สูตร หลักฐาน และข้อจำกัดรายงาน
1 / Harrison & Andrusiewicz (2004)
A virtual marketplace for advertising narrowcast over digital signage networks
เน้นซื้อขายเวลาแสดง ตรวจคำสั่งซื้อ จัดสรรพื้นที่ และหลีกเลี่ยงการจองซ้ำ การส่งมอบบางส่วน (partial fulfillment) คือได้พื้นที่/เวลาบางส่วน ไม่ใช่ partial match ของคุณลักษณะคน
ขอบเขตหลักฐาน: เข้าถึงฉบับเต็มไม่ครบ จึงยังไม่ยืนยันสูตรคะแนนหรือราคา และไม่สรุปว่าผู้เขียนไม่ได้เสนอสูตรเลย
ช่องว่างสำหรับต่อยอด: เชื่อมการจัดสรรกับผู้ชมที่ตรวจพบจริงและ campaign ที่ target ทับซ้อนกัน
ต้นฉบับ / DOI
2 / Ravnik & Solina (2013)
Interactive and Audience Adaptive Digital Signage Using Real-Time Computer Vision
รวม audience features (อายุ เพศ ระยะห่าง เวลาที่อยู่หน้าจอ) กับ broadcasting features (เวลา สถานที่ ความถี่/ประวัติ) เป็น descriptor ใช้ nearest-neighbor โดยกล่าวถึง k = 3
j* = arg minⱼ distance(SD, CDⱼ)
สรุปแนวคิด: เลือก content ที่ใกล้สถานะผู้ชม ไม่ใช่ราคาเสนอสูงสุด
ช่องว่าง: ต้องต่อยอดการแปลงความตรงเป็นการแข่งขันราคาและการชำระจริง การทดสอบเลือก content ยังจำกัดในกลุ่มควบคุม หลายคุณลักษณะมีอยู่แล้ว จึงไม่ใช่ความใหม่ด้วยตัวมันเอง
บทความฉบับเต็ม
3 / Bauer, Kryvinska & Strauss (2016)
The Business with Digital Signage for Advertising
บททบทวนอภิปรายราคา บริบท และประวัติผลลัพธ์ ราคาสูงสุดอาจไม่ใช่โฆษณาที่เกี่ยวข้องที่สุด กล่าวถึงแนวคิดจ่ายราคาอันดับถัดไปบวกส่วนเพิ่ม
Payment ≈ NextBid + Δ
เขียนสรุปคำอธิบาย ไม่ใช่สูตร quality-adjusted auction ที่นำมาใช้กับ Bid × Match ได้ทันที
ช่องว่าง: ยังต้องระบุสูตรแปลง context เป็นคะแนน และทำให้ ranking กับ payment สอดคล้องกัน ไม่ใช่งานทดลองพิสูจน์ scoring model เดียว
ฉบับผู้เขียน
4 / Clinch et al. (2019)
Scheduling Content in Pervasive Display Systems
กรองด้วย cache เวลา priority และคำขอ แล้วแจกตั๋วตามนโยบาย เช่น สัดส่วนการเล่นและความล่าสุดที่แสดง ก่อนสุ่มผู้ชนะ ตัวแจกตั๋วทำงานขนานได้
Tⱼ = Σₐ Tₐⱼ; P(j) = Tⱼ / Σₖ Tₖ
สมการสรุปกลไกตั๋ว ไม่ใช่สมการคัดตรงจากบทความ ตั๋วมากเพิ่มโอกาส ไม่ได้รับประกันชนะ
ช่องว่าง: เพิ่ม partial-match auction และ settlement; cache และ parallel scheduling มีอยู่แล้ว Benchmark เตรียมไฟล์ไว้ใน cache ก่อน จึงควรทดสอบ cache miss/การกู้คืนเพิ่ม
ต้นฉบับจาก Lancaster University
5 / โครงงาน พ.ศ. 2564
การกำหนดกลุ่มเป้าหมายระยะใกล้ด้วยระบบการรับรู้ประชากรศาสตร์เชิงลึก
ประเมินอายุ เพศ ความสัมพันธ์กลุ่ม → เลือกโฆษณา → เก็บคนผ่าน คนมองจอ และข้อมูลโฆษณาเพื่อวัดผล/คิดค่าใช้จ่าย ยังไม่พบสูตรน้ำหนัก match และ tariff ที่ทำซ้ำได้จากข้อความและแผนภาพที่ตรวจ
