本地数字显示组件和包括这种组件的数字内容广播网络的制作方法

本说明书涉及本地数字显示组件和包括这种组件的数字内容广播网络(本地或广域)。

更具体地，本说明书涉及一种本地数字显示组件，其包括多个彼此靠近的数字显示设备，旨在由公众成员看到，并且每个数字显示设备包括至少一个数字屏幕和一个中央单元，中央单元包括能够使数字屏幕显示数字内容的屏幕控制模块。

背景技术：

文献us2013/0151656描述了这种显示组件的示例。

技术实现要素：

这种类型的本地数字显示组件用于重复播放内容播放列表，并根据当地环境条件适当地修改内容播放列表。

本说明书的目的尤其是实时或接近实时地调整本地数字显示组件对检测到的观众的操作，以便最大化对观众的影响，并且这样做而不需要额外的用于与一个或多个远程服务器通信的带宽并使用通常数字显示设备的有限计算容量。

为了这个目的，提出了一种本地数字显示组件，其中所述本地数字显示组件(e)还包括用于观众检测的设备，其能够收集关于位于数字显示设备附近的人的信息，

其中，本地数字显示组件还包括本地监控系统(即边缘监控系统)，本地监控系统适于：

-基于所收集的信息，实时确定代表位于数字显示设备附近的人的集体行为的至少一个人群特征，其中所述至少一个人群特征从人群密度和人群移动速度中选择；以及

-根据所述至少一个人群特征控制数字显示设备的各个屏幕控制模块，其中所述本地监控系统能够实时确定数字内容以分别使数字显示设备根据所述至少一个测量的人群特征来显示；

其中，本地监控系统包括分别属于数字显示组件的若干显示设备的中央单元的监控模块，其中监控模块通过对等(peertopeer)通信协议相互通信；

且其中，所述本地监控系统包括分布于所述监控模块的人工智能，其能够通过由对等通信分配在所述监控模块之间的计算来确定所述至少一个人群特征。

以这种方式，可以在本地，非常响应地完成对观众的适应以及可能与检测到的人群交互，而不取决于与一个或多个远程服务器通信的带宽。

此外，利用这种配置，可以仅在本地处理可以来自观众检测设备的个人数据，同时以这种方式保留构成观众的个人的隐私。

在本地数字显示组件的各种实施例中，还可以使用以下配置中的一个和/或另一个：

-所述本地监控系统能够确定若干人群特征，包括人群密度、人群移动速度、人群移动方向以及人群与至少一个数字显示设备的接近度；

-所述本地监控系统能够从至少一个远程资源接收外部数据，并根据所述外部数据控制显示设备的各个屏幕控制模块；

-所述外部数据包括气象数据；

-所述外部数据包括定位处移动电话运营商提供的移动电话数据和移动终端的使用；

-所述外部数据包括来自社交网络的地理定位数据；

-所述观众检测设备包括从相机、wifi接口、nfc接口、蓝牙接口、雷达检测器和通道检测器中选择的至少一个检测器；

-所述相机选自运动检测相机、360°相机和3d相机；

-数字显示设备中的至少一个包括输入接口，公众成员能利用该输入接口控制所述数字显示设备；

-所述输入接口选自触摸界面和无线电通信接口，允许与所述公众成员使用的移动电话进行交互；

-每个数字显示设备能够操作：

o在正常模式下，其中，所述数字显示设备显示从第一组内容中选择的数字内容；

o或者在人群交互模式中，其中，所述数字显示设备显示从第二组抢先内容中选择的至少一个数字内容；

所述本地监控系统能够在识别出人群时使来自本地数字显示组件的至少一个数字显示设备(2)以人群交互模式操作；

-本地监控系统能够实时确定至少人群密度，并且当本地监控系统检测到人群密度在所述至少一个数字显示器(2)的区域的最小密度之上时，在正常模式下操作一段时间之后，本地监控系统能够使至少一个数字显示设备以人群交互模式运行；

-所述本地监控系统还能够实时确定至少人群速度，并且当本地监控系统检测到人群密度在最小密度之上且人群速度在所述至少一个数字显示器的区域的最小速度之下时，在正常模式下操作一段时间之后，本地监控系统能够使至少一个数字显示设备以人群交互模式运行；

