το radiotvlink.gr χρησιμοποιεί coockies

Πέμπτη, 08 Μαρτίου 2018 09:15

Τεχνητή Νοημοσύνη και Μηχανική Μάθηση στο Οικοσύστημα του Broadcasting!

Βαθμολογήστε αυτό το άρθρο
(3 ψήφοι)

H Τεχνητή Νοημοσύνη (Artificial Intelligence - AI) και η Εκμάθηση Διαχείρισης-Πραγματοποίησης Λειτουργιών από Μηχανήματα, ή αλλιώς Μηχανική Μάθηση (Machine Learning - ML) ήταν ένα από τα σημαντικότερα ζητήματα (και highlight προσθέτω) που συζητήθηκαν στην έκθεση-συνέδριο IBC 2017. Πρόκειται για τεχνολογικά αγαθά που χαρακτηρίζονται από τα τέσσερα Α, όπως συχνά αναφέρω σε ιδιωτικές συζητήσεις μου, δηλαδή από τις πολλές πτυχές προς Ανάγνωση, Ανάλυση, Αξιοποίηση, αλλά και για κάποιους... Ανάθεμα. Ήδη κάποιοι Ραδιοφωνικοί και Τηλεοπτικοί Σταθμοί, κάποιοι Πάροχοι Τηλεοπτικών Υπηρεσιών αλλά και Δημιουργοί Περιεχομένου τα αξιοποιούν σε μεγάλο βαθμό, ενώ άλλοι εξετάζουν την ευρύτερη αξιοποίηση αυτών των τεχνολογικών ευκολιών στο εγγύς μέλλον, εκμεταλλευόμενοι πλήρως τις πολλές-διαφορετικές λύσεις αυτοματισμού που προσφέρονται από τους κατασκευαστές υλισμικού (hardware) και κυρίως λογισμικού (software) για τους επιμέρους κρίκους της αλυσίδας παραγωγής, διαχείρισης και μετάδοσης τηλεοπτικού και ραδιοφωνικού προγράμματος από όλες τις γνωστές πλατφόρμες διανομής (παραδοσιακή εκπομπή, καλωδιακή, δορυφορική, κινητή τηλεφωνία κ.ο.κ.).

Κείμενο - Άρθρο Γνώμης: Ανδρέας Τζανάκος
Φωτογραφίες: Τεχνολογική Πύλη www.radiotvlink.com & .gr

 

Σε αυτό το άρθρο γνώμης εξετάζουμε τα χαρακτηριστικά της Τεχνητής Νοημοσύνης στην ευρύτερη βιομηχανία του Broadcasting (Ραδιόφωνο και Τηλεόραση), δίχως δογματισμούς, δίχως χρωματισμούς, αλλά και με μία ξεκάθαρη οπτική που απηχεί την πραγματική εικόνα της βιομηχανίας μας.
Αν είστε ένας Ιδιοκτήτης Τ/Σ ή Ρ/Σ που δεν μπορεί ή δεν θέλει ο Σταθμός του να ισχυροποιηθεί και ως εκ τούτου να αλλάξει επίπεδο, δεν έχει κανένα απολύτως νόημα να χάσετε χρόνο για να διαβάσετε αυτό το άρθρο.
Αν είστε ένας Τεχνικός-Μηχανικός που δεν πιστεύετε στην εξέλιξη της τεχνολογίας και στη βοήθεια-λύσεις που απορρέουν από αυτήν, τότε καλό είναι να μην σπαταλήσετε ούτε ένα δευτερόλεπτο για την ανάγνωση αυτού του άρθρου.
Αντιθέτως, αν είστε άνθρωπος με βαθειά και συγκροτημένη σκέψη, με ποιο ανοιχτούς ορίζοντες, που πιστεύει ότι η Τεχνολογία πρέπει να υπηρετεί τον Άνθρωπο και να του ανοίγει νέους Δημιουργικούς Ορίζοντες, τότε αυτό το άρθρο έχει γραφτεί για εσάς, επιχειρώντας να κεντρίσουμε την προσοχή σας ακόμη περισσότερο και σίγουρα να αυξήσουμε το ενδιαφέρον σας για την αναζήτηση περισσότερης πληροφορίας σχετικά με αυτό το κρίσιμης σημασίας ζήτημα που απασχολεί τόσο τη βιομηχανία του Broadcasting, όσο και πολλές άλλες βιομηχανίες, το σύνολο της οικονομίας του πλανήτη μας, επηρεάζοντας σε μεγάλο βαθμό τις ζωές των ανθρώπων.

