Historisch gesehen stehen Organisationen, die sich disruptiven Technologien widersetzen, vor einem schwierigen Weg. Während Early Adopters den Vorteil haben, grundlegende Fähigkeiten aufzubauen, kämpfen Late Adopters oft darum, aufzuholen, und riskieren ihre Marktposition. **Künstliche Intelligenz** (KI) ist besonders disruptiv, da sie ein breiter Enabler ist, der alles von der Softwareentwicklung bis hin zur Funktionsweise der Gesellschaft in Zukunft beeinflusst. Die Medien- und Unterhaltungsbranche mit ihrer ständig wachsenden Nachfrage nach hochwertigen, personalisierten Inhalten und dem anhaltenden Kostendruck ist ein Early Adopter von generativer KI und profitiert nun von der allgemeinen KI-gestützten Innovation in den Bereichen Distribution und Betrieb.
Für Medienunternehmen hat sich die Frage von der Frage, ob KI integriert werden soll, zu der Frage verlagert, wie dies effektiv geschehen kann. Diejenigen, die diesen Übergang erfolgreich bewältigen, werden ihre Abläufe optimieren und neue Möglichkeiten für Innovation und Wachstum erschließen.
Mit zunehmender Reife durchläuft die KI einen bekannten Technologie-Adoptionszyklus, der von der Produkt- und Lösungsinnovation zur branchenweiten Disruption führt. Pioniere in der Medien- und Unterhaltungsbranche haben bereits begonnen, KI und maschinelles Lernen (ML) in ihre Workflows zu integrieren.
Beispiele dafür, wo die Technologie eingesetzt wird, um Effizienz, Personalisierung und Kreativität zu verbessern, nehmen zu. Netflix' KI-gestützter Empfehlungs-Engine beispielsweise personalisiert Benutzererfahrungen, um das Engagement zu steigern. Darüber hinaus nutzt Netflix KI, um fesselnde Vorschauen für seine Inhalte zu erstellen und zu identifizieren, welche Kombination von Highlights am wahrscheinlichsten zum Engagement der Zuschauer führt. Spotify's KI-DJ kuratiert personalisierte Playlists, die Daten mit Kreativität verbinden. Spotify verwendet KI auch, um seinem „synthetischen“ DJ eine menschliche Stimme zu verleihen, mit der Fähigkeit, Ton, Akzent und Geschlecht zu ändern, um eine größere Resonanz bei seinen Abonnenten zu erzeugen. Microsofts Azure-Plattform bietet KI-basierte Tools zur Inhaltsmoderation, und Azures Video Indexer verwendet KI, um Inhalte zu analysieren und die zugehörigen Metadaten anzureichern. Freewheel hat KI-gestützte Technologien für die Ad-Insertion und -Targeting entwickelt, um die Effizienz der Ad-Monetisierung zu steigern.
Dies sind nur einige Beispiele dafür, wie KI die Branche still und heimlich revolutioniert, und die Anwendungsfälle werden nur noch weiter zunehmen. Für Medienunternehmen, die mit dieser Welle von KI-Angeboten konfrontiert sind, besteht die eigentliche Herausforderung nicht darin, ob KI helfen kann, sondern darin, die richtigen Tools und Strategien für ihre Bedürfnisse auszuwählen.
Der erste Schritt bei der Integration von KI in Medien-Workflows besteht darin, die Bereitschaft der Organisation zur Adoption eines KI-Anwendungsfalls zu verstehen. **KI**-Lösungen mit weitreichenden Auswirkungen, die mehrere Organisationsfunktionen und Datenquellen betreffen, erfordern komplexe Bewertungsmodelle, um sicherzustellen, dass alle Aspekte des Geschäfts berücksichtigt werden. Viel einfacher zu verdauen sind **KI**-Lösungen, die einen engeren Umfang haben – z. B. die Verbesserung der Encoder-Leistung –, die einfachere Bewertungsmodelle erfordern, um festzustellen, ob sie für die Bedürfnisse der Organisation geeignet sind.
Der zweite Schritt bei der Bestimmung eines guten Anwendungsfalls besteht darin, ein gewünschtes Ergebnis zu definieren, das durch klare operative KPIs messbar ist. In der Regel ist dies klar mit der Steigerung der Effizienz (Kostensenkung), der Verbesserung der Kundenerfahrung (Reduzierung der Abwanderung und Steigerung des Engagements) oder der Steigerung der Einnahmen verbunden.
