Connect with us

Статьи

Искусственный интеллект и GPU помогают в поиске идеи для тату

Выбор татуировки – очень личная и почти всегда непростая задача. Однако совсем скоро, благодаря искусственному интеллекту (ИИ), выбор концепта станет намного легче.

AppTractor

Опубликовано

/

     
     

Выбор татуировки – очень личная и почти всегда непростая задача. Однако совсем скоро, благодаря искусственному интеллекту (ИИ), выбор концепта станет намного легче.

Стартап из Копенгагена Tattoodo создал приложение на базе алгоритмов глубокого обучения нейросетей, которое помогает людям быстрее выбрать стиль и подходящее изображение для татуировки.

Каждый месяц на сайт Tattoodo заходят свыше 20 миллионов любителей тату и просто любопытствующих, чтобы полистать огромную коллекцию изображений, загруженных обладателями татуировок со всего мира.

Раньше загружаемые изображения сортировались и маркировались вручную. Однако разработчики Tattoodo Горан Вуксик и Дэннис Мики Дженсен решили создать нейросеть для распознавания изображений и применить ее к коллекции бодиарта Tattoodo.

Разработчики обучали свою сеть на коллекции, которую они рассортировали и промаркировали вручную, с акцентом на стиль или мотив татуировок. Теперь пользователям нужно просто ввести текстовое описание желаемого стиля, и алгоритм выдаст подборку изображений.

“Если вам нравится стиль конкретного художника или какой-то мотив, система сможет это понять и выдать вам больше вариантов того, что вы ищете”, – говорит Горан Вуксик.

Tattoodo
Tattoodo
Разработчик: От TATTOODO
Цена: Бесплатно

Давать желаемое

Горан и Дэннис создали свою нейросеть с помощью фреймворка машинного обучения Caffe на инстансе NVIDIA DIGITS, работающем на платформе Amazon Web Services.

DIGITS – это система глубокого обучения на базе GPU, которая позволила разработчикам с легкостью генерировать наборы данных и обучать с их помощью нейросеть. Благодаря облачным возможностям сервиса AWS стартап получил в свое распоряжение огромную вычислительную мощь графических процессоров без затрат на приобретение дорогостоящего оборудования.

Скоро в приложении будет свыше 350 000 изображений татуировок для людей, которые ищут для себя вдохновения.

Результаты работы превзошли все ожидания. Хотите ли вы тату в японском стиле с драконом или цветную мандалу, нейросеть поймет ваше желание и предложит варианты из своей базы данных.

Нейросеть также подскажет, на каких художников стоит обратить внимание — это важный момент, учитывая, что коллекция Tattoodoo содержит работы более чем 50 000 художников.

Заглядывая вперед

У Tattoodo уже больше миллиона пользователей. По мере роста количества пользователей сервиса Горан и Дэннис планируют усовершенствовать процесс загрузки изображений, предлагая авторам подходящие стили и тэги.

Так как теперь, благодаря графическим процессорам NVIDIA, процесс обучения нейросети сети упрощается, разработчики сосредоточат усилия на повышении точности результатов, продолжая и дальше обучать нейросеть за счет скармливания новых данных.

“Мы – лучший ресурс для поиска идеи для вашей татуировки”, – говорит Горан, добавляя, что стартап продолжит изучать возможности искусственного интеллекта и дальше.

Комментарии
Если вы нашли опечатку - выделите ее и нажмите Ctrl + Enter! Для связи с нами вы можете использовать info@apptractor.ru.
Advertisement
Click to comment

You must be logged in to post a comment Login

Leave a Reply

Программирование

Правила, которые я выработал по результатам 1000 code review

Леонид Боголюбов

Опубликовано

/

Во время работы в LinkedIn большая часть моей работы состояла из проверки кода. Были определенные ситуации, которые постоянно возникали снова и снова, поэтому я решил составить список, которым и поделился с командой.

Вот мои 3 (+1 бонус) наиболее распространенных правки, которые я делал во время code review.

Правка 1: Генерирование исключения, когда что-то идет не так

Обычно я видел такое:

List<String> getSearchResults(...) {
  try {
    List<String> results = // make REST call to search service
    return results;
  } catch (RemoteInvocationException e) {
    return Collections.emptyList();
  }
}

Этот код вызвал сбои в одном из мобильных приложений, над которым я работал. Поисковый бэкенд, который мы использовали, стал выбрасывать исключения. Тем не менее, в приложении имелся код, подобный этому. Поэтому, с точки зрения приложения, оно получало успешный ответ 200 и с радостью показывало пустой список для каждого поискового запроса.

Если бы вместо этого API выбросил исключение, то наша система мониторинга немедленно подобрала бы его, обработала и мы ошибку исправили.

Во многих случаях возникает соблазн просто вернуть пустой объект после того, как вы поймали исключение. Примерами пустых объектов в Java являются Optional.empty(), нулевой или пустой список. Хорошим примером того, где это все встречается постоянно, является парсинг URL. Вместо того, чтобы возвращать null, если URL-адрес не может быть получен из строки, спросите себя: «Почему URL-адрес неправильно сформирован? Является ли это проблемой данных, которую мы должны исправить где-то выше?».

Пустые объекты не являются подходящим инструментом для работы. Если случилось что-то исключительное, то вы должны выбросить исключение.

Правка 2: Использование наиболее конкретного типа

Это предложение в основном противоречит строгому типизированному программированию.