Artificial Intelligence AI design lr 

Παγκόσμια Σταθερά: Αυτοματισμός και Έξυπνες Λειτουργίες - Τι είναι η Τεχνητή Νοημοσύνη και τι η Μηχανική Μάθηση;

Ο Αυτοματισμός (Automation) της πλειοψηφίας των λειτουργιών και των εργασιών αποτελεί μία παγκόσμια σταθερά που διέπει το σύνολο της οικονομίας, αποτελώντας αναγκαία συνθήκη για τη λειτουργία πολλών βιομηχανιών του πλανήτη. Σε αυτό το άρθρο δεν θα εξετάσουμε το ηθικό στοιχείο του εν λόγω ζητήματος, που έτσι ή αλλιώς έχει αναλυθεί παγκοσμίως εδώ και πολλά χρόνια, ενώ το ίδιο συμβαίνει και αυτήν τη στιγμή που διαβάζετε αυτό το άρθρο.
Βέβαιο είναι πως στη δική μας βιομηχανία, δηλαδή του Broadcasting, ο άνθρωπος έχει ακόμη σπουδαίο ρόλο να διαδραματίσει, ο οποίος είναι κυρίως δημιουργικός, αλλά και καίριος ως προς τη λήψη αποφάσεων.
Για την Τεχνητή Νοημοσύνη (Artificial Intelligence - AI) θεωρώ πως καλύτερος και συντομότερος ορισμός είναι αυτός του Bernard Marr, τον οποίο διάβασα στον ιστότοπο www.forbes.com: "Είναι η ευρύτερη έννοια των μηχανών που είναι σε θέση να εκτελούν καθήκοντα-εργασίες με έναν τρόπο που θα θεωρούσαμε έξυπνο."
Ο ίδιος ορίζει την Εκμάθηση της Διαχείρισης-Πραγματοποίησης Λειτουργιών από Μηχανήματα, ή αλλιώς Μηχανική Μάθηση (Machine Learning - ML) ως εξής: "Είναι μία τρέχουσα εφαρμογή της Τεχνητής Νοημοσύνης που βασίζεται στην ιδέα ότι πρέπει να είμαστε πραγματικά σε θέση να δίνουμε στις μηχανές πρόσβαση στα δεδομένα και να τους αφήσουμε να γνωρίσουν για τον εαυτό τους."
Ο Bernard Marr υποστηρίζει πως Artificial Intelligence και Machine Learning είναι δύο πολύ καυτές λέξεις που όλοι ασχολούνται με αυτές τούτη τη στιγμή και συχνά φαίνεται να χρησιμοποιούνται εναλλακτικά. Όμως, όπως ο ίδιος αναφέρει, "δεν είναι ακριβώς το ίδιο πράγμα, αλλά η αντίληψη ότι είναι, μερικές φορές, μπορεί να οδηγήσει σε κάποια σύγχυση."
Kαι οι δύο όροι εμφανίζονται πολύ συχνά όταν το θέμα είναι τα μεγάλα δεδομένα, τα αναλυτικά στοιχεία και τα ευρύτερα κύματα τεχνολογικών αλλαγών που σαρώνουν τον κόσμο μας.
Ως τεχνολογία και κυρίως, η κατανόησή μας για το πως λειτουργεί ο ανθρώπινος νους έχει προχωρήσει, ενώ η άποψη μας για το τι συνιστά η Τεχνητή Νοημοσύνη (AI) έχει αλλάξει. Αντί για όλο και πιο περίπλοκους υπολογισμούς, η εργασία στον τομέα του AI επικεντρώθηκε στην προσομοίωση των διαδικασιών λήψης αποφάσεων από τους ανθρώπους και στην εκτέλεση των καθηκόντων με τρόπους που προσομοιάζουν όλο και περισσότερο με τον τρόπο που λαμβάνει αποφάσεις ο άνθρωπος.
Οι συσκευές και οι συνολικές λύσεις που βασίζονται στην Τεχνητή Νοημοσύνη είναι σχεδιασμένες για να ενεργούν έξυπνα και συχνά ταξινομούνται σε μία από τις δύο θεμελιώδεις ομάδες, εφαρμοσμένες ή γενικές. Η εφαρμοσμένη AI συναντάται ευρέως. Με συστήματα σχεδιασμένα να εμπορεύονται έξυπνα μετοχές, ή να παρέχουν ελιγμούς σε ένα αυτόνομο όχημα, αυτές είναι κάποιες από τις εφαρμογές που εμπίπτουν σε αυτήν την κατηγορία.

