデルの分散型トレーニングをサポートするように構成されてもよい。分散型トレーニングは、静的な場所にあるマスターアルゴリズム514の必要性を緩和する通信グラフを指定することによって、ホスト500間のポイントツーポイント通信を可能にしてもよい。分散型トレーニングは、依然として、分散型トレーニングを開始するプロセスを必要とする場合があることに留意されたい。実施形態において、デジタル人類学システム108は、特定の通信グラフの使用をサポート可能な、PS及び/又はAll-Reduceを実装してもよい。分散型トレーニングでは、全てのホスト500が、モデルパラメータの独自のバージョンを維持し、通信グラフに従って他のホスト500とのみ同期する。トレーニングが進むにつれて、ホスト500におけるローカル情報は、通信グラフのエッジに沿って伝播し、他の全てのホスト500に徐々に到達する。
図1、図2A、及び図2bを参照すると、実施形態において、インテリジェンスシステム110は、クリエイティブインテリジェンスシステム100をサポートする様々な認知タスクを実行する。認知タスクは、レコメンデーション、分析、コンピュータビジョン、機械学習、人工知能などを含むが、これらに限定されない。
図6は、レコメンデーションシステム606、コンピュータビジョンシステム608、機械学習システム602、人工知能システム604、及び可視化システムである分析システム610を含む、インテリジェンスシステム110のコンポーネントの例示的なセットを示している。
実施形態では、機械学習システム602が、予測モデル及び分類モデルなどのモデルを訓練してもよい。これらのモデルは、様々なタイプのニューラルネットワーク、回帰ベースのモデル、決定木、ランダムフォレスト、及び他のタイプの機械学習されたモデルを含む、任意の適切なタイプのモデルを含むことができる。訓練は、教師あり、半教師あり、又は教師なしで行ってよい。訓練は、訓練目的で収集又は生成されたトレーニングデータを使用して行うことができる。
実施形態において、機械学習システム602は、1つ又は複数のデータセットを用いて1つ又は複数のモデルを訓練することができる。例えば、機械学習システム602は、メディア資産予測モデルを訓練してもよい。実施形態において、メディア資産予測モデルは、メディア資産のゲノムデータ、人口統計学的データ、及びゲノムデータと人口統計学的データとの様々な組み合わせに関連する結果データを用いて、訓練されるモデルであってもよい。これらの実施形態において、メディア資産予測モデルは、メディア資産ゲノムデータ及び個人の人口統計学的データを含むデータ構造(例えば特徴ベクトル)を受信し、受信したデータ構造に基づいて結果を予測してもよく、それによって、予測された結果は、特定の人口統計学的セグメントが与えられたメディア資産(例えば、ブランドの広告として)の有効性に関するものであってもよい。予測の例としては、人口統計学的セグメントがメディア資産の特定のバージョンを好むか否か、人口統計学的セグメントが、販売基準を満たすようにメディア資産で広告されている製品を購入するか否か、などが挙げられる。
実施形態では、機械学習システム602が、トレーニングデータに基づいてモデルを訓練する。実施形態において、機械学習システム602は、メディア資産のゲノムデータ(例えば、被写体の髪型、ビーチの設定、水着など)、人口統計学的データ(例えば、年齢、性別、場所など)、及び結果データ(例えば、ユーザがメディア資産に表示された製品を購入する、ユーザがメディア資産にフラグを立てるなど)を含むベクトルを、受信又は生成してもよい。各ベクトルは、それぞれの結果と、それぞれの結果に対応するそれぞれのメディア資産及びそれぞれの人口統計学的セグメントのそれぞれの属性と、に対応している。モデルが(例えば人工知能システム604によって)使用されると、機械学習システム602によって受信されたフィードバックに基づいて、トレーニングを行うこともでき、これは「強化学習」とも呼ばれる。実施形態において、機械学習システム602は、予測につながった一連の状況(例えばビーチ設定)と、メディア資産に関連する結果(例えば、ユーザがメディア資産に表示された製品を購入する)とを受け取ることができる。
機械学習技術の非限定的な例は、以下のものを含むが、これらに限定されない:決定木、K近傍法、線形回帰、K平均法、ニューラルネットワーク、深層学習ニューラルネットワーク、畳み込みニューラルネットワーク、ランダムフォレスト、ロジスティック回帰、単純ベイズ、学習ベクトル量子化、サポートベクターマシン、線形判別分析、ブースティング、主成分分析、K平均法と線形回帰とのハイブリッド、及び/又は他のハイブリッド提供物である。機械学習/人工知能アルゴリズムの推論タイプは、帰納的推論及び演繹的推論を含むことができる。
実施形態において、人工知能システム604は、機械学習モデル(例えば、予測モデル及び/又は分類モデル)を活用して、メディア資産のゲノムデータ、人口統計データ、インタラクションデータ、デジタルペルソナ、デジタルビレッジ、財務データ、健康データ、トラフィックデータ、アイデンティティ管理データ、顧客データ、デジタル人類学データなどに関して、メディア資産の結果に関連する予測を行うことができる。いくつかの実施形態において、人工知能システム604は、機械学習システム602によって訓練されたモデルを活用して、メディア資産の異なるバージョンを分析し、有利な結果をもたらすメディア資産のバージョンを進めることができる。
実施形態では、人工知能システム604が、サードパーティデータ及び/又は他の消費者関連データを使用して、消費者の個々のデジタルプロファイルを作成及び更新するように構成されてもよい。消費者のデジタルプロファイルは、個々の消費者の属性(例えば、年齢、場所、性別、興味、教育、雇用、収入、関係など)を含むデータ構造であってもよい。
実施形態において、人工知能システム604は、販売指標の最適化、特定のデジタルペルソナへの訴求などを行うように、最適なメディア資産の属性を決定するように構成されてもよい。これらの実施形態の一部では、人工知能システムが、機械学習されたモデル及び/又は分析システム610によって導出された分析を活用して、メディアコンテンツ資産に描写するための最適なメディア資産属性を決定してもよい。実施形態において、メディア資産属性は、メディア資産内の被写体及び/又はオブジェクトの配置、メディア資産内に登場する(複数可の)被写体(例えば、特定のデジタルペルソナ又は人口統計学的セグメントによって最も好まれる潜在的なブランドアンバサダ)、メディア資産内に登場する又はメディア資産に関連するテキスト、メディア資産内に登場する又はメディア資産に関連するオーディオ(例えば歌)、メディア資産の前提(premise)などであってもよい。実施形態において、人工知能システム604は、決定された最適なメディア資産属性に基づいて、自動化されたメディア資産を生成するように訓練されてもよい。
いくつかの実施形態において、人工知能システム604は、メディア入札及び購入システムに関連して利用可能なセンシティブな広告インベントリ又は広告スポットを識別してフラグを立てるように訓練された、機械学習モデルを活用してもよい。例えば、機械学習システム602は、センシティブな広告インベントリ及び/又は広告スポットとして選択された画像のセットを用いてモデルを訓練してもよく、人工知能システム604は、モデルを活用して、番組に関連する利用可能な広告インベントリにフラグを立ててもよい(例えば、番組に出演する俳優がスキャンダルに巻き込まれた場合など)。いくつかの実施形態において、機械学習システム602及び/又は人工知能システム604は、センシティブなメディア資産(例えば、暴力、成人、医療処置など)を識別してフラグを立てるように訓練されてもよい。例えば、機械学習システム602は、センシティブなメディア資産(例えば、暴力、人種差別、アダルトコンテンツなどを含む)として選択された画像のセットを用いてモデルを訓練してもよく、人工知能システム604は、そのモデルを活用して、同様のコンテンツを含む新たに提供されるメディア資産にフラグを立ててもよい。
実施形態では、人工知能システム604が、メディア資産に関連するプレゼンテーション属性を最適化するように構成されてもよい(例えば、特定の番組のテレビ広告でメディア資産を提示する、特定の雑誌でメディア資産を提示する、スマートウォッチでメディア資産を提示するなど)。これらの実施形態のいくつかにおいて、機械学習システム602は、広告効果測定値と、メディアインスタンスにおける広告の以前に配置された放映回数との組み合わせに基づいて、広告とメディアインスタンス(例えばテレビ番組)との各組についての広告効果を予測するモデルを訓練してもよい。これらの実施形態のいくつかにおいて、人工知能システム604は、それらのモデルを活用して、広告キャンペーンにおけるメディア資産のパフォーマンス低下(例えば、メディア資産で広告された製品の低い販売メトリクス)につながる要因、又は広告キャンペーンにおけるメディア資産の予期せぬ結果(例えば、予期せぬデジタルペルソナが、事前に決定された販売メトリクスを超える量で製品を購入した)を判定してもよい。実施形態において、人工知能システム604は、広告キャンペーンにおけるメディア資産の高いパフォーマンスにつながる要因を判定するために、及び/又は消費者の購入経路モデルを開発するために、モデル(例えば、機械学習システム602によってトレーニングされたもの)を活用するように構成されてもよい。