Слишком часто я видел код, подобный этому примеру:

void doOperation(String opType, Data data); 
// where opType is "insert", "append", or "delete", this should have clearly been an enum

String fetchWebsite(String url);
// where url is "https://google.com", this should have been an URN

String parseId(Input input);
// the return type is String but ids are actually Longs like "6345789"

Использование наиболее конкретного типа позволяет избежать целого класса ошибок и, в основном, является основной причиной выбора строго типизированного языка, такого как Java.

Внимание, вопрос: как опытные программисты в конечном итоге пишут плохой типизированный код? Ответ: потому что внешний мир не сильно типизирован. Есть несколько разных мест, откуда берутся строки, например:

  • параметры запроса и пути в URL-адресах
  • JSON
  • Базы данных, которые не поддерживают enum
  • Плохо написанные библиотеки

В любом таком случае вы должны использовать следующую стратегию, чтобы избежать проблем – сохранить парсинг строки и сериализацию в вашей программе. Вот пример:

// Step 1: Take a query param representing a company name / member id pair and parse it
// example: context=Pair(linkedin,456)
Pair<String, Long> companyMember = parseQueryParam("context");
// this should throw an exception if malformed

// Step 2: Do all the stuff in your application
// MOST if not all of your code should live in this area

// Step 3: Convert the parameter back into a String at the very end if necessary
String redirectLink = serializeQueryParam("context");

Это дает ряд преимуществ. Неправильные данные немедленно обнаруживаются; в случае возникновении проблем приложение падает раньше. Кроме того, вам не нужно сохранять исключения для парсинга по всему приложению, так данные проверяются один раз. Кроме того, сильные типы сами по себе более полно описывают методы и вам не надо писать javadocs для каждого метода.

Правка 3: Использование Optionals вместо null

Одна из лучших функций Java 8 – это класс Optional, который представляет собой объект, который может существовать или не существовать.

Вопрос на миллион долларов: какое единственное исключение имеет собственную аббревиатуру? Ответ: NPE или Null Pointer Exception. Это, безусловно, самое распространенное исключение в  Java и, конечно, ошибка, которая стоит миллион долларов.

Optional позволяет вам полностью устранить NPE. Однако его следует использовать правильно. Вот некоторые советы по работе с Optional:

  • Не надо просто называть .get () в любое время, когда вам надо использовать Optional. Вместо этого внимательно подумайте о том случае, когда Optional не представлен, и придумайте разумное значение по умолчанию.
  • Если у вас еще нет разумного значения по умолчанию, тогда такие методы, как .map () и .flatMap (), позволяют отложить это решение.
  • Если внешняя библиотека возвращает значение NULL, чтобы указать на пустой случай, сразу же оберните значение с помощью параметра Optional.ofNullable (). Поверьте мне, вы поблагодарите себя позже. Нули имеют тенденцию «всплывать» внутри программ, поэтому лучше остановить их в первоисточнике.
  • Используйте Optional как возвращаемый тип в методах. Это здорово, потому что вам не нужно будет читать javadoc, чтобы выяснить, возможно ли, чтобы значение было пустым.

Бонус: Использование Unlift методов, когда это возможно

Вы должны избегать методов, которые выглядят следующим образом:

// AVOID:
CompletableFuture<T> method(CompletableFuture<S> param);
// PREFER: 
T method(S param);

// AVOID:
List<T> method(List<S> param);
// PREFER:
T method(S param);

// AVOID: 
T method(A param1, B param2, Optional<C> param3);
// PREFER:
T method(A param1, B param2, C param3);
T method(A param1, B param2);
// This method is clearly doing two things, it should be two methods
// The same is true for boolean parameters

Что общего у всех этих методов? Они используют контейнерные объекты, такие как Optional, List или Task как параметры методов. Еще хуже, когда  возвращаемый тип является тем же самым (т.е. метод принимает Optional и возвращает Optional).

Почему это плохо?

  1. Promise<A> method(Promise<B> param)
    менее гибко, чем просто
  2. A method(B param)

Если у вас есть Promise <B>, вы можете использовать 1, или вы можете использовать 2 путем «подъема» функции с помощью .map. (т.е. promise.map(method)).

Однако, если у вас есть только B, вы можете легко использовать 2, но вы не можете использовать 1, что делает 2 гораздо более гибким вариантом.

Мне нравится называть это «неподъемным», потому что это противоположность общепринятому функциональному методу «подъем». Применение этих знаний делает методы более гибкими и удобными для использования.

 

Комментарии
Продолжить чтение

Статьи

Настоящее и будущее машинного обучения на устройствах

Специалист по глубокому обучению Маттейс Холлеманс рассмотрел перспективы машинного обучения на устройствах и как его можно использовать уже сейчас.

Анна Гуляева

Опубликовано

/

Как вы, конечно, заметили, машинное обучение на устройствах сейчас все больше развивается. Apple упомянула это около ста раз во время WWDC 2017. Неудивительно, что разработчики хотят добавить машинное обучение в свои приложения.

Однако многие из этих моделей обучения используются только для совершения выводов на основе ограниченного набора знаний. Несмотря на термин “машинное обучение”, никакого обучения на устройстве не происходит, знание находится внутри модели и не улучшается со временем.

