چطور یک چهره ایده آل برای تبلیغ خود انتخاب کنیم؟

اصل نورومارکتینگ:
الگوریتم ها می توانند یک چهره متقاعد کننده ایده آل را برای انواع مختلف تبلیغات پیش بینی کنند.

کاربرد:
استفاده از این مدل میتواند به شما کمک کند تا بتوانید به خصوصیات یک چهره کامل به همراه ویژگیهای احساسی آن دست پیدا کنید.

چهره مناسب برای تبلیغ زیبایی چیست؟ و برای پیشگیری از خشونت خانگی از کدام استفاده می کنید؟

در تبلیغات ، مأموریت اصلی ،تبلیغ محصولات یا انتقال ایده ها با استفاده از زبان و تصاویرقانه کننده است. چهره ها جنبه اصلی تبلیغات هستند و بسته به کالای تبلیغ شده و پیام ارسال شده ، متفاوت تر به تصویر کشیده می شوند. اما چه چیزی باعث می شود صورت بصری متقاعد کننده شود؟

ایجاد چهره های متقاعد کننده با یادگیری ماشین

توماس و كوواشكا چهره های متقاعد كننده ای را برای انواع مختلف تبلیغات با استفاده از یادگیری ماشین ایجاد می كنند. یادگیری ماشینی در همه بازارها به تکنیکی شایع و متداول تبدیل می شود. از آنجا که جهان و رسانه ها روی هوش مصنوعی متکی هستند ، اصطلاحاتی مانند پردازش زبان طبیعی ، یادگیری عمیق و شبکه های عصبی امروزه در خارج از روانشناسی شناختی شنیده می شود. یادگیری ماشینی همانطور که کلمه نشان می دهد – آموزش یک ماشین برای پاسخ مناسب است. با تغذیه داده های مدل ، الگوهای را تشخیص می دهد و این موارد را برای داده های ورودی بعدی اعمال می کند. این موضوع می تواند برای تغییر ورودی یا پیش بینی نتایج آینده استفاده شود.

مطالعه حاضر از یادگیری ماشینی برای تولید چهره های قانع کننده برای انواع مختلف تبلیغات استفاده کرده است. اما این ایده چطور کار میکند؟

همه چیز با تمرین و آموزش شروع میشود

ابتدا از یک بانک اطلاعاتی موجود از چهره ها باحالتها و ویژگی های مختلف صورت برای آموزش مدل استفاده می شود. هفت حالت احساسی آموخته می شود: خوشحال ، غم ، غافلگیری ، ترس ، انزجار ، عصبانیت و تحقیر. ویژگی های صورت ویژگی هایی از جمله طاس ، گونه های گلگون ، لبخند و صورتهای جذاب است. مدل ،چهره ها را در تبلیغات اسکن می کند و ویژگی ها و عبارات آنها را تشخیص می دهد. یک الگوریتم یاد می گیرد که این جنبه های مختلف چهره ها را بشناسد و آنها را با نام درست طبقه بندی کند ، که به آن طبقه بندی گفته می شود.

آیا استفاده از یک رایحه در بازاریابی میتواند موثر باشد؟در این مقاله بخوانید

سپس ، یک خودرمزنگار روی دیتابیسی با چهره های تبلیغاتی آموزش دیده می شود که از یک مجموعه داده موجود با تبلیغات استخراج می شود. خودرمزنگارها اسکریپتهایی هستند که – همانطور که از نام آن پیداست – به طور خودکار تصویری را رمزگذاری می کنند. خودرمزنگار مورد استفاده در این مطالعه تنوع شرطی است ، به این معنی که از مجموعه ای از قوانین از پیش تعریف شده استفاده می کند. استفاده از قوانین از پیش تعریف شده راهی برای جبران مجموعه داده های کوچکتر است و تضمین می کند که تصاویر حاصل از یکنواختی بالاتری خواهند بود. در این حالت ، قوانین از پیش تعریف شده مجموعه ای از ویژگی های پیش بینی شده برای دسته های مختلف تبلیغات است. از آن به عنوان سوپروایزر در خلال آموزش مدل استفاده می شود: با قرار دادن دانش پیش بینی شده در سیستم ، نتیجه نهایی تصاویر نرم تری خواهد بود زیرا در ویژگی های خاص ، در مدل اطمینان بیشتری وجود دارد.