-本地监控系统还适于实时确定人群相对于本地数字显示组件中的每个数字显示设备的接近度，并且本地监控系统能够在所述本地数字显示组件中确定最靠近人群的至少一个数字显示设备并且使最接近人群的所述至少一个数字显示设备以人群交互模式操作；

-所述本地监控系统能够根据所述人群移动方向以及所述人群与本地数字显示组件的每个数字显示设备的接近度而：

o在所述本地数字显示组件中，确定最能够在所需方向上吸引人群的至少一个数字显示设备；

o以及使所述数字显示设备以人群交互模式操作；

-当本地监控系统使至少一个数字显示设备以人群交互模式操作时，所述本地监控系统不断地分析观众的行为，并根据所述观众的行为经历若干连续的预定阶段，以逐渐增加对人群的影响；

-所述本地监控系统能够：当本地监控系统进入人群交互模式时，进入第一阶段，其中所述本地监控系统使来自与所述本地数字显示组件的位置相对应的社交网络的地理定位数据显示在所述至少一个数字显示设备上；

-所述本地监控系统能够：当本地监控系统处于人群交互模式的第一阶段时，为了确定观众是否满足至少一个观众目标标准，该观众目标标准指示观众是目标并且在肯定的情况下，而进入第二阶段，其中所述本地监控系统使与观众相对应的目标内容显示在所述至少一个数字显示设备上；

-所述本地监控系统能够：当本地监控系统处于人群交互模式的第二阶段时，为了确定观众是否满足至少一个交互标准，该交互标准指示观众准备好与至少一个数字显示设备交互并且在肯定的情况下，而进入第三阶段，其中所述本地监控系统使至少一个简单交互式内容显示在所述至少一个数字显示设备上；

-所述本地监控系统能够：当本地监控系统处于人群交互模式的第三阶段时，为了确定观众是否满足至少一个支配标准，该支配标准指示观众准备好让自己被至少一个数字显示设备引导并且在肯定的情况下，而进入第四阶段，其中所述本地监控系统使被至少一个观众成员选择的至少一个个性化交互内容显示在所述至少一个数字显示设备上；

-所述本地监控系统能够：当本地监控系统处于人群交互模式的第三阶段或第四阶段时，使至少一个其他数字显示设备显示如上所限定的所述目标内容；

-当人群移动远离所述本地数字显示组件的每个数字显示设备的最大距离时，经过人群互动模式一段时间后，本地监控系统能够将所述本地数字显示组件的所有数字显示设备返回到正常模式下的操作。

此外，本说明书的目标还有一种数字内容广播网络，其包括至少一个根据上文限定的第一本地数字显示组件和一个根据上文限定的第二本地数字显示组件，其中，第一和第二本地数字显示组件监控系统相互通信并且能够：

o当第一本地数字显示组件的本地监控系统将所述第一本地数字显示组件的所有数字显示设备返回到正常模式下的操作并检测到人群正朝着第二本地数字显示组件移动时，用于确定第二本地数字显示组件内最能够捕捉人群的注意力和/或吸引人群的数字显示设备；

o以及使第二本地数字显示组件的所述数字显示设备以人群交互模式操作。

本说明书的目标还有一种数字内容广播网络，其包括至少一个根据上文限定的本地数字显示组件和至少一个远程服务器(确认服务器或云)，其中，本地数字显示组件的本地监控系统包括人工智能，人工智能适于至少实时地确定数字内容，以根据所述至少一个测量的人群特征分别使数字显示设备显示，其中所述本地数字显示组件的本地监控系统能够向所述至少一个远程服务器传送关于所述本地数字显示组件的人群交互模式中的操作的信息，且其中所述至少一个远程服务器包括至少一个机器学习模块，机器学习模块能够根据关于来自所述本地数字显示组件的人群交互模式中的操作的所述信息来丰富本地监控系统的人工智能。本地监控系统的人工智能包括启发式规则集，并且所述至少一个远程服务器能够通过调整预先存在的启发式规则和/或通过创建添加至所述启发式规则集的新启发式规则来改进所述启发式规则集。