Нейросеть для определения лиц, встроенная в смартфон

Причина этого заключается в том, что обучение модели требует большой вычислительной мощности, а мобильные телефоны пока на это не способны. Гораздо проще обучать модели офлайн на серверной ферме, а все улучшения модели включать в обновление приложения.

Стоит отметить, что обучение на устройстве имеет смысл для некоторых приложений, и я верю, что со временем такое обучение моделей станет таким же привычным, как использование моделей для прогнозирования. В этом тексте я хочу исследовать возможности этой технологии.

Машинное обучение сегодня

Самым распространенным применением глубокого и машинного обучения в приложениях сейчас является компьютерное зрение для анализа фото и видео. Но машинное обучение не ограничено изображениями, оно также используется для аудио, языка, временных последовательностей и других типов данных. Современный телефон имеет множество различных сенсоров и быстрое соединение с интернетом, что приводит к большому количеству данных, доступных для моделей.

iOS использует несколько моделей глубокого обучения на устройствах: распознавание лиц на фото, фразы «Привет, Siri» и рукописных китайских иероглифов. Но все эти модели ничему не учатся от пользователя.

Почти все API машинного обучения (MPSCNN, TensorFlow Lite, Caffe2) могут делать предсказания на основе пользовательских данных, но вы не можете заставить эти модели узнавать новое из этих данных.

Сейчас обучение происходит на сервере с большим количеством GPU. Это медленный процесс, требующий большое количество данных. Сверточная нейронная сеть, например, обучается на тысячах или миллионах изображений. Обучение такой сети с нуля займет несколько дней на мощном сервере, несколько недель на компьютере и целую вечность на мобильном устройстве.

Обучение на сервере — это хорошая стратегия, если обновление модели происходит нерегулярно, и каждый пользователь использует одну и ту же модель. Приложение получает обновление модели каждый раз при обновлении приложения в App Store или при периодической загрузке новых параметров из облака.

Сейчас обучение больших моделей на устройстве невозможно, но так будет не всегда. Эти модели и не должны быть большими. И самое важное: одна модель для всех может быть не лучшим решением.

Зачем нужно обучение на устройстве?

Существует несколько преимуществ обучения на устройстве:

  • Приложение может учиться на данных или поведении пользователя.
  • Данные будут оставаться на устройстве.
  • Перевод любого процесса на устройство экономит деньги.
  • Модель будет обучаться и обновляться непрерывно.

Это решение подойдет не для каждой ситуации, но для него найдутся свои применения. Я думаю, что его главным преимуществом является возможность подгонки модели под конкретного пользователя.

На iOS-устройствах это уже делают некоторые приложения:

  • Клавиатура учится на основе текстов, которые вы набираете, и делает предположения о следующем слове в предложении. Эта модель обучается конкретно для вас, а не для других пользователей. Так как обучение происходит на устройстве, ваши сообщения не отправляются на облачный сервер.
  • Приложение «Фото» автоматически организует изображения в альбом «Люди». Я не совсем уверен, как это работает, но программа использует API распознавания лиц на фото и размещает похожие лица вместе. Возможно, это просто неконтролируемая кластеризация, но обучение все равно должно происходить, так как приложение позволяет вам исправлять его ошибки и совершенствуется на основе вашей обратной связи. Вне зависимости от вида алгоритма это приложение — хороший пример кастомизации пользовательского опыта на основе их данных.
  • Touch ID и Face ID учатся на основе вашего отпечатка пальца или лица. Face ID продолжает учиться со временем, поэтому, если вы отрастите бороду или начнете носить очки, оно по-прежнему будет узнавать ваше лицо.
  • Обнаружение движения. Apple Watch изучает ваши привычки, например, изменение биения сердца во время разных активностей. Опять же, я не знаю, как это работает, но, очевидно, обучение должно происходить.
  • Clarifai Mobile SDK позволяет пользователям создавать свои модели классификации изображений при помощи фотографий предметов и их обозначения. Обычно классификационная модель требует тысячи изображений для обучения, но этот SDK может научиться всего на нескольких примерах. Возможность создавать классификаторы изображений из ваших собственных фото, не будучи экспертом в машинном обучении, имеет много практических применений.

Некоторые из этих задач проще, чем остальные. Часто «обучение» является просто запоминанием последнего действия пользователя. Для многих приложений этого достаточно, и это не требует причудливых алгоритмов машинного обучения.

Модель клавиатуры достаточно проста, и обучение может происходить в режиме реального времени. Приложение «Фото» обучается медленнее и расходует много энергии, поэтому обучение происходит, когда устройство находится на зарядке. Многие практические применения обучения на устройстве находятся между этими двумя крайностями.

Другие существующие примеры включают в себя определение спама (ваш email-клиент учится на письмах, которые вы определяете как спам), коррекцию текста (она изучает ваши наиболее частые ошибки при наборе текста и исправляет их) и умные календари, вроде Google Now, которые учатся распознавать ваши регулярные действия.

Насколько далеко мы можем зайти?

Если целью обучения на устройстве является адаптация модели машинного обучения к потребностям или поведению конкретных пользователей, то что мы можем с этим делать?

Вот забавный пример: нейронная сеть превращает рисунки в эмодзи. Она просит вас нарисовать несколько разных фигур и учит модель распознавать их. Это приложение реализовано на Swift Playground, не самой быстрой платформе. Но даже при таких условиях нейронная сеть учится недолго — на устройстве это занимает всего несколько секунд (вот как работает эта модель).