ข้อจำกัดที่รายงานระบุ: ประมาณ 2 วินาทีต่อเฟรมในเงื่อนไขกล้องสดที่มี 3 คน รวมถึงปัญหาแสงและภาพเบลอ ไม่ควรถือว่าความเร็วนี้ใช้แทนทุกเครื่องหรือทุกสถานการณ์
ช่องว่าง: นิยาม decision layer ชัดเจน วัด end-to-end latency และแยกเลือกโฆษณาออกจากหลักฐานเล่นจริง
เอกสารที่ผู้ใช้ให้: CSS492-การกำหนดกลุ่มเป้าหมายระยะใกล้ด้วยระบบการรับรู้ประชากรศาสตร์เชิงลึก.pdf · หน้าเนื้อหา 15–18, 27–28 · ไม่มีสำเนา PDF เผยแพร่ใน Lab นี้
6 / Analysis of Deep Demographics for Advertisement Recommendation (2025)
ใช้คุณลักษณะอายุ เพศ เสื้อผ้า และข้อมูลผู้ชมย้อนหลัง 30 วินาที จัดกลุ่มแบบ hierarchical clustering แล้วเลือกโฆษณาที่เหมาะและสุ่มตามสัดส่วน
B = Σᵢ Cᵢ; Sᵢ = Cᵢ / B
สมการ 2.1: Cᵢ ระบุว่า cost; Sᵢ คือสัดส่วนการแสดง เช่น 60 และ 40 ให้สัดส่วน 60% และ 40% ไม่ใช่คะแนน match
นิยาม cost กับคำอธิบาย budget ต้องตีความให้ชัดก่อน implementation ระบุว่าผู้ชมนอกกลุ่มใช้อัตราหักเงินต่ำลง แต่ไม่ให้ฟังก์ชันส่วนลดชัดเจน
ข้อจำกัดที่ผู้เขียนระบุ: บันทึกข้อมูลล่าช้าจนกระทบคำแนะนำ real-time
ช่องว่าง: ยังต้องนิยาม partial match ต่อ campaign และการแข่งขันเมื่อ target overlap การลดราคานอกกลุ่มไม่เท่ากับสูตร partial-match ranking
เอกสารที่ผู้ใช้ให้: 2025_20_Bangmod-J-MCS-2.pdf · สมการหน้า 454, clustering หน้า 458, ข้อจำกัดหน้า 460 · ไม่ได้อัปโหลดสำเนา PDF
บทความ / DOI
สูตรเสนอสำหรับการทดลองต่อไป
ข้อเสนอของเรา ไม่ใช่สูตรจากบทความ และยังไม่ใช่ implementation ปัจจุบันทั้งหมด
M(a,x) = Σₖ∈Rₐ [wₖ × mₖ(a,x)] / Σₖ∈Rₐ wₖ
Score(a) = Bid(a) × M(a,x)γ
Rₐ คือเงื่อนไขที่ campaign ขอ; wₖ คือน้ำหนัก; mₖ คือความตรง 0–1; γ = 1 เป็น baseline ถ้า hard constraint ไม่ผ่านให้ตัดออกก่อน ไม่ซื้อสิทธิ์ผ่านด้วยราคา กรณีไม่ระบุ soft target ให้กำหนดนโยบาย M = 1 แทนการหารด้วยศูนย์
ตัวอย่าง: อายุ น้ำหนัก 0.5 + เสื้อยืด 0.3 + กางเกงขายาว 0.2 ถ้าตรงสองข้อแรก M = 0.8 คำขอ “เสื้อยืด หรือ เสื้อแขนยาว” เป็นทางเลือกหนึ่งกลุ่ม ไม่ต้องใส่ทั้งสองอย่าง และ label ที่ไม่ได้ขอไม่ควรทำให้คะแนนลดลง
ต้องกำหนดเพิ่ม: วิธีคำนวณ mₖ เมื่อไม่แน่ใจ การปรับเทียบ confidence และ payment rule คะแนนจัดอันดับไม่ใช่จำนวนเงินเรียกเก็บ
Lab ปัจจุบัน: นับเงื่อนไขอายุ/เสื้อผ้าด้วยน้ำหนักเท่ากัน มี Full / Partial ≥ 50% เลือกอันดับด้วยราคา หรือ Bid × M และจ่าย first-price เมื่อจำลองเล่นจบ ยังไม่มี confidence-weighted matching
OpenPAR และโมเดลเสริม — Reference and Motivation
แยก คุณลักษณะที่สังเกตได้ (attributes) ออกจาก กลุ่มเป้าหมายของ campaign (segments) ก่อน โมเดลภาพไม่ใช่ระบบประมูล และไม่มีโมเดลเดียวในรายการนี้ที่ทำครบตั้งแต่ตรวจคนจนถึงคิดเงิน