附图说明

在作为非限制性示例给出的一个实施例的以下描述中，参考附图，其他特征和优点将变得显而易见。

其中：

-图1是根据实施例的数字内容广播网络的局部示意图；

-图2是属于图1的网络的数字显示设备的方框图；

-图3是在与人群交互期间，如图1所示的本地数字显示组件示例的视图；

-图4示出了两个本地数字显示组件与人群的组合交互的示例；

-图5示出了图3和4的数字显示组件所使用的过程的一个例子；以及

-图6至8示出了在本说明书的数字内容广播网络中可用的神经网络的三级训练。

具体实施方式

在各种附图中，相同的附图标记是指相同或等效项目。

图1显示数字内容广播网络1，其包括多个数字显示设备2，每个数字显示设备2包括数字屏幕3。屏幕3可以有触觉感知，至少对于某些数字显示设备2来说。

所讨论的数字内容可以包括特定的视频和/或固定图像，也可以是交互式或其他游戏。

这些数字内容可以通过任何广域网(wan)，特别是internet5，从至少一个远程服务器4发送到数字显示设备2。广域网可以包括一个或多个无线链路6(例如lte或其它规格)，其连接到部分或全部数字显示设备2。

数字显示设备2可以特别地设置在公共空间中，这意味着例如公共街道、火车站、机场、商场等任何可供公众使用的区域。它们可以分布在广阔的区域，例如城市。

数字显示设备2可以被收集在本地数字显示组件e中，其包括一些数字显示设备2，例如2个到10个，该本地数字显示组件e分布在相对较小的地理范围内，特别是在几十到几百米的半径范围内，例如500米以下。

数字显示设备2第一个单个本地数字显示组件e可以通过本地网络(例如wi-fi或lora)相互通信。有利的是，单个本地数字显示组件e的数字显示设备2可以通过数字显示设备2之间的箭头，根据图1所示的对等(p2p)协议相互通信。所讨论的对等协议可以例如是“加密”协议或其他协议。

用于单个本地数字显示组件e的数字显示设备2一起形成一个分布式和分散的计算机体系结构，以“边缘计算”或网络边缘的数据处理的名称命名，这意味着靠近数据源。

如图2所示，每个数字显示设备2可以特别地包括至少一个中央单元7(cu)，例如数字屏幕控制处理器3、能够与广域网络5、6通信的通信接口9(lte或其他调制解调器)和用于存储数字内容的大容量存储器9(m)。

中央单元7能够与服务器4通信，以接收要显示的数字内容并将其存储在存储器9中。

特别地，存储器9包含至少一个数字内容播放列表，以使屏幕3显示，并且为中央单元7编程用来自动使数字屏幕3显示来自该播放列表的数字内容(数字内容播放列表可以特别地在数字屏幕3上循环播放)。数字内容播放列表可以从已经形成的服务器4接收，也可以由中央单元7确定，特别地取决于从服务器4接收的数字内容组的预定义标准。

更具体地，中央单元7执行能够与服务器4通信的屏幕控制软件模块7a(disp)，该模块可以确定数字内容播放列表以使数字屏幕3显示，并控制数字屏幕3。

上述数字内容播放列表构成第一组数字内容，用来在数字显示设备2的正常操作模式下显示(通常，该正常模式是播放列表中包含的预定义内容的顺序显示)。

此外，数字显示设备2包括至少一个通信接口10，例如无线电通信接口(特别是wi-fi或其他接口)，数字显示设备2可以如上文所述与之通信，和/或例如通过与至少一个拥有例如“智能手机”、“智能板”等移动终端的公众成员通信。该通信接口10可由上述中央单元7或与上述中央单元7相连的另一个电子中央单元控制。