Machine Learning circuit lr 

Τεχνητή Νοημοσύνη και Μηχανική Μάθηση στο Ραδιόφωνο και την Τηλεόραση

Στο οικοσύστημα του Broadcasting έχουμε πλέον παγκοσμίως αρκετά παραδείγματα αξιοποίησης της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης.

 

Broadcast Ήχος
Για παράδειγμα στον Επαγγελματικό Ήχο του Broadcasting (Τηλεόραση και Ραδιόφωνο), υπάρχουν πλέον κατασκευαστές κονσολών μίξης ήχου και εικονικών κονσολών όπως η Lawo και η Studer, οι οποίοι βασίζονται στο λογισμικό, παρέχοντας τη δυνατότητα μίξης του ήχου από τα μικρόφωνα των παρουσιαστών και των καλεσμένων όταν αυτά καθίστανται ενεργά (δηλαδή όταν κάποιοι μιλούν-παρεμβαίνουν), με διατήρηση ταυτοχρόνως της φυσικότητας του ήχου από το ακουστικό περιβάλλον του Studio. Λύσεις, δηλαδή όπως η Lawo AutoMix για hands-free μίξη προγράμματος, που συναντάμε στο RƎLAY Virtual Radio Mixer της Lawo και στην κονσόλα mc²96, αλλά και VoiceMix (για Αυτοματοποιημένη Μίξη σε όλα τα μονοφωνικά κανάλια) που βρίσκουμε στη Studer Micro Series, καθώς και σε άλλες κονσόλες της Studer by Harman, οι οποίες δίδουν τον χρόνο στον Τεχνικό Ήχου να ασχοληθεί δημιουργικά με άλλα ζητήματα όπως EQ, φίλτρα κ.α., για σημαντικές ρυθμίσεις που σίγουρα εμβαθύνουν την εμπειρία του τηλεθεατή και του ακροατή.
Θυμίζουμε, ακόμη, λειτουργίες όπως η KICK 2.0, δηλαδή την αυτοματοποιημένη λύση μίξης ήχου σύμφωνα με το κοντινό πλάνο της μπάλας (close-ball) από τη Lawo για την τηλεοπτική κάλυψη-μετάδοση αθλημάτων όπως ποδόσφαιρο, χόκεϋ και μπάσκετ, που συναντάμε στην Grand Audio Production κονσόλα mc²96, καθώς και άλλων λειτουργιών που φέρνουν την ατμόσφαιρα της εξέδρας μέσα στο σαλόνι και τα αυτιά του τηλεθεατή-ακροατή.
Άλλο χαρακτηριστικό παράδειγμα σημαντικής εφαρμογής της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης στον ήχο του Broadcasting που οδηγεί τη ζωντανή μετάδοση, αλλά και την post παραγωγή εμπρός με την αποτελεσματική-αυτοματοποιημένη-οικονομική παραγωγή του ήχου αποτελεί το concept Smart Audio της Jünger Audio, που αντανακλάται σε προϊόντα της εταιρείας για τον έλεγχο του loudness, το monitoring του ήχου, τη ρύθμιση του ήχου και τη διαχείριση των μεταδεδομένων στη Ραδιοφωνική και Τηλεοπτική Εκπομπή-Μετάδοση.
Η γνωστή εταιρεία υποστηρίζει ότι Smart Audio σημαίνει επένδυση σε απλό, αξιόπιστο και προβλέψιμο εξοπλισμό, ο οποίος μπορεί αυτοματοποιημένα να αποδίδει ηχητικό περιεχόμενο, ενώ ταυτόχρονα διατηρεί την υψηλή ποιότητα που οι καταναλωτές αναμένουν, έχοντας ήδη εφαρμοστεί σε σημαντικό αριθμό σταθμών, όπως Input Media (Λονδίνο-Ηνωμένο Βασίλειο) και ARD Tagesschau (Γερμανία).
“Ο λόγος που όλες οι ανωτέρω λύσεις γίνονται αποδεκτές σε όλον τον κόσμο είναι ότι οι χρηματοδοτικοί πόροι όλο και μειώνονται και οι Σταθμοί δεν αντέχουν οικονομικά να απασχολούν μία ολόκληρη ομάδα τεχνικών ήχου," δήλωσε προσφάτως ο Peter Poers, CEO της Jünger Audio. Ο ίδιος ανέφερε: “Ο μοναδικός τρόπος διασφάλισης ότι οι τηλεθεατές θα λαμβάνουν μία συνεπή εμπειρία καθαρού ήχου είναι η χρήση μίας αλυσίδας ευφυών και προσαρμοζόμενων σε πραγματικό χρόνο αλγόριθμων επεξεργασίας ήχου που συνεργάζονται. Αυτό ακριβώς σημαίνει Smart Audio: υλοποίηση υψηλής ποιότητας ήχου με έναν ιδιαιτέρως αποτελεσματικό τρόπο, με ελάχιστες απαιτήσεις για χειροκίνητο έλεγχο, ή παρέμβαση από τον χειριστή."