Если ваша модель тоже не очень сложна, как эта двухслойная нейронная сеть, вы уже можете проводить обучение на устройстве.

Примечание: на iPhone X у разработчиков есть доступ к 3D-модели пользовательского лица в низком разрешении. Вы можете использовать эти данные, чтобы обучить модель, которая выбирает эмодзи или другое действие в приложение на основе выражения лица пользователей.

Вот несколько других будущих возможностей:

  • Smart Reply — это модель от Google, которая анализирует входящее сообщение или письмо и предлагает подходящий ответ. Она пока не обучается на устройстве и рекомендует одни и те же ответы всем пользователям, но (в теории) она может обучаться на текстах пользователя, что значительно улучшит модель.
  • Распознавание почерка, которое будет учиться именно на вашем почерке. Это особенно полезно на iPad Pro с Pencil. Это не новая функция, но если у вас такой же плохой почерк, как и у меня, то стандартная модель будет допускать слишком много ошибок.
  • Распознавание речи, которое будет становиться более точным и подстроенным под ваш голос.
  • Трекинг сна/фитнес-приложения. Прежде чем эти приложения будут давать вам советы об улучшении здоровья, им нужно узнать вас. Из соображений безопасности этим данным лучше оставаться на устройстве.
  • Персонализированные модели для диалога. Нам ещё предстоит увидеть будущее чат-ботов, но их преимущество заключается в том, что бот может адаптироваться под вас. Когда вы говорите с чат-ботом, ваше устройство будет изучать вашу речь и предпочтения и изменять ответы чат-бота под вашу личность и манеру общения (например, Siri может учиться давать меньше комментариев).
  • Улучшенная реклама. Никому не нравится реклама, но машинное обучение может сделать её менее назойливой для пользователей и более прибыльной для рекламодателя. Например, рекламный SDK может изучать, как часто вы смотрите и кликаете на рекламу, и подбирать более подходящую рекламу для вас. Приложение может обучать локальную модель, которая будет запрашивать только рекламу, работающую для конкретного пользователя.
  • Рекомендации — это распространенное использование машинного обучения. Проигрыватель подкастов может обучаться на программах, которые вы слушали, чтобы давать советы. Сейчас приложения осуществляют эту операцию в облаке, но это можно делать и на устройстве.
  • Людям с ограниченными возможностями приложения могут помогать ориентироваться в пространстве и лучше его понимать. Я не разбираюсь в этом, но могу представить, что приложения могут помогать, например, различать разные лекарства при помощи камеры.

Это только несколько идей. Так как все люди разные, модели машинного обучения могли бы подстраиваться под наши конкретные нужды и желания. Обучение на устройстве позволяет создать уникальную модель для уникального пользователя.

Разные сценарии обучения моделей

Перед применением модели вам нужно её обучить. Обучение нужно продолжать и далее, чтобы улучшать модель.

Существует несколько вариантов обучения:

  1. Отсутствие обучения на данных пользователя. Сбор собственных данных или использование публично доступных данных для создания единой модели. При улучшении модели вы выпускаете обновление приложения или просто загружаете в него новые параметры. Так делают большинство существующих приложений с машинным обучением.
  2. Централизованное обучение. Если ваше приложение или сервис уже требует данные от пользователя, которые хранятся на ваших серверах, и у вас есть к ним доступ, тогда вы можете осуществлять обучение на основе этих данных на своем сервере. Пользовательские данные можно использовать для обучения под конкретного пользователя или под всех пользователей. Так поступают платформы вроде Facebook. Этот вариант вызывает вопросы, связанные с приватностью, безопасностью, масштабированием и многие другие. Вопрос с приватностью можно решить методом «избирательной приватности» Apple, но и у него есть свои последствия.
  3. Коллаборативное обучение. Этот способ перемещает затраты на обучение на самих пользователей. Обучение происходит на устройстве, и каждый пользователь обучает небольшую часть модели. Обновления модели отправляются другим пользователям, так что они могут учиться на ваших данных, а вы — на их. Но это по-прежнему единая модель, и у всех в итоге оказываются одни и те же параметры. Главным плюсом такого обучения является его децентрализованность. В теории это лучше для приватности, но, согласно исследованиям, этот вариант может быть хуже.
  4. Каждый пользователь обучает собственную модель. В этом варианте лично я заинтересован больше всего. Модель может учиться с нуля (как в примере с рисунками и эмодзи) или это может быть обученная модель, которая настраивается под ваши данные. В любом случае модель можно совершенствовать со временем. Например, клавиатура начинает с уже обученной на определенном языке модели, но со временем учится предсказывать, какое предложение вы хотите написать. Минусом этого подхода является то, что другие пользователи не могут получить от этого пользу. Так что этот вариант работает только для приложений, которые используют уникальные данные.

Как осуществлять обучение на устройстве?

Стоит помнить, что обучение на данных пользователя отличается от обучения на большом объеме данных. Начальную модель клавиатуры можно обучить на стандартном корпусе текстов (например, на всех текстах Википедии), но текстовое сообщение или письмо будет написано языком, отличающимся от типичной статьи в Википедии. И этот стиль будет отличаться от пользователя к пользователю. Модель должна предусматривать эти виды вариаций.