数字显示装备2包括能够收集位于数字显示装备2附近的人(或运输这些人的车辆)的信息的观众检测设备。

观众检测设备可以例如包括至少一个检测器，特别地：

-至少一个探测器11通过与公众的移动终端交互操作，例如wifi接口、远程nfc接口和/或其他远程rfid接口和/或接口；

-和/或能够检测人的探测器12(sens)，例如运动检测摄像机(特别是红外线)和/或雷达探测器和/或通道探测器或其他。

这些探测器的例子优点是，可以在不用拍摄图像的情况下使用，以识别公众身份，这在国家立法实施这个规定时特别有用。

作为一种变型，当国家立法允许时(更可能是通过完全地本地处理来自探测器12的观众检测数据)，特别是对于内部应用，探测器12可以是在可见光谱中运行的摄像机，例如360°摄像机和/或3d摄像机。

上述一个或多个探测器11、12可以将其信息发送给数字显示设备2的观众检测软件模块7b(crddet)，可以例如在上述中央单元7或与所述中央单元通信的另一个电子中央单元上执行。

本地数字显示组件e还包括本地监控系统，其包括分别在各种数字显示设备的中央单元7上运行的监控软件模块7c(sup)。本地监控系统能够根据来自观众检测模块7b的观众数据控制数字显示设备2各自的屏幕控制模块7a。更具体地，该本地监控系统能够：

-根据收集到的观众信息实时确定至少一个代表数字显示设备2附近人群集体行为的人群特征；

-根据所述至少一个人群特征，实时确定数字内容，使数字显示装备2分别显示。

所述至少一个由本地监控系统确定的人群特征可以包括至少一个人群密度和至少一个人群移动速度，特别是人群重心的移动速度。

本地监控系统能够实时确定人群的几个特征，包括例如：

—人群密度；

—人群移动速度(移动速度矢量的大小)和人群移动方向(因此，可以将人群移动速度矢量结合在一起)；

以及人群与数字显示装备2的接近度(特别是人群“重心”与数字显示装备2的距离和方向)。

特别地，当本地监控系统识别出人群时，本地监控系统能够使本地数字显示组件e的至少一个数字显示装备2以人群交互模式运行，可能在本地监控系统可以接收到的特定条件下，例如从上述提到的远程服务器4接收到。在该人群交互模式中，所述数字显示设备2显示在第二组内容中选择的至少一个抢占性数字内容，其与上述第一组内容不同。第二组内容中的一个或多个内容可以包括，例如，互动游戏、来自社交网络(特别是twitter、instagram、facebook或其它)的内容，甚至特别地与广告内容相关的问卷游戏(测验)。

组件e的各种数字显示设备2的监控模块7c彼此通信，特别是通过上述对等通信协议。

一般来说，观众检测设备还可以区别于数字显示设备2，并通过局域网与通过点对点通信(p2p)的所述数字显示设备2进行通信。

除了本地确定的人群特征外，本地监控系统还可以从至少一个远程资源，特别是至少一个远程服务器4或另一个服务器(可能是云服务器)接收外部数据，特别地根据所述外部数据控制显示设备的各个屏幕控制模块7a和/或显示其中一些外部数据。

所讨论的外部数据可以包括，例如：

—气象资料；

-移动电话运营商提供的关于移动终端位置和使用的移动电话数据(特别是过去的统计数据)；以及

-来自社交网络的地理本地化数据。

本地监控系统包括分布在各种数字显示设备的各个监控模块7c上的人工智能。分布在监控模块7c(“群体智能”)上的人工智能可包括至少一个神经网络，该神经网络能够通过对等通信在所述监控模块之间分布的计算确定所述至少一个人群特征。所述至少一个神经网络可以具有多个层(例如5层)，并且可以是深度学习型。为了能够像上述中央单元7那样在一组容量很小的处理器上操作，神经网络可以是一个压缩的深度神经网络，其容量的60-80％将在一个精心设计的深度神经网络上可用，在一个配有一个或多个gpu的强大处理器上操作。这种分布式人工智能可以根据监控模块7c之间的共识协议(“基于共识的方法”)以分布式模式运行。

数字内容广播网络1还可以进一步包括至少一个机器学习软件模块4a(lm，参考图2)，例如在远程服务器4和/或在另一个服务器上，例如在云服务器中。在这种情况下，本地数字显示组件e的本地监控系统将所述本地数字显示组件的操作和人群交互模式的信息通信给所述机器学习模块4a，并且机器学习模块处理该信息(通常是非实时的)，以丰富所述本地数字显示组件的本地监控系统的人工智能。机器学习软件模块4a可以是人工智能模块，其包括例如至少一个神经网络，特别是深度学习以及特别是深度神经网络类型。