Είναι πλέον πρόδηλο πως λειτουργίες όπως Auto-Level, Auto-Upmix, Auto-EQ, Auto-MIX, Auto-Loudness, Codec System Metadata Management, ο ευφυής συνδυασμός όλων αυτών των προσαρμόσιμων αλγορίθμων (από Τεχνικό ή Τεχνικούς που είναι σωστά καταρτισμένοι) της Jünger Audio επιτρέπει στους broadcasters να επιλέγουν συσκευές που είναι πλήρως διαλειτουργικές με άλλες εντός του οικοσυστήματος του broadcasting, με εξαιρετική ενοποίηση με τα συστήματα αυτοματισμού για playout και logging, καθώς και για διαδικασίες monitoring.
Σκεφτείτε παραδείγματα όπως οι επεξεργαστές ήχου D*AP της Jünger Audio να προσφέρουν αυτοματοποιημένη ρύθμιση στάθμης έκαστης πηγής για την προ-ρύθμιση του ήχου πριν την τελική βασική διαχείριση του Loudness σε συνδυασμό με auto up-mix για τη διατήρηση της συνεπούς εμπειρίας του surround ήχου και τη χρήση auto EQ για την εξασφάλιση φασματικής εξισορρόπησης και καταληπτότητας του λόγου. Αναλογιστείτε προσαρμόσιμο έλεγχο του Loudness με το Level Magic™ της Jünger Audio, που μπορεί να ρυθμίζει τον ήχο από κάθε πηγή, οποιαδήποτε στιγμή, στη σωστή στάθμη, δίχως breathing, pumping, ή παραμόρφωση.
Ένα εξίσου χαρακτηριστικό παράδειγμα που αφορά στο Οπτικοποιημένο Ραδιόφωνο (Visual Radio) προέρχεται από την εταιρεία Multicam Systems. Συγκεκριμένα αυτός ο κατασκευαστής παρέχει στον Ρ/Σ σύστημα αυτόματης μίξης video με αναγνώριση ήχου από τα μικρόφωνα (audio detection) και δυναμική οπτική παρουσίαση με προκαθορισμένες γωνίες λήψης από τις κάμερες, αυτόματη εισαγωγή γραφικών και ενσωμάτωση με το σύστημα αυτοματισμού του playout του Ρ/Σ, αλλά και συντονισμό γραφικών από την timeline του αυτοματισμού ροής του Ραδιοφωνικού Σταθμού, μετάδοση Live Streaming & Podcast (πλήρη συμβατότητα με όλες τις πλατφόρμες, εύκολο setup χωρίς προγραμματισμό ή scripts, 24/7 μετάδοση σε Youtube κ.α.), δυνατότητα bypass αλλά και χειροκίνητης επιλογής εστίασης “force focus” σε έναν ομιλητή, με επιστροφή σε auto mode μετά από κάποια δευτερόλεπτα.
Ολοκληρώνοντας τη σύντομη αλλά περιεκτική αναφοράς μας στις λύσεις Broadcast Ήχου που αξιοποιούν την Τεχνητή Νοημοσύνη και τη Μηχανική Μάθηση δεν θα πρέπει να παραλείψουμε να εστιάσουμε στο μικρόφωνο-εγγραφέα iXm της Yellowtec που είναι ένα ακόμη σημαντικό παράδειγμα, καταγράφοντας εξαιρετικά συνεντεύξεις με άψογες στάθμες του ήχου σε εξωτερικούς χώρους όπου τα προβλήματα λόγω του θορύβου του περιβάλλοντος είναι πολλά, αλλά και στους εσωτερικούς χώρους με τα προβληματάκια της ακουστικής τους. Η LEA Engine που ενσωματώνει αυτό το μικρόφωνο- εγγραφέας αποτελεί μία μοναδική τεχνολογία για την αυτοματοποιημένη ρύθμιση της στάθμης των συνεντεύξεων σας κατά την ηχογράφηση τους. Σε σύγκριση με τις standard λύσεις AGCs (Automatic Gain Control) και τους Limiters η LEA engine γνωρίζει πως να καταπολεμά (excel) (και όχι να δημιουργεί) παραμορφώσεις ή τους συνήθεις θορύβους από χτυπήματα (pumping noises). Ακόμη και στις παύσεις της εκφοράς του λόγου, ή και σε περιπτώσεις με δυνατό θόρυβο του περιβάλλοντος (ambient noise) η LEA Engine λειτουργεί άψογα με ομαλές στάθμες, σαν να βρίσκεται εντός του μικροφώνου σας ένας μικρός τεχνικός ήχου.