実施形態では、人工知能システム604が、メディア資産で広告される製品の最適な価格設定を決定するように構成されてもよく、そのような決定においてダイナミックな価格設定技術などを使用してもよい。これらの実施形態のいくつかにおいて、人工知能は、分析システムから分析データを取得して、様々な人口統計グループ、デジタルペルソナ、及び/又はデジタルビレッジについて、様々な購買傾向を判定する。実施形態において、人工知能システムは、分析と、消費者又は消費者グループの特徴のセットとを考慮したルールベースのアプローチを利用して、特徴のセットを示す消費者に提示される製品のダイナミックな価格を決定してもよい。いくつかの実施形態において、機械学習システム602は、特徴のセットが与えられた製品に対して消費者が支払う最高価格を予測する、1つ又は複数の価格予測モデルを訓練してもよい。これらの実施形態において、機械学習システム602は、結果データ(例えば、以前の購入価格又は拒絶された価格)及び結果に関連する特徴(例えば、それぞれの消費者、デジタルペルソナ、又はデジタルビレッジの特徴)を示すトレーニングデータを受信してもよく、それによって、価格予測モデルは、消費者(又はデジタルペルソナやデジタルビレッジなどの消費者のグループ)に関連する特徴のセットを受信し、製品についての価格を出力する。いくつかの実施形態では、このようなモデルが特定の商品について訓練される。或いは、結果(例えば、製品に支払われた価格や減少した価格)と、対応する製品関連の特徴及び消費者関連の特徴とを用いて、汎用モデルを訓練することができる。これらの実施形態において、モデルは、製品関連の特徴及び消費者関連の特徴を受け取り、特徴のセットが与えられた価格を出力してもよい。実施形態において、機械学習システム602及び/又は人工知能システム604は、製品に対する最適な包装属性(例えば、包装材料、デザイン、色など)を決定するように訓練されてもよい。
実施形態では、人工知能システム604が、特定のトピック又は関心領域(例えば競合他者データ)に関連するコンテンツをキュレーション(curate)するように構成されてもよい。実施形態において、機械学習システム602は、競合他社関連データ(例えば、小売店の場所、入手可能な製品、価格設定など)に基づいて、メディア資産で広告されている製品又はサービスについての、製品又はサービスの競合他社を判定するように訓練されたコンテンツ予測モデルを訓練する。いくつかの実施形態によれば、人工知能システム604は、これらのモデルを活用して、競合他社に関連するデータ(例えば、競合他社の小売場所からの小売場所の距離、競合他社の小売場所で利用可能な製品など)に少なくとも部分的に基づいて、小売場所で利用可能にする商品又はサービスを決定してもよい。
実施形態では、人工知能システム604が、デジタルビレッジ及び/又はデジタルペルソナの関連する特徴を識別及び抽出するように構成されてもよい。これらの実施形態のいくつかでは、人工知能システムが、デジタルビレッジデータ及びデジタルペルソナデータを更新するように訓練されてもよい。
実施形態において、機械学習システム602及び/又は人工知能システム604は、消費者の行動及び/又は感情(例えば、習慣、性格特性、ニーズ、欲求など)を予測するように構成されてもよい。
実施形態において、機械学習システム602及び/又は人工知能システム604は、トレンドメディア資産のセットのスタイルの分析に基づいて、トレンドを特徴付け、最適化するように訓練されてもよい。
実施形態において、機械学習システム602及び/又は人工知能システム604は、特定の広告キャンペーンのための広告ターゲットを決定するように訓練されてもよく、ここで、広告ターゲットは、特定の人口統計学的セグメント、デジタルビレッジ、デジタルペルソナなどであってもよい。機械学習システム602及び/又は人工知能システム604は、潜在的な広告ターゲットをスコアリング及びランク付けするように訓練されてもよい。
実施形態において、機械学習システム602及び/又は人工知能システム604は、デジタル環境におけるユーザのインタラクションから収集されたデータを少なくとも部分的に使用して、ユーザの人口統計情報を予測するように訓練されてもよい。
実施形態において、インテリジェンスシステム110は、メディア資産属性、メディアプランニング、メディア価格設定などに関連する推奨を提供するための、レコメンデーションシステム606を含んでもよい。実施形態において、レコメンデーションシステム606は、人工知能システム504を活用して、メディア資産属性、メディアプランニング、メディア価格設定などに関連する推奨を決定する。実施形態において、レコメンデーションシステム606は、人口統計学、デジタルペルソナ、又はデジタルビレッジを与えられたメディア資産属性の推奨などの、推奨のための要求をクライアントデバイスから受け取る。これに応答して、レコメンデーションシステム606は、要求の内容を用いて人工知能システム604を活用し、推奨を取得してもよい。レコメンデーションシステム606は、要求したクライアント装置に推奨を返してもよく、推奨を別のシステム(例えば、メディアプランニングシステム112又はデジタル人類学サービスシステム)へ出力してもよい。
インテリジェンスシステム110は、コンピュータビジョンサービスを提供するためのコンピュータビジョンシステム608を含んでもよく、それによってビジョンサービスは、例えば、アップロードされた画像及び/又はビデオを1つ又は複数のカテゴリに分類してもよく、及び/又は、画像又はビデオからオブジェクト、顔、及びテキストを抽出してもよい。実施形態において、コンピュータビジョンシステム608は、ビデオや画像などのメディア資産を受信してもよく、メディア資産のメディア資産特徴のセットを抽出してもよく、メディア資産の1つ又は複数の側面を分類してもよい。例えば、コンピュータビジョンシステム608は、描写されたシーンのタイプ(例えば、ビーチフロント、スタジオ内、山など)、描写された被写体及び/又はオブジェクト(例えば、モデル、風景、ジム設備など)、モデルが着用した衣服のタイプ(例えば、冬服、ビーチ服、露出度の高い服など)、及び/又はメディア資産の他の側面を分類してもよい。実施形態において、コンピュータビジョンシステム608は、画像(又はビデオなどのタイムシーケンス画像)及び/又は画像(又はビデオのタイムシーケンス)の側面(aspects)を分類するように訓練された、1つ又は複数の機械学習された画像分類モデルを活用してもよい。実施形態では、コンピュータビジョンシステム608が、インテリジェンスシステム604、機械学習システム602、分析システム610、レコメンデーションシステム606などの、別のシステムに分類を出力してもよい。
実施形態では、インテリジェンスシステム110が、システム100によって収集されたデータを収集、追跡、及び/又は分析する分析システム610を含んでもよい。実施形態において、分析システム610は、広告キャンペーン、広告キャンペーンデータ、データの可用性、データの一貫性などを、ユーザが監視することも可能にしてもよい。分析システム610はまた、ユーザがカスタムレポートを生成することを可能にしてもよく、広告キャンペーン、メディア資産、データなどに関連する自動レポートを生成してもよい。
実施形態では、分析システム610が、データビジュアライゼーションを生成する。いくつかの実施形態において、分析システム610は、顧客に代わって(例えば、データビジュアライゼーションを見るためのクライアントからの要求に応じて)データビジュアライゼーションを生成してもよく、クリエイティブインテリジェンスダッシュボードを介してデータビジュアライゼーションをユーザへ提示してもよい。データビジュアライゼーションは、クロス集計データベースビジュアライゼーション、クロス集計結果(「Pマップ」)、デジタル人類学サービスビジュアライゼーション(エスノグラフィックヒートマップ又は「エスノアレイ」、ソーシャルネットワーク分析(SNA)など)、シミュレーション、及びデジタルムードボード(例えば、特定のムード、テーマペルソナ、デジタルビレッジなどに関連する視覚的要素のコレクションを表示する)を含むが、これらに限定されない。実施形態において、クリエイティブインテリジェンスダッシュボードは、地理的な場所に関連するメディア資産属性データを表示してもよい。例えば、分析システム610は、顧客の一連のメディア資産に関連するメディア資産追跡データを取得してもよく、被写体が運動着を着ている地理的場所が好まれる/より多くの売上につながるのと、被写体が職業着を着ている地理的場所が好まれる/より多くの売上につながるのとを比較するなど、人口統計、デジタルペルソナ、及び/又はデジタルビレッジに関連する傾向を判定してもよい。この例において、クリエイティブインテリジェンスダッシュボードは、地理的な場所(例えば、州、地域、国など)と、様々なタイプのメディア資産に対するユーザのエンゲージメントとを表示してもよい。実施形態において、分析システム610は、没入のためのヘッドマウントディスプレイ及びインタラクションのための仮想現実コントローラを使用して達成され得る、仮想現実環境におけるデータビジュアライゼーション又は他のタイプのデータインタラクションを可能にすることによって、接続されたリアリティタスク(connected reality tasks)をサポートしてもよい。