更准确地，本地监控系统的人工智能可以包括一组启发式规则，机器学习模块4a能够通过调整现有的启发式规则和/或创建新的启发式规则并将其加入所述启发式规则组，用来改进所述的启发式规则组，并将其添加到所述启发式规则集中。在本地监控系统人工智能的首次启动时，机器学习模块4a会加载一组启发式规则和因果关系。只要人群特征和外部条件与这些初始规则相对应，人工智能就可以很好地工作。当新的外部条件或人群特征出现时，机器学习模块对启发式规则进行调整，特别地可以调整人工智能的“超参数”，以适应现有规则或添加新规则。

为此目的，机器学习模块4a可以包括两种不同类型的自动编码器，它们以卷积神经网络(“卷积深度学习网络”)的形式堆叠在几个层次的深度上：

-用“进化策略”强化学习自动编码器：神经网络可以用这种学习方法适应现有规则。“进化策略”是一种强化学习的形式，它使用少量超参数进行规则开发。因此，计算速度比其他算法(如q-learning)快。

-基于状态表示(“表示学习”)学习自动编码器，使用lstm(“长期短时存储”)来创建新规则(“规则挖掘”)。lstm模块在语言处理领域得到了广泛的应用，并用于根据人群特征和抽象特征发现新的规则和策略。

监控系统的人工智能功能如下：

1.观众的分析及人群特征的确定：

监控系统分析来自各种探测器10-12(包括来自摄像机的固定或移动图像)的观众数据，从而估计人群特征，特别是密度、接近度(距离数字显示设备2的距离)和速度。

如果分析结果符合启动人群交互操作模式(抢占性活动)的条件，则监控系统确定从第二个内容组中选择一个预选的内容播放列表和要显示的抢占性内容。在该决定中，监控系统可以考虑外部参数，例如时间、气象条件和数字显示组件e附近正在进行的事件。该分析是连续进行的，这样预选的内容播放列表可以经常更新。

第一个功能所需的智力水平是低等哺乳动物的大脑(对快速变化的刺激做出快速的本能反应)的水平。

2.人群分析：情绪概况及特征：

此功能需要高级分析以及抽象和高级特征的组合。当至少一个活动需要抢占性的特征时，此功能会自动激活。监控系统分析来自上述检测器的数据(例如二进制数据、测量值、图像)，以便根据人口统计分析(例如，性别、社会职业类别等)确认人群的一个或多个主要集体概况，并估计人群的主要情绪(例如：快乐、悲伤、疲倦、烦躁、忙碌、喜庆等)。在本申请中，“情绪”被用作“心情”的同义词。

一般来说，人口统计数据和情绪特征，如果被确认和隔离为主要组成部分，会在一段时间内保持相当的稳定，例如15分钟到1小时，取决于环境。这种功能所需的智力是高等哺乳动物大脑的智力，具有以下能力：

—确认抽象特征，例如人群的情绪；

-融合并使高级特征和/或多重情绪相一致；以及

-非线性思考，并设想一种“策略”，用于显示“抢占性”广告(能够保持人群的注意力)，与人群的情绪相对应。

由于这些能力，只要检测到的情绪一直持续，经过一段时间人工智能就可以设想一个有针对性的广告宣传策略。该策略可以根据环境和人群的物理和情感特征进行修改(例如，用一系列广告谨慎地跟随人群，引起与人群的互动，从而影响人群等)。