Όχι, δεν πιστεύουμε ότι σήμερα ή στο εγγύς μέλλον θα χαθούνε όλες οι θέσεις εργασίας των ηχοληπτών. Πάντα κάποιος άνθρωπος (έμπειρος-κατάλληλα καταρτισμένος Τεχνικός Ήχου) πρέπει να καθορίζει τις παραμέτρους έξυπνης λειτουργίας του εξοπλισμού (φυσική ή εικονική κονσόλα, φυσικός ή εικονικός επεξεργαστής ήχου σε κάποιο laptop ή workstation) όπως στάθμη, κατώφλι, format εισόδου και εξόδου και πολλά άλλες που χαρακτηρίζουν την ποιότητα του ήχου στη ζωντανή μετάδοση, ή στην post παραγωγή. Πάντα κάποιος εξειδικευμένος άνθρωπος πρέπει να τοποθετήσει τα μικρόφωνα των παρουσιαστών, των καλεσμένων και του κοινού σε ένα studio, ή του περιβάλλοντος χώρου (για το κοινό των συναυλιών, ή την εξέδρα του σταδίου).
Πάντα κάποιος-κάποιοι άνθρωποι θα διασφαλίζουν την ποιότητα πολλών πηγών, αλλά και τη μετάδοση του υλικού σε διάφορες πλατφόρμες (επίγεια τηλεόραση, επίγειο ραδιόφωνο, δορυφορικά, καλωδιακά κανάλια κ.ο.κ.).