実施形態では、分析システム610が、特定の人口統計(例えば、中西部に居住する消費者、65歳以上の消費者、女性の消費者、及び/又は同様のもの)の、デジタルペルソナの、及び/又はデジタルビレッジの、属性(例えばメディア資産の好み)を学習するように構成されてもよい。例えば、いくつかの実施形態において、分析システム610は、関連する人口統計、デジタルペルソナ、及び/又はデジタルビレッジを識別するために、適切なクラスタリングアルゴリズム(例えば、K平均法、K近傍クラスタリングなど)を使用して、個人(例えばユーザ)をクラスタリングしてもよい。
いくつかの実施形態によれば、クリエイティブインテリジェンスシステム100は、メディアプランニングシステム112を含む。実施形態において、メディアプランニングシステムは、人口統計及び/又は受信した消費者市場、オーディエンス、及びコストデータに基づいて、ユーザが広告キャンペーンを計画することを可能にする。メディアプランニングシステム112は、任意の数のメディアプランニングサービスを含む、又はそれを活用してもよい。実施形態では、メディアプランニングシステム112が、顧客に関連するクライアントデバイスから、特定のタイプのメディアプランを生成する要求を受信する。これに応答して、メディアプランニングシステム112は、顧客の特徴(例えば、業種、予算、ターゲット人口統計、及び/又は同様のもの)に基づいて、市場平均リーチ及び頻度評価を示す、コスト、リーチ(reach)、及び/又は頻度レポートを生成してもよい。実施形態において、メディアプランニングシステム112は、ターゲットオーディエンスのリーチ及び頻度の配信推定モデルを生成する。実施形態では、リーチ及び頻度が、全てのデジタル及び従来のプラットフォームにわたる、メディア資産に関連する追跡データに基づいて計算されてもよい。
実施形態において、メディアプランニングシステム112は、オーディエンス及びスケジュールを、広告スケジュール内の全ての媒体に対するリーチ及び頻度の推定値に変換してもよい。
実施形態では、メディアプランニングシステム112が、カスタマイズされた「インテリジェントな地理的情報」を提供するために、施設をマッピングするように構成される。これらの実施形態において、メディアプランニングシステムは、詳細なサイトレベルの情報などの強化された地理情報を利用して、インテリジェントな地理的情報をカスタマイズしてもよい(例えば屋外広告のために)。メディアプランニングシステムは、在庫管理、カスタマイズ可能なサイトパッケージ、ターゲットオーディエンスの選択、及び/又はパネル及びオーディエンスの選択に関連する、サービスを実行するように更に構成されてもよい。
実施形態において、メディアプランニングシステム112は、ユーザが、広告タイプ(例えば、屋外広告、ビデオストリーミング広告、ゲーム内広告など)に基づいて広告キャンペーンを計画することを可能にしてもよい。実施形態では、屋外広告の計画が、TAB OOH(Traffic Audit Bureau Out of Home)評価を用いた詳細なサイトレベル及び市場平均の、リーチ及び頻度評価に基づいてもよい。実施形態では、ユーザが、いくつかの異なる方法でメディアキャンペーンを計画することが可能である。例えば、ユーザは、GRPS(例えば、必要なサイト数を決定する)によって計画することができる。この例において、デジタルメディアの行動ターゲティングは、マルチメディアキャンペーンのパフォーマンスを評価するために使用される、従来の到達範囲用語である延べ視聴率(GRPs)で表すことができる。別の例において、ユーザは、配信されたGRPに基づいたパネルにより計画することができる。また、別の例において、ユーザは、到達目標(例えば、何週間以内に、オペレータ別にパネルの数を戻すこと)によって計画することができる。ユーザは、メディアミックス評価のために、屋外でのプランニング結果を他のメディアのスケジュールと組み合わせることができる。メディアミックス評価は、様々なマーケティング戦術(マーケティングミックス)が売上に与える影響を推定する。
実施形態において、メディアプランニングシステム112は、人口統計及び/又は受信した消費者市場、オーディエンス、及びコストデータに基づいて、ユーザが複数のメディアタイプにわたるメディアプランを生成することを可能にする、クロスメディアプランニングを実行する。
いくつかの実施形態において、メディアプランニングシステム112は、オーディエンス変数を分析して、所定のブランド目標との関連性が最も高いオーディエンス変数を特定し、及び/又は、予測分析及び因果関係を適用して、オーディエンスセグメント及びメディアの組み合わせを推奨する、オーディエンスプランニングサービスを提供してもよい。これらの実施形態において、オーディエンスプランニングサービスは、デジタル及び従来のプラットフォームにわたってブランドの最高の顧客をエンゲージするために、オーディエンスセグメント及びメディアの組み合わせを推奨する。実施形態において、オーディエンスプランニングサービスは、オーディエンス変数を分析し、ブランドの目標に最も関連する変数を抽出し、予測分析及び因果関係を適用して最大の顧客の可能性を有するオーディエンスセグメントを推奨し、当該オーディエンスセグメントと最もよくエンゲージするメディアの組み合わせを指定する。いくつかの実施形態において、これらの推奨事項には、デマンドサイドプラットフォーム(DSP)へ提供可能なオーディエンスの仕様が含まれる。オーディエンス変数には、人口統計変数、態度変数(attitudinal variables)、顧客のライフスタイル変数、製品使用変数、及び/又はデジタル行動変数が含まれるが、これらに限定されない。いくつかの実施形態では、オーディエンスプランニングサービスが、ジオロケーションを中心としたオーディエンス測定を行うことができる。
図7は、本開示のいくつかの実施形態による自己完結型の写真撮影スタジオシステム190の構成例を示している。自己完結型写真撮影スタジオシステム190は、画像をキャプチャ可能でネットワークに接続可能な、任意の適切なデバイス(例えば、モバイルデバイス、タブレットデバイス、専用カメラ、ウェブカメラ、カメラを有するパーソナルコンピューティングデバイスなど)に実装することができる。実施形態において、自己完結型写真撮影システムのハードウェアコンポーネントは、1つ以上のプロセッサを有する処理デバイス702、少なくとも1つのレンズを含む画像取り込みデバイス704、1つ以上の非一時的なコンピュータ可読媒体を含むストレージデバイス706、及び無線及び/又は有線でネットワークに接続するネットワーク通信デバイス708を含むことができる。いくつかの実施形態において、処理デバイス702は、グラフィックス処理ユニット(GPU)を含む、又はそれと連携して動作してもよい。
実施形態では、処理デバイス702が、画像処理システム720を実行する。画像処理システム720は、画像を受け取り、1つ又は複数の処理動作を実行する。実施形態において、画像処理システム720は、編集システム722、分類システム724、及びゲノム生成システム726を含む。実施形態において、画像処理システム720は、画像取り込みデバイス704から画像を受信してもよく、及び/又は、ネットワークを介して別のデバイスから画像をダウンロードする又は電子的に受信してもよい。
実施形態において、編集システム722は、画像を編集するように構成されている。画像の編集は、画像の1つ又は複数の特性(例えば、明るさ、色、チルト、パン、ズームなど)を変更することを含んでもよい。実施形態では、編集システム722が、2つ以上の画像を統合するように構成される。例えば、ユーザは、ある背景(例えば、山、ビーチ、ジムなど)を描写した1つの画像と、モデルを描写した2つ目の画像を持っているかもしれない。この例において、編集システム722は、モデルが前景に描写され、背景が背景に描写されるように、2つの画像を統合してもよい。いくつかの実施形態において、編集システム722は、画像内のオブジェクトを識別するために、ブロブ検出、エッジ検出、及び/又は特徴抽出を行う。例えば、モデルを含む第2の画像において、編集システム722は、ブロブ検出、エッジ検出、及び/又は特徴抽出を用いて、画像内のモデルを識別してもよい。いくつかの実施形態では、編集システム722が、画像の1つ又は複数の特徴を変更するように構成されてもよい。例えば、編集システム722は、背景、衣服、背景の小道具などを変更してもよい。編集システム722は、本開示の範囲から逸脱することなく、画像に対して他の編集操作を行ってもよい。
実施形態において、画像分類システム704は、画像を受信し、画像に対して画像分類を実行する。実施形態では、画像分類システム704が、画像のセットを処理して分類する。実施形態では、画像分類システム704が、画像自体を分類してもよく、及び/又は、画像の1つ又は複数のアスペクトを分類してもよい。画像分類システム704は、1つ又は複数の分類モデル(例えば、モデルデータストア740に格納されている)を活用して、画像の属性のセットを判定してもよい。いくつかの実施形態において、画像分類システム740は、編集システム722から画像を受け取り、各画像の1つ又は複数の特徴を抽出し、抽出された特徴に基づいて各画像の1つ又は複数の特徴ベクトルを生成する。画像分類システム722は、それぞれの特徴ベクトルを、1つ又は複数の分類モデル(例えば画像分類モデル)に投入してもよい。分類モデルは、各特徴ベクトルについて、その特徴ベクトルに基づくそれぞれの分類を出力してもよい。いくつかの実施形態において、各分類は、分類モデル及び画像の特徴が与えられたときの分類の信頼度を示す、信頼度スコアを含んでもよい。