以下示例显示了监控系统的人工智能如何通过合并高级别的受众信息和wifi和/或蓝牙来源的低级别信息和环境数据来分析人群感受。

示例1：检测类型的wifi设备存在阈值

→主要人口统计＝“年轻的城市科技精英”，

+外部环境：纽约市，时代广场+晚上(晚上7点以后)；

+人群物理特征：高密度，扩散速度，

+该人口统计下的推特(tweets)和instagram的趋势：生活方式，娱乐，放松，

→群众感情+抢先广告：

1.口渴→饮料的抢先广告，

2.节日(“派对时间”)→餐厅的抢先广告，外出吃饭，外卖，

3.技术礼品的浪漫抢先广告(例如手表，智能手机，连接的移动设备等)，

→策略：相对于抢先广告上下文+继续通过附近屏幕上的相关广告，引起触摸屏3上的简短交互。

示例2：检测大多数三星型wifi设备

→主要人口统计：“技术消费者，务实和节俭”

(“科技精明务实”)+外部环境：金丝雀码头(canarywharf)+午餐时间(中午至下午2点)，

+人群物理特征：高密度，高速度(单速+方向)，

+此人口统计下的推文和instagram的趋势：拉斯维加斯的消费类电子产品展销会，消费者技术产品，

→群众感情+优先广告：

1.最新技术(“技术意识”)→强调技术特征的宝马抢先广告，

2.生活方式消费者→三星智能冰箱的抢先广告，欧莱雅连接刷，

→战略：谨慎地跟随人群，在类似人群特征占优势的地区进行本地化的程序化宣传序列。

因为人工智能是本地的并且分布在监控模块7c上，所以它可以快速适应外部条件和观众特征的变化。

为了操纵多人群特征和人工智能，可以使用表示具有多个组件的特征的张量xi上的操作。

为了表示涉及例如三个特征x1，x2，x3的高级情绪r1，使用张量积：

感觉的高级合并(也称为特征的高级合并)可以通过时间操作来表示(在三个感受r1，r2，r3的合并的示例中分别对应于)

所使用的人工智能(监控模块7c和机器学习模块4a)还可以通过使用基于加权有向无环图(wdag)的特定模块来适应非线性动作，例如规则和策略的设计。在这些情况下，分析了高级感觉表征的直接和间接空间因果关系，并从中得出结论(例如新步骤或策略)。

如图3所示，数字显示组件e可以例如如下操作。

在图3中，设备2在这里标记为2a到2e以单独标识它们，但它们是相同或相似的并且都对应于先前描述的显示设备2。

该描述是在本地监控系统由如上所述的监控模块7c形成的情况下进行的，但是在必要的变更后适用于本地监控系统是如上所述的至少一个不同的本地单元的情况。

当本地监控系统在数字显示设备2之一(例如图3中的数字显示设备2a)附近检测到人群13a(意味着一群具有某些集体行为的人)的形成时，监控系统可以例如，使该数字显示设备2a以人群交互模式操作，并使其显示属于第二内容组的抢先内容，通常特别能够引起人群的注意。

在本地数字显示组件中的所有数字显示设备2的正常模式中的一段操作之后，这种人群检测尤其可以在在本地监视系统检测到所述数字显示设备2a的区域中的最小密度上的人群密度时发生。

监控模块7c使用的人群检测标准可以更复杂并且可以涉及若干测量的人群特征和/或一些上述外部数据。

例如，人群检测标准可以将如上所述的人群密度与小于所述数字显示设备2的区域中的最大速度的人群速度(幅度)组合，以避免检测到人们快速移动并且对显示的内容仅有一点点兴趣，例如一群人离开地铁或其他地方。

当数字显示设备2a显示来自第二组的内容时，来自组件e的其他数字显示设备2b-2e能够继续以来自第一内容组的内容的正常模式操作，或者相反地，邻近数字显示设备2a的一个或多个数字显示设备能够显示来自第二组的其他内容。

一旦数字显示设备2a已切换到人群交互操作模式，各种数字显示设备2的监控模块7c共同分析人群13的行为，特别是其边缘分布的人工智能。

特别地，各种数字显示设备2的监控模块7c实时确定哪个数字显示设备2a-2e显示来自第二组的内容。

例如，各种数字显示设备2中的监控模块7c在所述本地数字显示组件e中连续地确定哪一个是最接近人群13的数字显示设备2(或者数字显示设备2是抓住人群13的注意力的最好的一个)，并且使得最接近人群的所述数字显示设备2以人群交互模式操作。在图3的示例中，如果人群13沿箭头14的方向移动，则监控模块7c连续地改变在人群交互模式下操作的数字显示设备，使得它变为显示设备2b，然后是2c，然后是2d，然后2e，沿着箭头15，随着人群13的移动进。