Artificial Intelligence AI board lr

Broadcast Εικόνα και Περιεχόμενο
Εξαιρετικά παραδείγματα αξιοποίησης της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης έχουμε όμως και στην Επαγγελματική Εικόνα, από τα εικονικά (virtual) συστήματα λήψης έως την εισαγωγή, τη διαχείριση και τη μετάδοση υλικού και περιεχομένου στη ροή εργασίας ενός Τηλεοπτικού Σταθμού, ενός Τηλεοπτικού Studio-Πλατό και των Εταιρειών Παραγωγής.
Ένα παράδειγμα αποτελούν οι λύσεις Remote Broadcast της Egripement, με την κεφαλή κάμερας 306 Digital Remote Head και τη μικρότερη κεφαλή 205 Digital Remote Head να διακρίνονται για τη σχεδίαση του συστήματος που στηρίζεται στην Τεχνητή Νοημοσύνη. Σκεφτείτε μία λύση όπως το σύστημα G-Track που μπορεί να χρησιμοποιηθεί ως βάση για πολλές διαφορετικές περιπτώσεις, όπως για ζωντανές εφαρμογές, ζωντανά show, συναυλίες, αθλητικά, reality show κ.α., με πλήρως ελεγχόμενες από υπολογιστή λειτουργίες, επιτρέποντας τον συνεχή έλεγχο των κινήσεων με ακρίβεια, αποτελώντας εξαιρετική επιλογή για πλήρως αυτοματοποιημένες εφαρμογές τυπικών απαιτητικών παραγωγών, αλλά και εικονικής και επαυξημένης πραγματικότητας.
Υπάρχουν και άλλα σημαντικά παραδείγματα αξιοποίησης της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης, όπως αυτά που προέρχονται από τις εταιρείες κατασκευής συστημάτων transcoding και διαχείρισης περιεχομένου (MAM, Playout-Automation), για την αξιοποίηση υλικού και τη χρήση-διανομή του σε διάφορες πλατφόρμες (Επίγειες, OTT κ.α.).
Ένα χαρακτηριστικό παράδειγμα αποτελεί η Ooyala, πρωτοπόρος στις σύγχρονες λύσεις MAM, ή Media Logistics πλατφόρμες, όπως η ίδια τονίζει, για να διαφοροποιηθεί από τις παραδοσιακές λύσεις. Η Ooyala και η MICROSOFT ανακοίνωσαν στην έκθεση-συνέδριο IBC 2017 τη στρατηγική συνεργασία τους για την προώθηση του Machine Learning για την αναβάθμιση του περιεχομένου και τη δυναμική διάθεσή του σε μορφοποιημένα κανάλια διανομής. Ένα πρώτο δείγμα της συνεργασίας αυτής είναι το έργο στη ZoneTV. Σύμφωνα με τον κ. Scott Braley, Γενικό Διευθυντή Πλατφορμών Διαφήμισης της Ooyala: “Υπάρχει labeling και τα σχετικά μεταδεδομένα σε ξεχωριστά τμήματα του περιεχομένου, αλλά η διαδικασία δεν κρατά πολύ ώρα. Ο ίδιος αναφέρει: “Σαφώς όταν μπαίνουμε στη διαδικασία συλλογής περιεχομένου από διάφορες πηγές η εργασία είναι πολύ μεγάλη για την σωστή κατηγοριοποίηση ώστε να μπορεί να χρησιμοποιηθεί στην συνέχεια.” Ο κ. Scott Braley ολοκληρώνει τις δηλώσεις του λέγοντας: “Η Τεχνητή Νοημοσύνη μπορεί να χρησιμοποιηθεί για να βαθμονομήσει και να περιγράψει το περιεχόμενο σε μεγαλύτερη κλίμακα και με μεγαλύτερη πιστότητα από ότι ήταν μέχρι σήμερα εφικτό. Η συνεργασία OOYALA και MICROSOFT επιτρέπει σε μία Επιχείρηση Media να υλοποιήσει μία τέτοια εργασία, κάτι που δεν μπορούσε να φανταστεί στο παρελθόν παρά μόνον για το πολύτιμο αρχειακό υλικό. Μεγάλες βιβλιοθήκες περιεχομένου χωρίς μεταδεδομένα δεν είναι αξιοποιήσιμες.”
Ένα άλλο παράδειγμα αποτελεί η εταιρεία M-Fact που εξαγοράστηκε από τη VSN, η οποία διαθέτει σύστημα αναγνώρισης περιεχομένου με παρακολούθηση και έλεγχο όλου του περιεχομένου που βγαίνει στον αέρα του Τηλεοπτικού και του Ραδιοφωνικού Σταθμού. Η τεχνολογία αυτή παρέχει προστασία πνευματικής ιδιοκτησίας, ικανή διαχείριση της διαφήμισης και επιλογές παρακολούθησης και ελέγχου, συγχρονισμό online και offline περιεχομένου, πολυοθονικό συγχρονισμό, δημιουργία εφαρμογών δεύτερης οθόνης, επιτρέποντας την αποκόμιση κερδών από αυτές τις πλατφόρμες.
Θυμίζουμε ότι η M-Fact παρέχει kit ανάπτυξης λογισμικού (SDK) για την κατασκευή Εφαρμογών Δεύτερης Οθόνης (2nd Screen Apps), επιτρέποντας πραγματικού χρόνου βαθμονόμηση και μετρήσεις τηλεθέασης, αυτόματη ανίχνευση τηλεοπτικών καναλιών και συγχρονισμό του περιεχομένου τους με την κύρια οθόνη (είναι δυνατή η δημιουργία περιεχομένου παραδοσιακής τηλεόρασης, διαθέσιμο σε μία on-line πλατφόρμα, αυξάνοντας τη δέσμευση του κοινού, παρέχοντας ταυτόχρονα περισσότερες λεπτομερείς και ακριβείς πληροφορίες από ότι μπορεί να κάνει ένα παραδοσιακό σύστημα μέτρησης). Η χρήση αυτής της τεχνολογίας είναι εφικτό να αποδίδει άμεση στοχευόμενη διαφήμιση, αλλά και αποστολή πολυμεσικού περιεχομένου (διαδραστικό περιεχόμενο, links, banners, videos κ.α.) σε φορητές συσκευές, οι οποίες συγχρονίζονται με τις broadcast εκπομπές, εμπλουτίζοντας την εμπειρία του θεατή και αυξάνοντας τη δέσμευση του μέσω της εμπειρίας της social TV και της ενοποίησης με τα μέσα κοινωνικής δικτύωσης (Twitter, Facebook, κ.α.).
Στους διαφημιστές, τις εταιρείες και τους publishers, η M-Fact προσφέρει λύσεις ως προς την πραγματικού χρόνου παρακολούθηση της διαφήμισης, δηλαδή του συνόλου των τηλεοπτικών και ραδιοφωνικών spot που μεταδόθηκαν από όλους τους Τηλεοπτικούς και Ραδιοφωνικούς Σταθμούς. Τούτο επιτρέπει τον έλεγχο, την ανίχνευση περικομμένου spot και τα στατιστικά των επενδύσεων στις διαφημίσεις, περιλαμβάνοντας την παρακολούθηση των ανταγωνιστών για τον στρατηγικό σχεδιασμό και την ανάλυση.