実施形態において、ゲノム生成システム726は、各画像について、画像の分類から得られたデータセットを正規化して、画像の画像ゲノムを取得してもよい。ゲノム生成システム726は、画像の画像ゲノムを得るために、分類処理から得られた画像のメディア資産属性をデータ構造に取り込んでもよい。ゲノム生成システム726は、画像及び/又は画像の特定のクラス(例えば、風景、アクション写真、モデルのポーズ、製品の写真など)に帰属させることができる属性の種類を定義する、事前に定義されたオントロジー又はスキーマに従って、データセットを画像ゲノムデータ構造に正規化してもよい。実施形態において、画像ゲノムのオントロジー/スキーマは、画像に帰属する可能性のあるメディア資産の属性の全セットを含んでもよく、それによって、画像に対応するデータ構造は、任意のメディア資産の属性でパラメータ化されてもよい。
実施形態では、ゲノム生成システム726が、各画像について、画像から追加の特徴のセットを抽出してもよい。ゲノム生成システム726は、被写体の異なる要素の比率、画像内の他のオブジェクトに対する被写体のサイズなどを計算することを含む、様々なタイプの特徴抽出を実行してもよい。ゲノム生成システム726は、追加の抽出された特徴で画像ゲノムを補強してもよい。
実施形態では、ゲノム生成システム726が、各画像について、画像ゲノムと画像とを関連付ける。実施形態において、ゲノム生成システム726は、画像ゲノムに又は画像ゲノムに対応するデータベースレコードに、UUID又は画像の任意の他の適切な一意の識別子を格納してもよい。
実施形態において、自己完結型写真撮影システム190は、画像のセットを1つ以上のデジタル環境に伝播させる。実施形態において、画像処理システム720は、画像がユーザに提示されたときに利用可能なユーザデータと同様に、追跡データを記録及び報告できるようにするタグ及び/又はコード(例えばJavaScriptコード)を、画像へ埋め込むことができる。実施形態において、自己完結型写真撮影システム190は、デジタル広告、ソーシャルメディアへの投稿、ウェブサイト、ブログ、及び/又は他の適切なデジタル環境へ、画像を配置することによって、画像を伝播させてもよい。画像は、自己完結型写真撮影システム190によって実行される他のアプリケーションによって伝播されてもよい。いくつかの実施形態において、画像処理システム720は、エンティティが画像のセットをデジタル環境へ伝播することができるように、画像のセットをエンティティ(例えば顧客)に関連するクライアントへ提供する。このようにして、エンティティに関して収集された任意のデータが、エンティティによって(例えば、上述のデジタル人類学及びクリエイティブインテリジェンスシステム100上で)使用され得る。
画像処理システム726は、追加又は代替の機能を実行してもよい。例えば、実施形態において、画像処理システム726は、メディア処理及び追跡の実装及び例として、PCT出願番号US2019/049074で提供され、タイトルが「TECHNOLOGIES FOR ENABLING ANALYTICS OF COMPUTING EVENTS BASED ON AUGMENTED CANONICAL1ZATION OF CLASSIFIED IMAGES」が挙げられ、その内容は参照により組み込まれる。
実施形態において、ストレージデバイスは、画像データストア730及びモデルデータストア740を格納する。実施形態では、画像データストア730が、画像取り込みデバイス704によってキャプチャされた画像、及び/又は、画像処理システム720によって処理された画像を格納する。実施形態では、画像データストア730が、処理された画像の画像ゲノムを格納してもよい。実施形態において、画像データストアは、画像が撮影された時間、画像が撮影された場所、画像を撮影したユーザ、画像を所有するエンティティ、画像が伝播された時期、画像が伝播された方法など、画像に関連するメタデータを格納してもよい。
実施形態において、モデルデータストア740は、自己完結型写真撮影システム190によって使用される1つ又は複数の機械学習されたモデルを格納している。実施形態では、モデルデータストア740が、自己完結型写真撮影システム190によって使用される画像分類モデル(例えば、トピックモデル、顧客セグメンテーションモデル、言語処理モデル、及び/又は同様のもの)を格納してもよい。モデルデータストア740は、本開示の範囲から逸脱することなく、追加又は代替の機械学習モデルを格納してもよい。いくつかの実施形態では、モデルデータストア740が、自己完結型写真撮影システム190で訓練された機械学習モデルを格納してもよい。
実施形態において、自己完結型写真撮影システム190は、デジタル人類学サービスシステム108によって使用されるホスト500として機能してもよい。これらの実施形態において、自己完結型写真撮影システム190は、クライアントアルゴリズム502を受信し、そのクライアントアルゴリズムを実行してローカルモデルを訓練してもよい。これらの実施形態において、クライアントアルゴリズム502は、ローカルモデルのモデルパラメータを示す結果を生成してもよく、その結果をデジタル人類学サービスシステム108へ(例えばマスターアルゴリズム514へ)返してもよい。
本開示のいくつかの実施形態のみを示し、説明してきたが、添付の特許請求の範囲に記載されている本開示の精神及び範囲から逸脱することなく、多くの変更及び修正をその中で行うことができることは、当業者にとって明らかであろう。本明細書で言及されている、外国及び国内の全ての特許出願及び特許、並びに他の全ての刊行物は、法律で認められている最大限の範囲で、その全体が本明細書に組み込まれている。
本明細書に記載の方法及びシステムは、プロセッサ上でコンピュータソフトウェア、プログラムコード、及び/又は命令を実行するマシンを介して、一部又は全体を展開することができる。本開示は、マシン上の方法として、マシンの一部又はマシンに関連するシステム又は装置として、或いは、マシンの1つ以上で実行されるコンピュータ可読媒体に具現化されたコンピュータプログラム製品として、実施されてもよい。実施形態では、プロセッサが、サーバ、クラウドサーバ、クライアント、ネットワークインフラストラクチャ、モバイルコンピューティングプラットフォーム、据置型コンピューティングプラットフォーム、又は他のコンピューティングプラットフォームの、一部であってもよい。プロセッサは、プログラム命令、コード、バイナリ命令などを実行できる任意の種類の計算デバイス又は処理デバイスであってもよく、それらには、中央処理装置(CPU)、汎用処理装置(GPU)、ロジックボード、チップ(例えば、グラフィックチップ、ビデオ処理チップ、データ圧縮チップなど)、チップセット、コントローラ、システムオンチップ(例えば、RFシステムオンチップ、AIシステムオンチップ、ビデオ処理システムオンチップなど)、集積回路、特定用途向け集積回路(ASIC)、フィールドプログラマブルゲートアレイ(FPGA)、近似計算プロセッサ、量子計算プロセッサ、並列計算プロセッサ、ニューラルネットワークプロセッサ、又は他の種類のプロセッサが含まれる。プロセッサは、信号プロセッサ、デジタルプロセッサ、データプロセッサ、埋め込みプロセッサ、マイクロプロセッサ、或いは、その上に格納されたプログラムコード又はプログラム命令の実行を直接的又は間接的に容易にすることができるコプロセッサ(数学コプロセッサ、グラフィックコプロセッサ、通信コプロセッサ、ビデオコプロセッサ、AIコプロセッサなど)などの任意の変形物であってもよく、又はそれらを含んでもよい。更に、プロセッサは、複数のプログラム、スレッド、及びコードの実行を可能にしてもよい。スレッドは、プロセッサの性能を高め、アプリケーションの同時操作を容易にするために、同時に実行されてもよい。実施の方法として、本明細書に記載されている方法、プログラムコード、プログラム命令などが、1つ以上のスレッドで実装されてもよい。スレッドは、関連する優先度が割り当てられている可能性のある他のスレッドを引き起こし(spawn)てもよく、プロセッサは、これらのスレッドを、プログラムコードで提供される命令に基づいて、優先度又は他の任意の順序に基づいて実行してもよい。プロセッサ、又はそれを利用する任意のマシンは、本明細書及び他の場所で説明した方法、コード、命令、及びプログラムを格納する、非一過性のメモリを含んでもよい。プロセッサは、インタフェースを介して、本明細書及び他の場所に記載されている方法、コード、及び命令を格納することができる、非一過性の記憶媒体にアクセスしてもよい。方法、プログラム、コード、プログラム命令、或いは、コンピューティングデバイス又は処理デバイスによって実行可能な他のタイプの命令を格納するために、プロセッサに関連付けられた記憶媒体は、CD-ROM、DVD、メモリ、ハードディスク、フラッシュドライブ、RAM、ROM、キャッシュ、ネットワーク接続型ストレージ、サーバベースのストレージなどのうちの1つ又は複数を含むが、これらに限定されるものではない。
プロセッサは、マルチプロセッサの速度及び性能を向上させることができる1つ又は複数のコアを含んでもよい。実施形態において、プロセッサは、2つ以上の独立したコア(ダイと呼ばれることもある)を組み合わせた、デュアルコアプロセッサ、クアッドコアプロセッサ、他のチップレベルマルチプロセッサなどであってもよい。