作为变体，各种数字显示设备2中的监控模块7c在所述本地数字显示组件e中连续地确定哪一个是数字显示设备2，最好能够在期望的方向上吸引人群并且使所述数字显示设备2以人群交互模式操作。

当来自本地数字显示组件e的各种数字显示设备2的监控模块7c确定人群已经分散或者已经离开组件e的动作半径时(例如，如果人群已离开所述本地数字显示组件e的每个数字显示设备2超过最大距离)，它们使所述本地数字显示组件e的所有数字显示设备2在人群交互模式中的一段操作之后返回正常模式。

可能地，如图4所示，如果数字内容广播网络1包括组件e附近的数字显示组件e'，则两个本地数字显示组件e，e'的本地监控系统可以彼此通信(通过本地区域网络和/或广域网5,6)，从而，当第一本地数字显示组件e的本地监控系统将所述第一本地数字显示组件e的所有数字显示设备2返回到正常模式下的操作时，并且人群向第二本地数字显示组件e'移动，可以确定来自第二本地数字显示组件e'的数字显示设备2最能够捕获人群的注意力和/或吸引人群，并且可以使来自第二本地数字显示组件e的所述显示设备2以人群交互模式操作。

图5示出了组件e中使用的过程的具体示例，该组件e包括例如两个数字显示设备。

在该示例中，本地监控系统的人工智能最初处于中性状态r0(100)，这意味着数字显示设备2均以正常模式操作并且如前所述显示来自第一内容组的内容。

在这种状态下，人工智能连续地分析局部环境，其可以包括例如三个参数：，(例如人群密度)，x2(社交网络趋势)，x3(气象条件)。如前所述，这种分析可以通过确定张量为r1的标准(感觉)来完成：如前所述，

当r1(量级)超过某个阈值dμ时，人工智能进入人群交互模式并开始使显示设备2显示属于第二内容组的内容。人工智能连续分析观众行为并根据所述观众行为经历若干预定的连续阶段，以逐渐增加其对人群的影响。

更具体地，监控系统的人工智能首先进入(箭头101)第一阶段102，其中所述人工智能具有来自社交网络的地理定位数据，该数据对应于在数字显示设备2上显示的所述本地数字显示组件e的位置。

所述人工智能继续监视观众并基于其他参数x4，x5，x6确定例如第二标准r2。如果r1降低到阈值dμ以下，则所述人工智能返回到中性状态100(箭头103)。

当r2达到某个程序性阈值dπ(指示观众被定向的观众目标标准)时，所述人工智能通过(箭头104)进入第二程序阶段105，其中所述人工智能已经针对与数字显示设备2上显示的观众相对应的内容。如果r2返回低于程序阈值dπ，则所述人工智能返回到阶段102(箭头106)。

当所述人工智能确定观众满足指示观众准备好与至少一个数字显示设备2交互的至少一个交互式新的标准时(例如，取决于作为r1和r2的合并的标准r3)，所述人工智能通过(箭头107)进入第三阶段108，其中所述人工智能中的一个数字显示设备2显示至少一个交互式内容(例如游戏，问卷游戏(“测验”)等)，其他设备2保持在操作模式中并显示程序内容。

接下来，如果所述人工智能确定观众满足至少一个支配标准，该支配标准指示观众准备让自己被至少一个数字显示设备2引导(例如，标准r4必须超过阈值dη，其中r4是若干感觉ri的合并，例如r1，r2，r3和/或其他)，所述人工智能移动(箭头109)进入第四阶段110，其中所述人工智能具有由观众成员选择的个人交互内容，特别是通过与屏幕3的交互，如果它是触摸的或者在数字显示设备2之一上具有另一个接口(通过人的移动电话的wifi或蓝牙无线电接口，不需要手接触就能致动的接口等)，其中，另一个设备2保持编程模式。个性化交互式内容尤其可以是问卷游戏(“测验”)。