Проблема также заключается в том, что наши лучшие методы глубокого обучения довольно неэффективны и грубы. Как я уже говорил, обучение классификатора изображений может занять дни или недели. Обучающий процесс, стохастический градиентный спуск, проходит по небольшим этапам. В наборе данных может быть миллион изображений, каждое из которых нейронная сеть просмотрит около ста раз.

Очевидно, этот метод не подходит для мобильных устройств. Но зачастую вам не нужно обучать модель с нуля. Многие люди берут уже обученную модель и затем используют transfer learning на основе своих данных. Но эти небольшие наборы данных все равно состоят из тысяч изображений, и даже так обучение происходит слишком медленно.

С нашими текущими методами обучения настройка моделей на устройстве все ещё далека. Но не все потеряно. Простые модели уже можно обучить на устройстве. Такие классические модели машинного обучения, как логистическая регрессия, дерево принятия решений или наивный байесовский классификатор, можно быстро обучить, особенно при использовании методов оптимизации второго порядка, таких как L-BFGS или сопряженный градиент. Даже базовая рекуррентная нейронная сеть должна быть доступна для реализации.

Для клавиатуры может сработать метод онлайн-обучения. Вы можете проводить сеанс обучения после определенного количества слов, набранных пользователем. То же самое относится к моделям, использующим акселерометр и информацию о движении, где данные поступают в виде постоянного потока цифр. Так как эти модели обучаются на небольшой части данных, каждое обновление должно происходить быстро. Поэтому, если ваша модель небольшая и у вас не так много данных, то обучение будет занимать секунды. Но если ваша модель имеет больший размер или у вас много данных, тогда вам нужно проявить творческий подход. Если модель изучает лица людей в вашей галерее фото, у нее слишком много данных для обработки, и вам нужно найти баланс между скоростью и точностью алгоритма.

Вот ещё несколько проблем, с которыми предстоит столкнуться при обучении на устройстве:

  • Большие модели. Для сетей глубокого обучения текущие методы обучения проходят слишком медленно и требуют слишком много данных. Многие исследования сейчас посвящены обучению моделей на небольшом количестве данных (например, на одном фото) и за небольшое число шагов. Я уверен, что любой прогресс приведет к распространению обучения на устройстве.
  • Несколько устройств. Вероятно, вы пользуетесь не одним устройством. Ещё предстоит решить вопрос передачи данных и моделей между устройствами пользователя. Например, приложение «Фото» в iOS 10 не передает информацию о лицах людей между устройствами, поэтому обучается на всех устройствах отдельно.
  • Обновления приложения. Если ваше приложение включает обученную модель, которая подстраивается под поведение и данные пользователя, то что происходит, когда вы обновляете модель вместе с приложением?

Обучение на устройстве пока находится в начале своего развития, но мне кажется, что эта технология неизбежно станет важной в создании приложений.

 

Комментарии
Продолжить чтение

Промо-материалы

Подходы к созданию мобильной видеорекламы

Руководитель отдела медиабаинга Go Mobile Игорь Слинкин продолжает рассказывать о креативной коммуникации.

AppTractor

Опубликовано

/

Автор:

Для продвижения сервисов и продуктов разных тематик требуются разные креативные концепции видеорекламы. Среди факторов, которые влияют на выбор подхода:

  • KPI. Что вы хотите от пользователя: познакомить с новым брендом, напомнить о давно известном, удивить или заставить немедленно что-нибудь купить;
  • Сегмент. Реклама мобильной игры, очевидно, будет отличаться от ролика про сервис перевозок;
  • Функционал приложения. Если есть чем похвастаться, обязательно покажите это на видео. Если главная особенность сервиса не заключается в функционале, покажите, какую проблему пользователя вы решаете.
  • Бюджет. Отталкиваемся от возможностей.

Брендинг

Рекламные кампании на охват и брендинг все больше уступают продвижению с KPI на целевые действия. И тем не менее они продолжают работать для крупных брендов. Такая digital видеореклама часто дублирует ролики созданные для телевидения или является их сокращенной версией. Параллельная “бомбардировка” по всем каналам обычно хорошо сказывается и на узнаваемости бренда и на продажах конкретного продукта.

Более перспективная стратегия для видеорекламы требует большего внимания к деталям:

  • Видеоролики в интернете не полностью дублируют ТВ-рекламу, а являются ее продолжением или альтернативой. Например, в расширенной версии ролика покупатель сталкивается с проблемой, покупает товар и решает ее. А для интернет-продвижения создаются ролики по 10 секунд, где показаны другие ситуации, когда продукт помогает пользователю.
  • Видео на интернет-площадках создается с учетом их функционала. Например, в Instagram Stories можно использовать маски, в Facebook учитывать квадратный формат и возможность показать 360°.
  • HTML5-баннеры как альтернатива видео. Такие баннеры и позволяют показать анимацию, и вовлекают пользователя во взаимодействие. Учитывая, что в среднем видеоролики смотрят всего 2-3 секунды. Такие баннеры могут оказаться более эффективным инструментом. Главная проблема – существуют далеко не на всех площадках.