本明細書に記載の方法及びシステムは、サーバ、クライアント、ファイアウォール、ゲートウェイ、ハブ、ルータ、スイッチ、インフラストラクチャアズアサービス、プラットフォームアズアサービス、又は他のそのようなコンピュータ及び/又はネットワーキングハードウェア又はシステム上で、コンピュータソフトウェアを実行するマシンを介して、一部又は全体を展開することができる。ソフトウェアは、ファイルサーバ、プリントサーバ、ドメインサーバ、インターネットサーバ、イントラネットサーバ、クラウドサーバ、インフラストラクチャアズアサービスサーバ、プラットフォームアズアサービスサーバ、ウェブサーバ、及び、セカンダリサーバ、ホストサーバ、分散サーバ、フェイルオーバーサーバ、バックアップサーバ、サーバファームなどのような変形を含むサーバと関連していてもよい。サーバは、メモリ、プロセッサ、コンピュータ可読媒体、記憶媒体、ポート(物理的及び仮想的)、通信デバイス、及び、有線又は無線媒体を介して他のサーバ、クライアント、マシン、及びデバイスにアクセス可能なインタフェースなどのうち、1つ以上を含んでもよい。本明細書及び他の場所に記載されている方法、プログラム、又はコードは、サーバによって実行されてもよい。加えて、本願に記載されているような方法の実行に必要な他の装置を、サーバに関連するインフラストラクチャの一部として考えてもよい。
サーバは、クライアント、他のサーバ、プリンタ、データベースサーバ、プリントサーバ、ファイルサーバ、通信サーバ、分散サーバ、ソーシャルネットワークなどを含むがこれらに限定されない、他のデバイスへのインタフェースを提供してもよい。更に、この結合及び/又は接続は、ネットワークを介したプログラムのリモート実行を容易にすることができる。これらのデバイスの一部又は全部をネットワーク化することで、本開示の範囲から逸脱することなく、1つ又は複数の場所でのプログラム又は方法の並列処理を容易にすることができる。更に、インタフェースを介してサーバに接続されたデバイスのいずれかは、方法、プログラム、コード、及び/又は命令を格納することができる、少なくとも1つの記憶媒体を含んでもよい。中央リポジトリは、異なるデバイスで実行されるプログラム命令を提供してもよい。この実施形態では、リモートリポジトリが、プログラムコード、命令、及びプログラムの記憶媒体として機能してもよい。
ソフトウェアプログラムは、ファイルクライアント、プリントクライアント、ドメインクライアント、インターネットクライアント、イントラネットクライアント、及び、セカンダリクライアント、ホストクライアント、分散型クライアントなどの他の変形を含む、クライアントと関連していてもよい。クライアントは、メモリ、プロセッサ、コンピュータ可読媒体、記憶媒体、ポート(物理的及び仮想的)、通信デバイス、及び、有線又は無線媒体を介して他のクライアント、サーバ、マシン、及びデバイスにアクセス可能なインタフェースなどのうち、1つ以上を含んでもよい。本明細書及び他の場所に記載されている方法、プログラム、又はコードは、クライアントによって実行されてもよい。更に、本願に記載されているような方法の実行に必要な他のデバイスを、クライアントに関連するインフラストラクチャの一部と考えてもよい。
クライアントは、サーバ、他のクライアント、プリンタ、データベースサーバ、プリントサーバ、ファイルサーバ、通信サーバ、分散サーバなどを含むがこれらに限定されない、他のデバイスへのインタフェースを提供してもよい。更に、この結合及び/又は接続は、ネットワークを介したプログラムのリモート実行を容易にすることができる。これらのデバイスの一部又は全部をネットワーク化することで、本開示の範囲から逸脱することなく、1つ又は複数の場所でのプログラム又は方法の並列処理を容易にすることができる。更に、インタフェースを介してクライアントに接続されたデバイスのいずれかは、方法、プログラム、アプリケーション、コード、及び/又は命令を格納することができる、少なくとも1つの記憶媒体を含んでいてもよい。中央リポジトリは、異なるデバイスで実行されるプログラム命令を提供してもよい。この実施形態では、リモートリポジトリが、プログラムコード、命令、及びプログラムのための記憶媒体として機能してもよい。
本明細書に記載されている方法及びシステムは、その一部又は全部を、ネットワークインフラストラクチャを通じて展開することができる。ネットワークインフラストラクチャは、コンピューティングデバイス、サーバ、ルータ、ハブ、ファイアウォール、クライアント、パーソナルコンピュータ、通信デバイス、ルーティングデバイス、及び、当技術分野で知られている他のアクティブ及びパッシブデバイス、モジュール、及び/又はコンポーネントなどの要素を含んでもよい。ネットワークインフラストラクチャに関連するコンピューティングデバイス及び/又は非コンピューティングデバイス(複数可)は、他のコンポーネントとは別に、フラッシュメモリ、バッファ、スタック、RAM、ROMなどの記憶媒体を含んでいてもよい。本明細書及び他の場所に記載されているプロセス、方法、プログラムコード、命令は、ネットワークインフラストラクチャ要素の1つ又は複数によって実行されてもよい。本明細書に記載されている方法及びシステムは、ソフトウェアアズアサービス(SaaS)、プラットフォームアズアサービス(PaaS)、及び/又はインフラストラクチャアズアサービス(IaaS)の特徴を含む、あらゆる種類のプライベート、コミュニティ、或いはハイブリッドクラウドコンピューティングネットワーク又はクラウドコンピューティング環境での使用に適応されてもよい。
本明細書及び他の場所に記載されている方法、プログラムコード、及び命令は、複数のセルを有するセルラーネットワーク上で実装されてもよい。セルラーネットワークは、周波数分割多元アクセス(FDMA)ネットワーク又は符号分割多元アクセス(CDMA)ネットワークのいずれかであってもよい。セルラーネットワークは、モバイルデバイス、セルサイト、基地局、中継器、アンテナ、タワーなどを含んでいてもよい。セルラーネットワークは、GSM、GPRS、3G、4G、5G、LTE、EVDO、メッシュ、又は他のネットワークタイプであってもよい。
本明細書又は他の場所に記載されている方法、プログラムコード、及び命令は、モバイルデバイス上に、又はモバイルデバイスを通じて実装されてもよい。モバイルデバイスは、ナビゲーションデバイス、携帯電話、移動電話、モバイルパーソナルデジタルアシスタント、ラップトップ、パームトップ、ネットブック、ページャー、電子ブックリーダー、音楽プレーヤーなどを含んでもよい。これらのデバイスは、他のコンポーネントとは別に、フラッシュメモリ、バッファ、RAM、ROMなどの記憶媒体、及び1つ以上のコンピューティングデバイスを含んでもよい。モバイルデバイスに関連するコンピューティングデバイスは、それらに格納されたプログラムコード、方法、及び命令を実行できるようになっていてもよい。或いは、モバイルデバイスは、他のデバイスと協働して命令を実行するように構成されていてもよい。モバイルデバイスは、サーバとインタフェースされると共にプログラムコードを実行するように構成された、基地局と通信してもよい。モバイルデバイスは、ピアツーピアネットワーク、メッシュネットワーク、又は他の通信ネットワーク上で通信してもよい。プログラムコードは、サーバに関連付けられた記憶媒体に格納され、サーバ内に組み込まれたコンピューティングデバイスによって実行されてもよい。基地局は、コンピューティングデバイスと記憶媒体とを含んでもよい。記憶デバイスは、基地局に関連するコンピューティングデバイスによって実行される、プログラムコード及び命令を格納してもよい。
コンピュータソフトウェア、プログラムコード、及び/又は命令は、以下のものを含む機械可読媒体に格納及び/又は機械可読媒体でアクセスすることができる:計算に使用されるデジタルデータを一定期間保持するコンピュータコンポーネント、デバイス、及び記録媒体;ランダムアクセスメモリ(RAM)として知られる半導体ストレージ;光ディスクや、ハードディスク、テープ、ドラム、カードなどの磁気ストレージの形態など、より恒久的なストレージのための典型的なマスストレージ;プロセッサレジスタ、キャッシュメモリ、揮発性メモリ、不揮発性メモリ;CD、DVDなどの光学ストレージ;フラッシュメモリ(例えばUSBスティックやキー)、フロッピーディスク、磁気テープ、紙テープ、パンチカード、スタンドアロンRAMディスク、Zipドライブ、リムーバブルマスストレージ、オフライン、などといったリムーバブルメディア;ダイナミックメモリ、スタティックメモリ、リード/ライトストレージ、ミュータブルストレージ、リードオンリー、ランダムアクセス、シーケンシャルアクセス、ロケーションアドレッサブル、ファイルアドレッサブル、コンテンツアドレッサブル、ネットワーク接続ストレージ、ストレージエリアネットワーク、バーコード、磁気インク、ネットワークアタッチドストレージ、ネットワークストレージ、NVMEアクセス可能ストレージ、PCIE接続ストレージ、分散型ストレージなどといった、他のコンピュータメモリ。
本明細書に記載の方法及びシステムは、物理的及び/又は無形のアイテムを、ある状態から別の状態へ変換してもよい。また、本明細書に記載の方法及びシステムは、物理的及び/又は無形のアイテムを表すデータを、ある状態から別の状態へ変換してもよい。