Ακόμη, η M-Fact προσφέρει τεχνολογία παρακολούθησης των μέσων, βασιζόμενη στην ανίχνευση των λέξεων-κλειδιών, επιτρέποντας απλό clipping, καταλογοποίηση, αρχειοθέτηση και streaming των media clips και των transcriptions, με αυτόματες ειδοποιήσεις που στέλνονται σε φορητές, έξυπνα κινητά τηλέφωνα και σε άλλες συσκευές, επιτρέποντας την κατ’ απαίτηση (on-demand) πρόσβαση στην textual transcription και στο A/V περιεχόμενο.
Ένα σημαντικό παράδειγμα στον τομέα του διαδικτυακού video streaming αποτελεί η Siemens Convergence Creators (που εξαγοράστηκε προσφάτως). Κυριότερο σημείο η προσπάθεια ενσωμάτωσης των Microsoft Cognitive Services στην προηγμένη διαδικτυακή πλατφόρμα Video με την ονομασία Smart Video Engine που ανήκει στη Siemens Convergence Creators.
Microsoft Cognitive Services, αποτελούν μία συλλογή από 25 εργαλεία που επιτρέπουν στις εφαρμογές να επωφελούνται από αλγορίθμους Τεχνητής Νοημοσύνης για την ανίχνευση αισθημάτων και συναισθημάτων, την αναγνώριση ομιλίας και την κατανόηση της γλώσσας. Η Smart Video Engine αξιοποιεί τα πλεονεκτήματα των Cognitive Services, τοποθετώντας τα στα δάχτυλα των προγραμματιστών που χειρίζονται μεγάλο όγκο video περιεχομένου.
Cognitive Services APIs, αντιπροσωπεύουν μία ισχυρή προσθήκη στη Smart Video Engine, επιτρέποντας την έξυπνη αυτοματοποίηση διαδικασιών όπως ο εμπλουτισμός μεταδεδομένων του video. Η απομάκρυνση τέτοιων επίπονων εργασιών από τα χέρια του Τεχνικού Προσωπικού όχι μόνο μειώνει δραστικά το λειτουργικό κόστος, αλλά προσφέρει και ένα επίπεδο εμπλουτισμού που δεν θα ήταν εφικτό με τον χειρωνακτικό χειρισμό υποστηρίζει η Siemens Convergence Creators. Η επίτευξη ποιοτικότερων μεταδεδομένων με τις Microsoft Cognitive Services βελτιώνει μεταξύ άλλων την ικανότητα της Smart Video Engine να παρέχει προτάσεις κατάλληλου περιεχομένου, οι οποίες με τη σειρά τους αυξάνουν τις δαπάνες των τηλεθεατών, παρέχοντας πρόσθετα έσοδα για τους broadcasters και τους παρόχους υπηρεσιών.
Επιπροσθέτως της ενσωμάτωσης των Microsoft Cognitive Services και ως μέρος της αποκλειστικής στρατηγικής με όλες τις λειτουργίες να υλοποιούνται στο υπολογιστικό νέφος (cloudification), η Smart Video Engine θα είναι διαθέσιμη και στην πλατφόρμα cloud της Microsoft Azure. Αυτό θα εξασφαλίσει ομαλές ροές εργασίας για τους πελάτες που χειρίζονται κωδικοποίηση, δημιουργία πακέτων, τμήματα CDN και DRM της πολύτιμης αλυσίδας τους μέσα από το οικοσύστημα της Microsoft.
Από την εξέλιξη στον χώρο δεν θα μπορούσε να λείπει και η Imagine Communications.
H Imagine Communications έχει δημιουργήσει τη μοναδική πλατφόρμα microservices της broadcast αγοράς που ονομάζεται Zenium.
H πλατφόρμα Zenium επιτρέπει στην Imagine Communications και σε συνεργαζόμενες εταιρείες όπως η Microsoft και η IBM την εύκολη προσθήκη λειτουργιών ώστε να δημιουργούνται νέα προϊόντα από τον συνδυασμό επιμέρους λειτουργιών.
Αυτή η δυνατότητα προσφέρεται σε όλη σχεδόν την τρέχουσα γκάμα προϊόντων της εταιρείας τα οποία έχουν αναπτυχθεί με τη χρήση του υποσυνόλου των 1.300 microservice modules που έχει δημιουργήσει η εταιρεία σε συνεργασία με περίπου 60 κατασκευαστές στον χώρο των λύσεων για τις Επιχειρήσεις Μέσων.
Ενδεικτικά θα αναφέρουμε ορισμένα ονόματα προϊόντων της Imagine Communications που έχουν δημιουργηθεί εξ' ολοκλήρου από την πλατφόρμα Zenium και κυκλοφορούν εδώ και λίγα χρόνια: Versio™ (Ολοκληρωμένο σύστημα Playout), EPIC Multiviewer, Selenio Flex (file transcoder) και Selenio ONE (πραγματικού χρόνου encoder/transcoder/multiplexer).
Ενδεικτική αξιοποίηση-παράδειγμα του Machine Learning αποτελεί το Selenio One, στον Τ/Σ Sky Italia. Με απλές μικροεπεμβάσεις στην πλατφόρμα Zenium δίδεται η δυνατότητα να ενσωματωθούν στην λειτουργία του συστήματος ειδικής σχεδίασης αλγόριθμοι που εκμεταλλεύονται το Machine Learning για την βελτιστοποίηση και την αυτοματοποίηση της ανάθεσης των πόρων της εγκατάστασης, με όφελος τη μεγάλη οικονομία.
Στην πρόσφατη έκθεση-συνέδριο IBC 2017 επιδεικνύονταν και οι λύσεις που συνδύαζαν βελτιστοποίηση των ακολουθιών τοποθέτησης, ή επιλογής περιεχομένου για κάθε καταναλωτή, κάτι που συνεπάγεται απτά οφέλη για τη χρήση του περιεχομένου, ή τη λειτουργία του Καναλιού (λιγότερες επαναλήψεις, ή ίδια αποτελέσματα σε μικρότερους συνολικά χρόνους). H εφαρμογή Machine Learning με συγκεκριμένους αλγορίθμους που περιλαμβάνονται σε προϊόντα όπως οι σειρές Telurio Packager, xG Gameplan, xG AIM, xG POIS, xG ADS, xG ADR προσδίδει εξαιρετικά αποτελέσματα στο τηλεοπτικό τοπίο.