สถานะ Lab: เชื่อม OpenPAR / PromptPAR PA100K กับหน้า OpenPAR / Webcam แล้ว ส่วนโมเดลอื่นด้านล่างเป็นตัวเลือกศึกษาต่อ ยังไม่ได้ติดตั้งหรือเชื่อมเข้าการตัดสิน campaign ผลจากกล้องยังแยกจากข้อมูลจำลองในการประมูลและ billing
จาก output ของโมเดลสู่คะแนน campaign
ตรวจคน / ติดตาม → crop รายคน → attribute scores → unknown / temporal aggregation → กฎ segment → eligibility → partial match → bid ranking → playback evidence → billing
ลำดับนี้เป็น แบบที่เสนอ ไม่ใช่สิ่งที่เชื่อมครบแล้วใน Lab ปัจจุบัน หน้า OpenPAR ใช้ crop กลางภาพ ไม่ใช่ multi-person tracker และไม่ได้ยืนยันว่าคนที่ผ่านกล้องต่างตัวเป็นคนเดียวกัน
แยกคะแนนสามชนิด: attribute score ของโมเดล, match score ตามเงื่อนไข campaign และ auction score ที่รวม bid ต้องไม่ใช้แทนกันโดยตรง ค่าที่ไม่แน่ใจควรเป็น unknown ไม่ใช่บังคับเป็น false หรืออนุมานเพศอีกฝั่งจากคะแนนต่ำ
Motivation / gap ที่จะทดสอบต่อ
- เปรียบเทียบ exact match, partial match และ confidence-aware match โดยใช้ campaign และภาพชุดเดียวกัน
- วัด attribute F1 ราย label, age error สำหรับโมเดลอายุ และ calibration แยกจากผลทางธุรกิจ
- วัด end-to-end latency p50/p95/p99 เมื่อจำนวนคนและกล้องเพิ่ม พร้อมเวลาเข้าคิวและจำนวนเฟรมที่ทิ้ง
- วัดความนิ่งของผลข้ามเฟรม ลดการสลับ content และแยก dwell time ออกจากหลักฐานการมองจริง: หยุดยืนไม่ได้แปลว่ามองจอ
- ทดสอบหลักฐานเล่นจริงและ attention เกินครึ่งคลิปก่อนใช้ราคาสองชั้น ไม่ใช้ confidence ของ attribute เป็นหลักฐานเรียกเก็บเงิน
นี่คือคำถามทดลองของโครงการ ไม่ใช่ข้อสรุปว่าทุกงานอ้างอิงยังไม่เคยทำ ต้องมีข้อมูลติดป้ายกำกับและ baseline ก่อนสรุปผลหรืออ้างความใหม่
ตรวจเอกสารทางการ 4 กันยายน 2026 · สิทธิ์ของ source code, pretrained weights และ dataset ต้องตรวจแยกกันก่อนใช้งานเชิงพาณิชย์ · การประมาณอายุ/เพศเป็นผลโมเดลที่อาจผิด ไม่ใช่การยืนยันตัวตนหรือความสัมพันธ์
GPU / Raspberry Pi — เป้าหมายการติดตั้ง
ปัจจุบัน: adapter ของ Lab ใช้ CPU การมี GPU ในเครื่องไม่ได้แปลว่า runtime ใช้งาน GPU แล้ว และยังไม่มี benchmark บน Raspberry Pi
แบบที่เสนอ: ให้ Raspberry Pi cache และเล่น content ในเครื่อง ส่ง playback log ไป backend กลาง ส่วน inference หนักประมวลผลบนเครื่องใน LAN ก่อน แล้วจึงทดลองย้ายโมเดลที่เหมาะสมลง edge
เอกสาร Raspberry Pi AI software เป็น reference สำหรับทางเลือก accelerator แต่ต้องตรวจการแปลงโมเดล operator ที่รองรับ หน่วยความจำ และ runtime ไม่ใช่นำ PyTorch checkpoint ไปใช้ได้ทันทีทุกตัว
เกณฑ์ตัดสิน: ความแม่นยำเทียบ CPU baseline, latency เมื่อหลายกล้องทำงาน, อุณหภูมิ, หน่วยความจำ และการเล่นคลิปต้องไม่สะดุด ยังไม่รับรองว่า PromptPAR หรือ MiVOLO ทำ realtime บน Pi ได้