図全体のフローチャート及びブロック図を含み、本明細書で説明及び描写されている要素は、要素間の論理的境界を示唆している。しかしながら、ソフトウェア又はハードウェアのエンジニアリングの実践によれば、描かれた要素及びそれらの機能は、モノリシックソフトウェア構造として、スタンドアロンソフトウェアモジュールとして、或いは、外部ルーチン、コード、サービスなど、又はこれらの任意の組み合わせを採用するモジュールとして、それらに格納されたプログラム命令を実行可能なプロセッサを用いて、コンピュータ実行可能コードを通じてマシンに実装されてもよく、そのような実装は全て本開示の範囲内である。このようなマシンの例としては、パーソナルデジタルアシスタント、ラップトップ、パーソナルコンピュータ、携帯電話、その他のハンドヘルドコンピューティングデバイス、医療機器、有線又は無線通信デバイス、トランスデューサ、チップ、計算機、衛星、タブレットPC、電子書籍、ガジェット、電子デバイス、装置、人工知能、コンピューティングデバイス、ネットワーク機器、サーバ、ルータなどが考えられるが、これらに限定されるものではない。更に、フローチャートやブロック図に描かれている要素や、その他の論理的なコンポーネントは、プログラム命令を実行できるマシンに実装することができる。従って、前述の図面及び説明では、開示されたシステムの機能的な側面が示されているが、これらの機能的な側面を実装するためのソフトウェアの特定の配置は、明示的に述べられていない限り、又は文脈から明らかでない限り、これらの説明から推測されるべきではない。同様に、上で特定され説明された様々なステップを変化させることができ、ステップの順序を本明細書で開示された技術の特定の用途に適応させてもよいことは、理解されるであろう。そのような変形や変更は全て、本開示の範囲内であることが意図されている。このため、様々なステップの順序の描写及び/又は説明は、特定の用途で必要とされる場合や、明示的に述べられている場合、又は文脈から明らかな場合を除き、これらのステップの特定の実行順序を必要とすると理解されるべきではない。
上述の方法及び/又はプロセス、並びにそれらに関連するステップは、ハードウェア、ソフトウェア、又は特定の用途に適したハードウェアとソフトウェアとの任意の組み合わせで実現することができる。ハードウェアは、汎用コンピュータ及び/又は専用のコンピューティングデバイス、又は特定のコンピューティングデバイス、又は特定のコンピューティングデバイスの特定の側面やコンポーネントを含んでもよい。プロセスは、1つ又は複数のマイクロプロセッサ、マイクロコントローラ、組み込みマイクロコントローラ、プログラマブルデジタルシグナルプロセッサ、又は他のプログラマブルデバイスで、内部及び/又は外部メモリと共に実現されてもよい。プロセスは、更に或いは代わりに、特定用途向け集積回路、プログラマブルゲートアレイ、プログラマブルアレイロジック、或いは、電子信号を処理するように構成された他のデバイスやデバイスの組み合わせで具現化されてもよい。更に、プロセスの1つ又は複数が、機械読み取り可能な媒体上で実行可能なコンピュータ実行可能コードとして実現されてもよいことは、理解されるであろう。
コンピュータ実行可能コードは、Cなどの構造化プログラミング言語、C++などのオブジェクト指向プログラミング言語、或いはその他の高レベル又は低レベルのプログラミング言語(アセンブリ言語、ハードウェア記述言語、及びデータベースプログラミング言語並びに技術を含む)を使用して作成されてもよく、それらの言語は、上記のデバイスのいずれか、並びにプロセッサの異種の組み合わせ、プロセッサアーキテクチャ、又は異なるハードウェアとソフトウェアの組み合わせ、或いはプログラム命令を実行可能なその他のマシン上で実行するために、保存、コンパイル、又は解釈されてもよい。コンピュータソフトウェアは、仮想化、仮想マシン、コンテナ、ドックファシリティ、ポーテナ、及びその他の機能を採用することができる。
従って、ある態様において、上述の方法及びそれらの組み合わせは、1つ又は複数のコンピューティングデバイス上で実行されるとそのステップを実行する、コンピュータ実行可能コードで具現化されてもよい。別の態様において、方法は、そのステップを実行するシステムに具現化されてもよく、多くの方法でデバイス間に分散されてもよく、或いは機能の全てが専用のスタンドアロンデバイス又は他のハードウェアに統合されてもよい。別の態様では、上述のプロセスに関連するステップを実行するための手段が、上述のハードウェア及び/又はソフトウェアのいずれかを含んでもよい。そのような全ての交換及び組み合わせは、本開示の範囲内に入ることが意図されている。
本開示は、詳細に示されて説明された好ましい実施形態に関連して開示されてきたが、それに対する様々な修正及び改良が当業者には容易に明らかになるであろう。従って、本開示の精神及び範囲は、前述の例によって限定されるものではなく、法律によって許容される最も広い意味で理解されるべきものである。
本開示を説明する文脈において(特に添付の請求項の文脈において)、用語「1つ(a)」、「1つ(an)」、「その(the)」、及び同様の参照語の使用は、本明細書において別段の指示がない限り、又は文脈によって明らかに矛盾しない限り、単数形及び複数形の両方をカバーするように解釈されるべきである。用語「含む(comprising)」、「備える(with)」、「含む(including)」、及び「含む(containing)」は、特に断りのない限り、オープンエンドの用語(すなわち、「~を含むが、それに限定されない」を意味する)として解釈されるべきである。本明細書での値の範囲の記述は、本明細書で別段の指示がない限り、範囲内にある別々の値の各々を個別に参照する略記法としての役割を果たすことを意図しており、別々の値の各々は、本明細書で個別に記述されているかのように本明細書に組み込まれている。本明細書に記載されている全ての方法は、本明細書で別段の指示がない限り、又は文脈上明らかに矛盾しない限り、任意の適切な順序で実行することができる。本明細書で提供される任意の及び全ての例、又は例示的な言語(例えば「~など」)の使用は、単に本開示をより明らかにすることを意図しており、別段の請求がない限り、本開示の範囲に制限を課すものではない。「セット、一連の(set)」という用語は、単一の部材を有するセットを含むことがある。本明細書のいかなる文言も、本開示の実施に不可欠なものとして、請求されていない要素を示すものとして解釈されるべきではない。
上述された説明により、当業者は、現在その最良の態様と考えられるものを製造及び使用することができるが、当業者は、本明細書における特定の実施形態、方法、及び実施例の、変形、組み合わせ、及び同等物の存在を理解し、認識するであろう。従って、本開示は、上述の実施形態、方法、及び実施例によって限定されるべきではなく、本開示の範囲及び精神の範囲内の全ての実施形態及び方法によって限定されるべきである。
本明細書で参照されている全ての文書は、本明細書に完全に記載されているかのように、参照により本明細書に組み込まれる。
100:デジタル人類学及びクリエイティブインテリジェンスシステム、130:データソース、190:自己完結型写真撮影スタジオシステム、204:処理システム、500:ホスト、502:クライアントアルゴリズム、512:ユースケース、514:マスターアルゴリズム、704:画像取り込みデバイス、706:ストレージデバイス
Claims (36)
- 処理システムにより、メディア資産を受信すること、
前記処理システムにより、メディア資産分類器を用いて前記メディア資産の1つ以上の要素を分類して、分類のセットを取得すること、
前記処理システムにより、前記分類のセットをメディア資産属性として前記メディア資産へ帰属させること、
前記処理システムにより、前記メディア資産属性に基づいて、前記メディア資産のためのメディア資産ゲノムを生成すること、
前記処理システムにより、前記メディア資産ゲノムを前記メディア資産に関連付けること、
前記処理システムにより、前記メディア資産を提示するクライアントアプリケーションに前記メディア資産の提示に関連する追跡情報を報告させるタグ及びコードの少なくとも一方を、前記メディア資産へ埋め込むこと、
前記処理システムにより、前記メディア資産を少なくとも1つのデジタル環境へ伝播すること、
前記処理システムにより、それぞれのオンラインユーザに対して前記メディア資産を提示した1つ以上の外部デバイスから追跡情報を受信することであって、前記追跡情報の各インスタンスが、前記メディア資産に関するそれぞれのオンラインユーザのそれぞれの結果を示すこと、
前記処理システムにより、前記メディア資産を提示された前記それぞれのオンラインユーザのユーザデータを受信すること、及び、
前記処理システムにより、前記メディア資産ゲノム、前記メディア資産ゲノムに関連する前記追跡データ、及び前記それぞれのオンラインユーザの前記ユーザデータに少なくとも部分的に基づいて、マーケティング関連のタスクを実行するデジタル人類学システムを訓練すること、を含むことを特徴とする方法。 - 前記デジタル人類学システムを前記訓練することが、2つ以上の他の独立したデータソースから統合された統合データに更に基づいていることを特徴とする請求項1記載の方法。
- 更に、前記メディア資産ゲノム、前記追跡データ、及び前記ユーザデータを、前記2つ以上の他の独立したデータソースとマルチベース化すること、を含むことを特徴とする請求項2記載の方法。
- 前記統合データは、前記2つ以上の独立したデータソースからのデータをマルチベース化することによって生成されることを特徴とする請求項2記載の方法。
- 前記マルチベース化は、該マルチベース化から得られる前記統合データが永続的に保存されないように、オンデマンドで実行されることを特徴とする請求項4記載の方法。
- 前記統合データは、データフュージョン技術を用いて統合されることを特徴とする請求項2記載の方法。
- 前記統合データは、データアスクリプション技術を用いて統合されることを特徴とする請求項2記載の方法。