تبدیل صفات به اعداد

با استفاده از چهره های تبلیغاتی روی مجموعه داده با صورت تبلیغ ، این خودرمزنگار کمک می کند که تصاویر به عنوان مجموعه ای از اعداد نمایش داده می شوند. به عنوان مثال ، یک عدد شکل یک چهره را نشان می دهد ، و دیگری رنگ پوست را نشان می دهد. به این ترتیب تمام ویژگی های صورت رمزگذاری می شوند.

در مرحله بعد ، مدل یاد می گیرد که چهره های آگهی را از نمایه آموخته شده بازسازی کند ، از این طریق ویژگی ها و حالتهای احساسی صورت را از مجموعه با شماره ها بازسازی کند.

شماره ها به چهره ها تبدیل میشوند

در مرحله بعد ، مدل میزان اختلاف چهره ها را در مورد موضوعات مختلف در تبلیغات محاسبه می کند. ارزیابی تفاوت چهره ها در هر موضوع تبلیغ باعث می شود چهره های مختلف به هر موضوع تبلیغ تبدیل شود. به عنوان مثال ، در تبلیغات زیبایی از زنانی که آرایش می کنند ، استفاده می شود ، در حالی که تبلیغات نوشابه شامل چهره هایی با ظاهری بسیار زیبا است.

در آخر ، از رمزگشایی برای تولید چهره های مجزا در مباحث تبلیغ استفاده می شود. این کار با رمزگشایی تعداد عبارات و خصوصیات مختلف و تغییر شکل صورت با توجه به این اعداد انجام می شود. با تغییر اعداد موجود در مجموعه ، صورت ها به راحتی دستکاری می شوند. به این ترتیب ، چهره ای مناسب برای دسته بندی محصولات شما با استفاده از ویژگی های چهره ها از آگهی های قبلی در همان دسته تولید می شود.

نقاط مثبت و منفی یادگیری ماشینی

مزایای یادگیری ماشین و سایر روشهای هوش مصنوعی متعدد هستند و هرچه توسعه پیدا کند ، بیشتر امکان پذیر می شود. در مورد چت بات های خودکار ، مراکز تماس و تبلیغات هدفمند آنلاین فکر کنید. هر جنبه ای قابل آزمایش است و از این طریق بهبود می یابد.

بزرگترین نقطه ضعف یادگیری ماشین این است که کیفیت مجموعه داده تعیین کننده کیفیت خروجی است. معنی: وقتی چهره های کلاسیک در تبلیغات زیبایی متناسب با آن دسته نباشند ، چهره تولید شده نیز متناسب با آن نخواهد بود. به عنوان مثال با تغذیه مدل فقط از طریق تبلیغات موفق از آن دسته می توان از این امر جلوگیری کرد.

یادگیری ماشینی در آینده

محققان هنوز در حال کشف راه هایی برای بهبود تصاویر تولید شده حتی بیشتر هستند ، به عنوان مثال برای دستیابی به استانداردهای کیفیت سایر مدل ها با داده های بیشتر. بنابراین ، مدل ها با داده های متنوع تر آموزش داده می شوند.

این بدان معناست که ، در آینده نزدیک ، نیازی به یافتن مدل مناسب از یک لبخند ترغیب کننده کامل نیستید ، فقط اجازه می دهید یک الگوریتم تمام کارها را برای شما انجام دهد: ایجاد ایده آل ترین چهره برای تبلیغ دسته محصولات شما!

و پس از آن ، تحقیقات حتی بیشتر پیش می رود: تولید کل تبلیغات که برای مخاطب هدفمند معنی دار و جالب است.

نکات نوروئی:

• یادگیری ماشین می تواند به شما کمک کند چهره هایی را متناسب با دسته بندی محصولات خود به بهترین شکل ایجاد کنید. اینها بیشتر و دقیق تر و متقاعد کننده تر می شوند.
• یک مجموعه داده چهره رمزنگاری شده توسط اعداد، اعداد برای تبدیل به یک دسته تبدیل می شوند و برای ایجاد مجدد چهره رمزگشایی می شوند.
• توجه داشته باشید که کیفیت داده های ورودی خروجی را تعیین می کند. پس بگذارید چهره هایی ایجاد کنیم!