Naar het overzicht
Het is je vast niet ontgaan. De laatste 12 maanden zijn de ontwikkelingen van generative AI, kunstmatige intelligentie waarmee op basis van tekst content kan worden gegenereerd, als een raket gegaan. Een belangrijk onderdeel van generative AI is het trainen van taalmodellen. Dit proces wordt ook wel machine learning genoemd. Er zijn veel vormen van machine learning mogelijk, die zelf te trainen zijn. Hoe we dit inzetten in onze klantcases zoals voor NOC*NSF lees je in dit blog.
In een digitale wereld die constant om je aandacht vraagt is het een flinke uitdaging om er tussenuit te springen. Een belangrijke factor om dit te realiseren is het creëren van beleving en interactie. Als je als organisatie wil opvallen, moet je niet enkel informeren, maar ook entertainen. Toen het NOC*NSF met een uitdaging naar ons toe kwam, zagen we een kans om beide te combineren en door middel van machine learning een unieke ervaring voor hun publiek te creëren
De diversiteit van TeamNL
TeamNL, niet zomaar een verzameling van sportbonden, maar één verenigd team met een grote selectie aan verschillende sporten. Dat is de boodschap die NOC*NSF wil overbrengen. Het idee: een interactieve quiz vol gamified elementen met een innovatief karakter. Het einddoel? Deze tool prominent laten schitteren op een fysieke stand tijdens evenementen van NOC*NSF zoals het EK Wielrennen of tijdens de Olympische Spelen in Parijs.
Het Spelconcept
Stel je voor: je bezoekt een NOC*NSF evenement en ziet een scherm met daarop de uitnodigende tekst "Start de TeamNL Game". Je drukt op start en ziet een figuur die een pose aanneemt, typisch voor een sport zoals honkbal of volleybal. Jouw taak? Imiteren en dezelfde pose aannemen. Als je slaagt, ga je door naar de volgende uitdaging, en zo verder tot de tijd op is. Klinkt eenvoudig, toch? Maar achter de schermen speelt een technologisch hoogstandje.
De technische uitdaging
Om de game succesvol te laten functioneren, is het herkennen van de houding van de gebruiker erg belangrijk om accuraat te hebben. De activatie maakt gebruik van een camera die de gebruiker filmt om de houding te herkennen. Het herkennen van een houding op basis van een camerabeeld bevat twee belangrijke uitdagingen:
- Herkenning in realtime: Het eerste obstakel is het realtime volgen van de houding van de gebruiker voor de camera. Dankzij een techniek genaamd Pose Estimation, kunnen camerabeelden worden omgezet naar key points van het lichaam. Uit diverse opties kwam het MoveNet model van Google Research naar voren als de beste keuze vanwege zijn snelheid en nauwkeurigheid.
- Juiste pose vaststellen: Het simpelweg vaststellen van vaste coördinaten voor een pose zou leiden tot onnauwkeurigheden, gezien iedereen uniek is qua lichaamsbouw. Daarom kozen we voor machine learning. Met behulp van de Keras API van Google werd een model getraind. Na het vastleggen en analyseren van 17.000 afbeeldingen in diverse sport poses, creëerden we een uniek model dat met grote precisie kan bepalen of de deelnemer de juiste pose heeft aangenomen.
Machine Learning: De motor achter houding herkenning. Wat is Machine Learning?
Machine learning, een tak van kunstmatige intelligentie, stelt computers in staat om te leren van en beslissingen te nemen op basis van gegevens, zonder expliciet te zijn geprogrammeerd. In essentie is het een proces waarbij algoritmes worden getraind om patronen en relaties te herkennen in een grote hoeveelheid data. Naarmate het algoritme meer data "ziet", wordt het beter in het voorspellen en categoriseren van informatie.
Hoe hebben we Machine Learning toegepast?
Bij de ontwikkeling van de TeamNL Game hebben we machine learning ingezet om het herkennen van sport poses uit te kunnen voeren. In een speciaal ingerichte studio hebben we alle gewenste houdingen gefotografeerd. Om een volledig en accuraat beeld te krijgen van elke pose, zijn foto's genomen vanuit verschillende vaste standpunten. Zo verzekeren we dat elke hoek van de pose is vastgelegd, wat essentieel is voor een nauwkeurige houding herkenning.
Met een indrukwekkende dataset van 17.000 beelden zijn we begonnen met het trainen van ons machine learning model. Deze beelden dienden als input voor het model, waardoor het de subtiele nuances en variaties van elke pose kan leren. Hoe meer beelden het model analyseert, hoe beter het wordt in het nauwkeurig identificeren van de houding van een gebruiker tijdens de game.
De impact van Machine Learning op de game
Dankzij machine learning kan de TeamNL Game snel en accuraat beoordelen of een deelnemer een pose correct heeft nagebootst. Het gebruik van een dergelijk geavanceerd systeem garandeert dat de game niet alleen leuk is, maar ook eerlijk en uitdagend. Het biedt een naadloze ervaring voor deelnemers, waarbij technologie en menselijke beweging samenkomen.
In conclusie, door machine learning te combineren met een uitgebreide dataset van sport poses, hebben we een spel gecreëerd dat de nuances van menselijke beweging begrijpt en waardeert. Het is een mooi voorbeeld van hoe geavanceerde technologie kan worden gebruikt om de sportervaring te verrijken en fans op een innovatieve manier te betrekken.
Er tussenuit springen in experiential marketing
In een verzadigd experiential marketing landschap is het belangrijk om innovatief en creatief te blijven om relevant te zijn voor de eindgebruiker. De TeamNL Game toont aan dat dit mogelijk is wanneer technologie en creativiteit samenkomen. Het is een showcase van hoe een merkervaring verder kan gaan dan traditionele methoden en echt een impact kan hebben.
Conclusie
Bij het creëren van de TeamNL Game hebben we grenzen verlegd en een brug geslagen tussen technologie en menselijke interactie. Voor merken die hun publiek op een diepgaande en betekenisvolle manier willen bereiken, biedt dit project een glimp van wat mogelijk is wanneer creativiteit en innovatie hand in hand gaan. In een wereld vol met informatie en afleiding, kan een goed ontworpen ervaring echt het verschil maken.