CPAx

Совсем другая история – это KPI на получение целевых действий. Когда вам нужно не просто рассказать о своем существовании, а довести пользователя до кликов, заказов, звонков или покупок, фокус стоит сместить на другие детали:

  • Мобильные видео в большинстве случаев проигрываются без звука. Поэтому субтитры – musthave.
  • Классический прием для повышения CTR: взаимодействия пользователя с интерфейсом приложения. Покажите процесс взаимодействия с приложением, пусть в кадре будет рука пользователя.
  • Call-to-action. Важно использовать в ролике призывы к действию: “установить приложение”, “заказать сейчас”, “играть в игру”. Не делайте их очень навязчивыми, но и не упускайте совсем.
  • Учитывайте возможности площадки.  Этот пункт по смыслу дублирует аналогичный в разделе Branding. В Instagram Stories можно добавить кнопку “еще”, в Facebook учитывать квадратный формат, добавить к объявлению кнопку и обыграть взаимодействие героев ролика с ней.

Тайминг

Отдельно скажу про время. Самые важные в ролике — первые 5 секунд. В них нужно обязательно вставить название продукта и вложить что-то, что может заинтересовать потребителя. Идеальная длина ролика — 15 секунд. Глобальная тенденция – не более 45 секунд, еще лучше – не более 30 секунд.

Если видео заинтересовало, то человек досмотрит его до конца. Первые 3-5 секунд должны “зацепить”.

Даже если пользователь решил посмотреть видео полностью, не стоит его перегружать большим количеством информации, затягивая ролик. Велик риск получить большой процент недосмотров.

Производство

  • Используйте трендовые инструменты. Для рекламы, нацеленной на неконсеватиную аудиторию, отлично работает следование последним трендам. Помните Prisma и Meitu? В следующий раз обязательно попробуйте новый модный сервис. Сейчас явно на пике анимоджи. Торопитесь, пока это не стало зашкваром.
  • Не забывайте о классических инструментах, которые у вас есть. Камеры iPhone достаточно, чтобы снять 10-секундный ролик для Facebook или Instagram. Добавьте классические элементы оформления, предоставленные на площадках. Такой подход к продакшну помогает убить сразу двух зайцев. Вы тратите на ролик 0 рублей и 10 минут своего времени. Пользователь видит узнаваемые элементы, дистанция между брендом и потребителем сокращается.

Сервисы для тех, у кого нет под рукой дизайнера, программиста, монтажера, оператора и прочих видеомейкеров: Supa, WeVideo, Animoto, Video Star.

Резюмирую:

  • Длина ролика не больше 20 секунд;
  • Самое важное в первых 3-5 секундах;
  • Акцент на интерфейсе приложения;
  • Учитывайте функционал площадки размещения;
  • Экспериментируйте с инструментами;
  • Помните, что можно сделать быстро и дешево без потери эффективности.
Комментарии
Продолжить чтение

Аналитика магазинов

10 главных прогнозов для индустрии приложений на 2018 год

Компания App Annie представляет прогнозы для индустрии приложений на 2018 год.

AppTractor

Опубликовано

/

Автор:

В 2018 году Apple App Store и Android Market отметят свой 10-летний юбилей. С самого момента запуска этих магазинов мобильные приложения оказывали влияние на общество в невиданных темпах и масштабах. За это десятилетие индустрия приложений развивалась в нескольких направлениях:

  • На конец октября 2017 года в iOS App Store и Google Play предлагалось более 2 млн приложений и более 3,5 млн приложений соответственно. Кроме того, число новых приложений продолжает расти в геометрической прогрессии. За месяц, закончившийся 31 октября 2017 года, в iOS App Store вышло около 50 000 новых приложений, а в Google Play добавилось свыше 150 000.
  • На зрелых рынках пользователи в среднем проводят по два часа в день— то есть месяц в году — в приложениях.
  • В 2017 году совокупный показатель потребительских расходов в iOS App Store и Google Play превысит $100 млн долларов в каждой из более чем 40 стран.
  • На сегодняшний день мобильные приложения играют ключевую роль практически во всех сферах, включая розничную торговлю, банковскую сферу, путешествия, рестораны быстрого обслуживания, товары широкого потребления, а также медиаиндустрию и индустрию развлечений.

На более глубинном уровне этот процесс наиболее очевидно проявляется в том, как мобильные приложения постепенно трансформировали повседневную жизнь людей. По этой причине ожидания пользователей в отношении приложений постоянно растут. Удобство является лишь одним — хотя и самым главным — аспектом, в котором их ожидания особенно высоки, и именно удобство является основополагающей темой, на которой строятся многие из наших прогнозов на предстоящий год.

Мировой совокупный показатель затрат пользователей в магазинах приложений превысит отметку $100 млрд

Непрерывное развитие рынков по всему миру, как объясняется нашей моделью зрелости рынка приложений, привело к стабильному росту монетизации приложений. Эта тенденция сохранится и в следующем году, и, по нашим прогнозам, мировой показатель затрат пользователей во всех магазинах мобильных приложений вырастет примерно на 30% по сравнению с предыдущим годом и к 2018 году перевалит за отметку $110 млрд. Самая большая доля затрат по-прежнему придется на игры. Однако доля затрат на приложения в других категориях, помимо игр, в следующем году увеличится, поскольку темпы их роста опережают темпы роста игр. Этот сдвиг, который был во многом обусловлен распространением модели подписки, является еще одним подтверждением перехода индустрии приложений в более зрелую стадию по мере роста ценности, которые приложения несут для пользователей.