- 更に、前記メディア資産の1つ以上の特徴を抽出することを含み、前記メディアゲノムが、前記メディア資産の抽出された前記1つ以上の特徴に更に基づいていることを特徴とする請求項1記載の方法。
- 前記1つ以上の特徴を抽出することは、画像内の被写体の2つの異なる要素の比率を計算することを含むことを特徴とする請求項7記載の方法。
- 前記1つ以上の特徴を抽出することは、画像内の他のオブジェクトに対する、画像内の被写体のサイズを計算することを含むことを特徴とする請求項7記載の方法。
- 画像取り込みデバイスであって、
1つ以上のレンズと、
ストレージデバイスと、
実行可能な命令を実行する1つ以上のプロセッサと、を含み、
前記実行可能な命令は、前記1つ以上のプロセッサに、
前記1つ以上のレンズを介して画像をキャプチャすること、
画像分類器を使用してメディア資産の1つ以上の要素を分類すること、
前記1つ以上の要素の分類をメディア資産属性として前記メディア資産へ帰属させること、
前記メディア資産属性に基づいて、前記メディア資産についてのメディア資産ゲノムを生成すること、
前記メディア資産ゲノムを前記メディア資産に関連付けること、及び、
前記メディア資産ゲノム及び前記メディア資産を外部デバイスへ送信すること、を実行させることを特徴とする画像取り込みデバイス。 - 前記画像取り込みデバイスが、デジタルカメラであることを特徴とする請求項11記載のシステム。
- 前記画像取り込みデバイスが、スマートグラスであることを特徴とする請求項11記載のシステム。
- 前記画像取り込みデバイスが、自己完結型写真撮影スタジオシステムであることを特徴とする請求項11記載のシステム。
- 前記外部デバイスが、クリエイティブインテリジェンスサーバであることを特徴とする請求項11記載のシステム。
- 前記実行可能な命令は、更に、前記1つ以上のプロセッサに、前記画像の1つ以上の特徴を抽出させることを特徴とする請求項11記載のシステム。
- 前記1つ以上の特徴を抽出することは、前記画像内の被写体の2つの異なる要素の比率を計算することを含むことを特徴とする請求項16記載のシステム。
- 前記1つ以上の特徴を抽出することは、前記画像内の他のオブジェクトに対する、前記画像内の被写体のサイズを計算することを含むことを特徴とする請求項16記載のシステム。
- 前記実行可能な命令は、更に、前記1つ以上のプロセッサに、前記メディア資産を提示するクライアントアプリケーションに前記メディア資産の提示に関連する追跡情報を報告させる1つ以上のタグ及び/又はコードを、前記メディア資産へ埋め込ませることを特徴とする請求項11記載のシステム。
- 前記追跡データが、前記メディア資産に関連する遠隔測定データを含むことを特徴とする請求項11記載のシステム。
- 前記追跡データが、前記メディア資産に関連するメタデータを含むことを特徴とする請求項11記載のシステム。
- 方法であって、
1つ以上のプロセッサにより、顧客に代わって実行されるマーケティング関連のタスクに関連するユースケースを受信すること、
前記1つ以上のプロセッサにより、通信ネットワークを介して、クライアントアルゴリズムをホストのセットへ提供することであって、前記クライアントアルゴリズムが、機械学習アルゴリズムを定義する機械実行可能な命令のセットを含み、前記機械学習アルゴリズムが、前記ホストによって格納されたそれぞれのローカルデータセット上でローカルモデルを訓練すると共に、該訓練のそれぞれの結果を前記1つ以上のプロセッサにより実行されるマスターアルゴリズムへ提供し、前記ホストのうちの少なくとも1つが、前記顧客の管理下にないセンシティブデータセットを格納すること、
前記1つ以上のプロセッサにより、前記ホストのセットの各々から前記それぞれの結果を受信すること、
前記1つ以上のプロセッサにより、前記ホストのセットから受信した前記結果に基づいてグローバルモデルを更新すること、
前記1つ以上のプロセッサにより、前記顧客に代わってマーケティング関連のタスクを実行する要求を受信すること、及び、
前記1つ以上のプロセッサにより、前記グローバルモデルを活用して前記マーケティング関連のタスクを実行すること、を含むことを特徴とする方法。 - 前記ホストのセットの各々から受信される前記それぞれの結果は、前記ローカルモデルのそれぞれのバージョンを訓練することによって得られる、モデルパラメータのそれぞれのセットを含むことを特徴とする請求項22記載の方法。
- 前記グローバルモデルを更新することは、前記ホストの各々から受信した前記モデルパラメータのそれぞれのセットを、前記グローバルモデルへ統合することを含むことを特徴とする請求項23記載の方法。
- 更に、前記1つ以上のプロセッサにより、前記パラメータのそれぞれのセットを統合することに応答して、それぞれのメタ学習情報を前記ホストの各々へ提供すること、を含むことを特徴とする請求項24記載の方法。
- 候補アルゴリズムを前記ホストのセットへ提供することは、スターターモデルを前記ホストの各々へ提供することを含み、前記ホストのセットのそれぞれのホストが、前記スターターモデルから前記それぞれのローカルモデルを訓練することを特徴とする請求項1記載の方法。
- 前記スターターモデルが、代表的なデータセットで最初に訓練されることを特徴とする請求項5記載の方法。
- 候補アルゴリズムを前記ホストのセットへ提供することは、前記代表的なデータセットを前記ホストのセットへ提供することを含み、前記ホストのセットのそれぞれのホストが、前記代表的なデータセットを使用して、前記それぞれのローカルモデルを検証することを特徴とする請求項27記載の方法。
- 前記マーケティング関連のタスクが、顧客セグメンテーションであることを特徴とする請求項22記載の方法。
- 前記マーケティング関連のタスクが、トピックモデリングであることを特徴とする請求項22記載の方法。
- 前記マーケティング関連のタスクが、市場プランニングであることを特徴とする請求項22記載の方法。
- 前記ホストのセットは、前記顧客の商業パートナーのコンピューティング環境を含むことを特徴とする請求項22記載の方法。
- 前記顧客の商業環境が、前記商業パートナーの販売データを格納することを特徴とする請求項32記載の方法。
- 前記顧客の商業環境が、前記商業パートナーの販売データを格納することを特徴とする請求項32記載の方法。
- 前記ホストのセットは、2つの独立したデータソースからのマルチベース化されたデータを含むコンピューティング環境を含むことを特徴とする請求項22記載の方法。
- 前記ホストのセットは、メディア資産分析データを格納するコンピューティング環境を含むことを特徴とする請求項22記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962842263P | 2019-05-02 | 2019-05-02 | |
US62/842,263 | 2019-05-02 | ||
PCT/US2020/030999 WO2020223620A1 (en) | 2019-05-02 | 2020-05-01 | Digital anthropology and ethnography system |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022531410A true JP2022531410A (ja) | 2022-07-06 |
Family
ID=73029400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021565075A Pending JP2022531410A (ja) | 2019-05-02 | 2020-05-01 | デジタル人類学及び民族誌学システム |
Country Status (10)
Country | Link |
---|---|
US (1) | US20220114616A1 (ja) |
EP (1) | EP3963536A4 (ja) |
JP (1) | JP2022531410A (ja) |
KR (1) | KR20220030931A (ja) |
CN (1) | CN114391159A (ja) |
AU (1) | AU2020265760A1 (ja) |
BR (1) | BR112021021957A2 (ja) |
CA (1) | CA3137753A1 (ja) |
SG (1) | SG11202111879VA (ja) |
WO (1) | WO2020223620A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3971811A1 (en) * | 2020-09-21 | 2022-03-23 | Verve Group, Inc. | Privacy supporting messaging systems and methods |
US20230004999A1 (en) * | 2021-06-30 | 2023-01-05 | On24, Inc. | Methods, Systems, And Apparatuses For User Segmentation And Analysis |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8929877B2 (en) * | 2008-09-12 | 2015-01-06 | Digimarc Corporation | Methods and systems for content processing |