money out of monitor 720x480 lr 

Συμπεράσματα
Καθώς μεταφερόμαστε στην τεχνολογία του IP δεν θα μπορούσαμε να μην αναφερθούμε στα δίκτυα δεδομένων και τα αντίστοιχα κέντρα δεδομένων (data center). Το νέο δόγμα και εδώ στηρίζεται σε εφαρμογές διαχείρισης, αυτοματοποιημένες και υποβοηθούμενες από την αξιοποίηση του Machine Learning, καθώς σύμφωνα με τις ίδιες τις εταιρείες αυτή η αρχιτεκτονική επιτρέπει την πρόληψη προβλημάτων ασφάλειας και την απρόσκοπτη μεταφορά σημάτων κρίσιμης σημασίας, όπως broadcast video IP streams.
Η αξιοποίηση του Machine Learning σε συνδυασμό με την αντιμετώπιση όλων των παραδοσιακών φραγμών μεταξύ λειτουργικών και επιχειρησιακών συστημάτων βοηθά τις εταιρείες Μέσων να βελτιώνουν την απόδοση μέσω του περιορισμού των κουραστικών επαναλαμβανόμενων εργασιών, γεγονός που συνδράμει στον περιορισμό των λαθών.
Η Τεχνητή Νοημοσύνη (AI) προσδίδει στις σύγχρονες Broadcast εγκαταστάσεις τη δυνατότητα να παρακολουθούν-επιβλέπουν τις δραστηριότητες και τα log files από ολόκληρη την εγκατάσταση και να ειδοποιεί όταν αντιλαμβάνεται συνδυασμό αποκρίσεων που συνδέονται με πρόβλημα το οποίο μπορεί να εμφανιστεί προτού αυτό συμβεί, προσφέροντας στους Τεχνικούς τη δυνατότητα να προβούν σε ενέργειες που θα περιορίσουν, ή θα αποτρέψουν πλήρως τη μεταφορά του προβλήματος στις δραστηριότητες τους.

 

Παρατηρήσεις: Υπάρχουν, φυσικά, πολλές άλλες λύσεις στην αγορά που αξιοποιούν AI και ML, αλλά εμείς αναφέραμε κάποιες ενδεικτικές.

Τελευταία τροποποίηση στις Πέμπτη, 08 Μαρτίου 2018 10:15

Προσθήκη σχολίου

FaLang translation system by Faboba

CREATION

DELIVERY

AUDIO

POST PRODUCTION

MANAGEMENT

CINEMA

GENERATOR

MONEY

BROADCASTERS

Copyright@ 2016, Tzanakos P. Andreas Publishing Group