Все внимание на Китай, Индию и Бразилию

Как в прошлые годы, в 2018 году Китай сохранит ведущую позицию по показателю затрат пользователей в магазинах приложений. На самом деле, по нашим ожиданиям, темпы роста этого рынка значительно опережают темпы роста остальных стран мира. Это особенно впечатляет, учитывая, что на Китай приходится наибольшая доля затрат пользователей в iOS App Store.

В следующем году по показателю затрат времени на телефоны Android будут лидировать формирующиеся рынки во главе с Индией и Бразилией. С начала года и до 31 октября 2017 года показатели затрат времени для Индии и Бразилии значительно возросли по сравнению с аналогичным периодом 2016 года. Прирост составил почти 50% и почти 30% соответственно.

Курирование App Store стимулирует рост совокупных доходов от встроенных покупок и расширяет возможности для независимых издателей

Как мы уже упоминали во вступлении, на рынке существует огромное множество приложений, и их число продолжает расти быстрыми темпами. И хотя это подразумевает, что появляется все больше приложений, которые могут сделать жизнь людей удобнее, одновременно затрудняется процесс обнаружения таких приложений в магазине. В июне 2017 года как Apple, так и Google объявили об обновлении своих магазинов приложений iOS App Store и Google Play с целью упростить обнаружение приложений путем курирования и введения редакционного контента. Эти усовершенствования продолжат набирать обороты в 2018 году и, по нашим прогнозам, будут иметь наиболее благоприятные последствия для приложений, которые помогают людям проводить свое свободное время. Такие приложения, в основном предлагающие возможности для развлечений, по всей видимости, и будут выбирать пользователи, мимоходом просматривающие магазины приложений. И наоборот, приложения, предназначенные для удовлетворения неких «потребностей» (например, доставка еды, платежи и т. д.) имеют гораздо больше шансов на загрузку после получения устных рекомендаций от других пользователей или в результате целенаправленного поиска, когда у пользователя возникает определенная необходимость.

«Визуальные» сценарии использования усилят распространение дополненной реальности

Pokémon GO и Snapchat вызвали огромный интерес к дополненной реальности среди широкой аудитории. Тем не менее, интеграция дополненной реальности в этих приложениях — всего лишь один из многочисленных вариантов применения этой технологии. По нашим прогнозам, в 2018 году будет сделан еще один значительный прорыв в реализации безграничного потенциала дополненной реальности. Этот прорыв будет возможен благодаря основам, заложенным крупнейшими инициативами в сфере дополненной реальности, которые представили Facebook, Google и Apple на своих конференциях для разработчиков в 2017 году, а также гиганты из Китая — Alibaba, Baidu и Tencent, не говоря о других. Эти инициативы станут движущим фактором за счет упрощения и ускорения для издателей процесса разработки приложений с дополненной реальностью, а также стимулирования интереса со стороны пользователей. На самом деле, начиная с сентября 2017 года наблюдается стремительный рост числа загрузок приложений для iPhone, отображающихся в первых результатах поиска по ключевым словам «Дополненная реальность» в магазинах приложений.

Усиление фрагментации в нише потокового видео

Приложения существенно изменили характер просмотра людьми видеоконтента по целому ряду аспектов. 2017 год стал очередным успешным годом для потоковых видеосервисов, которые продолжили расширять свою аудиторию и получать признание критиков за свой оригинальный студийный контент. С начала года и по 31 октября 2017 года на эти приложения пришелся самый значительный прирост глобального показателя затрат пользователей в категории «Развлечения» как на iOS, так и в Google Play. Этот прирост составил свыше 85% и свыше 70% соответственно по сравнению с аналогичным периодом 2016 года — практически рекордные цифры для обоих магазинов. По нашим прогнозам, 2018 год ознаменует собой начало перелома в этой нише с точки зрения фрагментации, поскольку успех привлекает новых действующих лиц, в том числе владельцев и дистрибьюторов контента, которые усложняют и без того непростую картину. В действительности, среди пользователей потоковых видеосервисов на iPhone в США (то есть тех, у кого установлено по крайней мере одно из ведущих приложений для потокового просмотра видео) доля тех, у кого есть четыре и более ведущих приложений этой категории, возросла по сравнению с предыдущим годом и в октябре 2017 года превысила 30%. Другими словами, по всей видимости, рост популярности потокового видео наряду с расширением выбора стал фактором, стимулирующим установку нескольких приложений.

Мобильная платформа как основной инструмент розничного покупателя

На сегодняшний день покупатели характеризуются чрезвычайно высоким уровнем вовлеченности в мобильные приложения. С начала года и до 31 октября 2017 года пользователи телефонов Android в США и Великобритании в среднем проводили почти час в приложениях для покупок ежемесячно, тогда как в Южной Корее этот показатель достигал полутора часов. Кроме того, в Черную пятницу в 2016 году в США впервые был пройден рубеж $1 млрд в мобильном шоппинге, а в рекордный для Alibaba День холостяков в 2017 году на пользователей мобильных устройств пришлось 90% продаж.

В прошлом было просто отличать интернет-ритейлеров от традиционных. Однако граница между ними становится все более размытой в результате поглощений, образования партнерств и инноваций. Эти события отражаются на всех аспектах взаимодействия покупателя с брендом, включая покупки в магазине, покупки на диване и доставку. По нашим прогнозам, в 2018 году эти перемены приведут к изменению покупательских привычек, что, в свою очередь, начнет переопределять отношения между ритейлерами и покупателями и даже сам характер существующих каналов розничных продаж (мобильных приложений, интернет-магазинов, традиционных магазинов). В ближайшие годы ожидания людей в отношении базовых принципов, таких как уверенность, польза и комфорт, будут расти в геометрической прогрессии и развиваться вплоть до появления новой парадигмы розничной торговли. Для многих потребителей мобильная платформа станет основным способом совершения покупок, независимо от канала продаж.