US8924993B1 (en) * | 2010-11-11 | 2014-12-30 | Google Inc. | Video content analysis for automatic demographics recognition of users and videos |
US8478711B2 (en) * | 2011-02-18 | 2013-07-02 | Larus Technologies Corporation | System and method for data fusion with adaptive learning |
US11195057B2 (en) * | 2014-03-18 | 2021-12-07 | Z Advanced Computing, Inc. | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
US20130346182A1 (en) * | 2012-06-20 | 2013-12-26 | Yahoo! Inc. | Multimedia features for click prediction of new advertisements |
DE112012006300T5 (de) * | 2012-10-10 | 2015-02-19 | Nugg.Ad Ag | Prädiktives verhaltensorientiertes Targeting |
US20140278973A1 (en) * | 2013-03-15 | 2014-09-18 | MaxPoint Interactive, Inc. | System and method for audience targeting |
US9558751B2 (en) * | 2014-01-31 | 2017-01-31 | Sparcq, Inc. | Media content marking and tracking methods and apparatus |
US11290783B2 (en) * | 2015-03-17 | 2022-03-29 | Comcast Cable Communications, Llc | Real-time recommendations for altering content output |
US10747801B2 (en) * | 2015-07-13 | 2020-08-18 | Disney Enterprises, Inc. | Media content ontology |
US10402469B2 (en) * | 2015-10-16 | 2019-09-03 | Google Llc | Systems and methods of distributed optimization |
-
2020
- 2020-05-01 SG SG11202111879VA patent/SG11202111879VA/en unknown
- 2020-05-01 AU AU2020265760A patent/AU2020265760A1/en not_active Abandoned
- 2020-05-01 EP EP20798976.5A patent/EP3963536A4/en not_active Withdrawn
- 2020-05-01 BR BR112021021957A patent/BR112021021957A2/pt not_active IP Right Cessation
- 2020-05-01 KR KR1020217039580A patent/KR20220030931A/ko unknown
- 2020-05-01 WO PCT/US2020/030999 patent/WO2020223620A1/en unknown
- 2020-05-01 JP JP2021565075A patent/JP2022531410A/ja active Pending
- 2020-05-01 CN CN202080041125.2A patent/CN114391159A/zh active Pending
- 2020-05-01 CA CA3137753A patent/CA3137753A1/en active Pending
-
2021
- 2021-10-29 US US17/514,409 patent/US20220114616A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
CN114391159A (zh) | 2022-04-22 |
EP3963536A1 (en) | 2022-03-09 |
WO2020223620A1 (en) | 2020-11-05 |
US20220114616A1 (en) | 2022-04-14 |
CA3137753A1 (en) | 2020-11-05 |
SG11202111879VA (en) | 2021-11-29 |
AU2020265760A1 (en) | 2021-11-18 |
EP3963536A4 (en) | 2023-01-25 |
BR112021021957A2 (pt) | 2021-12-21 |
KR20220030931A (ko) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vieira et al. | In pursuit of an effective B2B digital marketing strategy in an emerging market | |
CN108476334B (zh) | 广告投放的跨屏优化 | |
CN108352025B (zh) | 基于消费者在线行为的电视广告时段定位 | |
Zhao et al. | User profiling from their use of smartphone applications: A survey | |
CA2855008C (en) | Targeting advertisements to users of a social networking system based on events | |
US10769672B2 (en) | System and method providing personalized recommendations | |
CN102737334B (zh) | 微细分定义系统 | |
US11132703B2 (en) | Platform for providing augmented reality based advertisements | |
US8725559B1 (en) | Attribute based advertisement categorization | |
US20140074604A1 (en) | Predictive analytics for mobile advertising | |
KR20100114860A (ko) | 터치포인트 커스터마이제이션 시스템 | |
US20150254252A1 (en) | Search ranking of web-based social content aggregations | |
TW201310986A (zh) | 虛擬廣告平台 | |
US20220114616A1 (en) | Digital anthropology and ethnography system | |
Krämer et al. | The role of data for digital markets contestability: case studies and data access remedies | |
US11887160B2 (en) | Real time bidding engine with radius insights | |
Tykheev | Big Data in marketing | |
Stevens et al. | Integrated campaign planning in a programmatic world | |
Sanyal et al. | Internet of Things and Its Relevance to Digital Marketing | |
Cui et al. | Omnichannel marketing: The challenge of data-integrity | |
De Reyck et al. | Vungle Inc. improves monetization using big data analytics | |
US20200234312A1 (en) | Post-purchase product interaction | |
Ma | Modeling users for online advertising | |
Thobani | Improving e-Commerce sales using machine learning | |
Soni et al. | Big data analytics for market prediction via consumer insight |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230426 |