一旦播放了个性化的交互式内容，所述人工智能进入(箭头111)进入结束阶段112，其中或者由另一个观众成员立即选择个性化的交互式内容(返回到阶段110)，或者如果标准r4低于上述阈值dπ但超过阈值d0，则所述人工智能返回(箭头113)到第二阶段105，或者如果标准r4低于阈值d0，则所述人工智能返回到中性状态100。

可以理解的是，由于本地数字显示组件e的监控模块7c形成的本地监控系统的人工智能的上述能力，它能够在本地处理所有出现的情况，因此非常快速，并且不消耗无线电通信带宽，并且不通过远程“内部”基础设施或云基础设施(云iaas)上的自动处理引入的延迟。

在特定实施例中，机器学习模块4a能够包括语言模型，其适于从系统的多模态交互中学习(语音，例如通过属于数字显示设备2的麦克风或其他人捕获的语音，特别是来自社交网络，探测器12，外部条件等)用于预测：

-在交互式数字显示器上：要显示的新短语或用于扩展人群交互模式的新交互；以及

-在靠近交互式数字显示器的显示器上：要显示的新广告，针对与之进行交互的特定受众。

这种学习可以通过三个层次的传递来完成：

1.语言模型在文本和语音数据的一般语料库上的预学习(文本和语音的2个神经层)，例如以规则的间隔和空间进行，例如每月一次；

2.对特定任务的语言模型(1个神经层)进行精细学习，例如针对每个特定的活动和/或针对特定的日期和时间；

3.针对目标任务细化上下文分类器(2个神经层)，然后将该分类器下载到受影响的本地组件e或每个受影响的本地组件e。

可以在具有专用组件(强大的cpu，gpu，ram等)的云基础设施(iaas)上执行不同的学习步骤(神经语言和分类)。

所讨论的分类器可以至少部分地在监控模块7c上的构成上述神经网络，或者构成补充神经网络，补充神经网络在本地服务器(“边缘服务器”，未示出)上执行，该本地服务器例如在具有局部装配e的监控模块7c的局域网中操作。

这些学习水平中的每一个都可以通过深度神经网络实现，例如五层神经网络，如图6-8所示，分别在三个训练水平期间。深度神经网络200可以具有例如具有输入节点的一个输入层201，三个s形神经元204的叠加层203和具有输出节点206的一个输出层205。在第三训练级之后，神经网络200的输出层205不仅包括上述输出节点206的组合207，还包括分类器的两个输出节点209的组合208。

级别2的学习可以通过判别学习，用以捕获每个神经网络层中的各种类型的信息以及通过加速学习速率的三角学习(stlr，slantedtriangularlearningrate)来完成，后者有助于基于非常小的训练人口/语料库(20至50个样本用于专业培训，如下所述)快速学习。

对于级别3的学习可以包括在每个学习时期之后的每个时期逐渐解冻神经层。这对每层的专业渐进式学习非常有用，例如：

-第一层的训练：更长的通用学习时期，例如基于《广义文本语料库wikitext-103》；

-第二层的训练：在文本话语上学习相当长的学习时期以学习使用过的关键词，例如基于“语音语料库-微软语音翻译(mslt)”；

-第三层的训练：基于传感器收集的文本、语音和信号/事件的组合进行专门学习(基于事件的传感器数据，主题标签，符号，标记)。使用这种组合的训练样本相对难以找到，因此意味着基于少量样本的专门训练(针对不同特定情况的20至50个样本)；

-分类器的培训-第四层和第五层：《情感分析数据集yelpfull》+《问题完成：trec-6》。以知识图表为导向的培训，学习传感器收集的文本、语音和信号/事件的智能和上下文组合(基于事件的传感器数据，主题标签，符号，标记)，以便在广播期间对受众的有趣行为进行分类。

可以在云(云iaas)上完成不同层的训练以及分类器的知识图表的创建和细化。在对不同的上述层进行完全训练之后，将在所述本地显示组件上下载具有良好设置参数的紧凑且压缩的神经网络形式，用于独立边缘操作，特别是在所述本地显示组件前，针对观众的广告的智能广播，以及与上述观众的互动。