Рост популярности категории домашних голосовых помощников

Компания Amazon открыла рынок домашних голосовых помощников, представив первое поколение Echo в 2014 году. Однако эта ниша стала серьезно развиваться только после запуска второго поколения Echo Dot. Вывод нового продукта на рынок незадолго до новогодних праздников 2016 года в совокупности с начальной ценой всего $49,99 спровоцировали гораздо более высокие объемы продаж. Затем последовал еще один всплеск в день распродаж Prime Day 12 июля 2017 года, когда устройства Echo предлагались со значительными скидками.

Кривая загрузок сопутствующего приложения Amazon Alexa резко пошла вверх в октябре 2016 года после выхода второго поколения Echo Dot стоимостью менее $50, с последующими крупными всплесками в новогодние праздники и день распродаж Amazon Prime Day.

Заглядывая вперед, мы предвидим, что в 2018 году эти доминирующие тенденции усилятся, и пики объемов продаж устройства будут приходиться на праздники (например, новогодние праздники и Prime Day) и акции со скидками. Популярность и объемы продаж домашних голосовых помощников растут в том числе в связи с недавним выпуском Google Home Mini стоимостью $49, а также появлением на рынке новых участников, таких как Apple, Samsung и китайские тяжеловесы Alibaba и Baidu. Рост продаж стимулировал интерес и эксперименты разработчиков с этими платформами, однако в 2018 году сценарии использования останутся в значительной степени похожими (например, прослушивание музыки, простой поиск в интернете и утилитарные задачи). И тем не менее мы предвидим более широкое распространение других домашних подключаемых к сети устройств среди наиболее подкованных в технологиях пользователей, обусловленное попытками найти новое применение для домашних голосовых помощников (например, контроль освещения, термостатов, аудио- и видеотехники и т. д.).

Финансовые приложения в 2018 году ждет значительная трансформация

Несмотря на то, что удобство всегда было основополагающим фактором успеха в индустрии приложений, порой в противовес ему встают вопросы безопасности. Неудивительно, что разработчикам финансовых приложений приходится немало потрудиться, чтобы преодолеть этот барьер (хотя и меньше, чем с чистыми интернет-сервисами). Ничего нового в этом нет: похожие трудности необходимо было преодолевать и ранее при появлении инноваций, включая кредитные карты и банкоматы, на протяжении всей истории технологий в финансовой сфере.

В следующем году эта модель продолжит развиваться — начиная с Европы, где вводится законодательство PSD2. Эти правила откроют двери для многих игроков, которые стремятся к предоставлению комплексных финансовых сервисов в формате мобильных приложений, при этом обеспечивая для пользователей уровень безопасности в соответствии с требованиями надзорных государственных органов и законодательства. Это приведет к взрыву банковских сервисов в Европе, причем приложения-агрегаторы будут постепенно завоевывать рынок потребительского кредитования.

У приложений для денежных переводов между физическими лицами возрастут объемы операций

Приложения для осуществления денежных переводов между физическими лицами, такие как Venmo, стали путеводной звездой на горизонте революции финансовых стартапов. Они полностью трансформировали концепцию денежного обращения среди потребителей — в особенности представителей поколения двухтысячных, — вытеснив наличные средства и банковские чеки. По нашим прогнозам, в следующем году эти сервисы наберут достаточно популярности для расширения спектра предлагаемых услуг, чтобы раскрыть потенциал своей доходности, превзойти возросшую конкуренцию со стороны традиционных банков и повысить уровень вовлеченности пользователей. В частности, мы ожидаем увеличение объемов операций в приложениях для денежных переводов за счет мгновенных банковских переводов и платежей третьим лицам, причем популярность последних еще больше укрепится за счет широкого распространения этих услуг как способа оплаты среди ритейлеров и продавцов.

Это лишь несколько направлений, в которых, по нашим прогнозам, рынок приложений будет развиваться в ближайшем будущем. Не важно, какой путь эта индустрия прошла за первое десятилетие, — это лишь вершина айсберга ее полного потенциала. Растущие ожидания в отношении мобильных приложений будут стимулировать разработчиков на создание инноваций, и технологический прогресс будет идти еще более быстрыми темпами. Пользователей больше не устраивает, когда мобильное приложение просто позволяет воспроизвести действия, которые они могут выполнить на других устройствах. Напротив, они все больше рассчитывают, что приложения полностью трансформируют сам характер достижения целей и выполнения задач, а также предложат совершенно новые формы взаимодействия, невозможные на других платформах. Нам не терпится увидеть, как разработчики приложений превзойдут границы возможного в стремлении удовлетворить эти потребности на протяжении второго десятилетия в истории мобильных приложений.

Комментарии
Продолжить чтение

Наша рассылка

Каждому подписавшемуся - "1 час на UI аудит": бесплатный ускоренный курс для разработчиков веб и мобильных приложений!

Нажимая на кнопку "Подписаться" вы даете согласие на обработку персональных данных.

Популярное

X

Спасибо!

Теперь редакторы в курсе.