Der dritte Schritt besteht darin, die Robustheit der verfügbaren Lösungen zu bewerten und die Leistungsschwelle zu bestimmen, die ein erfolgreiches Ergebnis für einen bestimmten Anwendungsfall definieren würde. In den meisten Fällen baut und trainiert die Organisation nicht ihre eigenen **KI**-Modelle, sondern nutzt KI-Modelle von Drittanbietern über APIs und wendet dieses Modell auf ihre eigenen Datensätze oder Inhalte an. Ein klares Verständnis der Bandbreite der potenziellen Ergebnisse unter Verwendung leichter zu beurteilender Metriken wie sichtbarer Qualität, Zeitaufwand für die Bereitstellung von Assets oder sogar Faktoren wie Bandbreitennutzung hilft, wertvolle Anwendungsfälle zu qualifizieren und Enttäuschungen zu vermeiden. Bei der Bewertung einer KI-Lösung für Ihre Organisation müssen eine Reihe von Faktoren berücksichtigt werden. Um diesen Punkt zu verdeutlichen, finden Sie unten ein Beispiel für ein Bewertungsmodell zur Beurteilung, ob KI in einem Encoding-Workflow eingesetzt werden soll. Dieses Bewertungsmodell betrachtet fünf Schlüsselfaktoren:
- Kosten und Einsparungen: In die Encoding integrierte KI spart Distributionsbandbreite, ist aber mit den Kosten für zusätzliche Rechenressourcen und potenziellen Softwarelizenzgebühren verbunden. Ein gutes Bewertungsmodell berücksichtigt nicht nur die Einsparungen bei den Kosten für die Distributionsbandbreite, sondern auch die zusätzlichen Kosten für die Infrastruktur, um die erhöhte Rechenlast zu bewältigen. Ein Benchmark der Kosten für einen bestehenden Prozess, der auf einigen einfachen Metriken wie „Zeitaufwand“ oder „verarbeitetes Asset“ basiert, um ihn mit einem KI-Workflow zu vergleichen, kann bei TCO-Berechnungen helfen. Aber denken Sie immer daran: KI-Prozesse durchlaufen sowohl Modell- als auch Workflow-Verbesserungen, die in der Regel durch nachfolgende Versionen inkrementelle Vorteile bieten, daher ist TCO eine sich entwickelnde Berechnung.
- Leistungseinwirkung: Zusätzliche KI-basierte Verarbeitung kann Latenz in den Encoding-Workflow einführen. Wenn die KI-Lösung mehrere Sekunden Latenz für einen Livestream einführt, kann sich die Auswirkung auf die Zuschauererfahrung erheblich auf das Geschäft auswirken. In einigen Fällen kann die KI-Lösung auch Auswirkungen auf der Client-Seite haben, die möglicherweise nicht akzeptabel sind. Ein gutes Bewertungsmodell berücksichtigt alle Auswirkungen auf den Endbenutzer bei der Implementierung der Lösung und verfügt über eine klare Schwelle für eine akzeptable Leistung.
- Betriebliche Auswirkungen: Alle Auswirkungen auf den täglichen Betrieb sollten gut verstanden werden. Ist eine zusätzliche Überwachung erforderlich, um eine nachhaltige Leistung der Bandbreiteneinsparungen und/oder der Bildqualität zu gewährleisten? Müssen Mitarbeiter neu geschult werden, um neue Leistungsmetriken, Konfigurationen und Einstellungen zu verstehen? Gibt es Nachhaltigkeitsaspekte, die im Hinblick auf die ESG-Initiativen der Organisation aufgrund des erhöhten Stromverbrauchs bewertet werden müssen?
- Systemintegration und Risiko: Gibt es andere Systeme im Video-Encoding- und Distributions-Workflow, die ebenfalls Automatisierung und/oder KI verwenden? Sind die End-to-End-Systemrisiken gut verstanden, um geschäftsbeeinträchtigende Ereignisse zu mindern? Könnte es zu potenziellen Kaskadeneffekten eines fehlerhaften Systems kommen, das in ein anderes KI-gestütztes System einspeist, und sind die aktuellen Sicherheitsvorkehrungen und Redundanz ausreichend? Das Ausführen von Workflows zunächst in Test- und Entwicklungsumgebungen sowie das Simulieren von Fehlern ist eine gute Möglichkeit, um zu verstehen, wie Sicherheitsvorkehrungen und Redundanz vor der Produktionsbereitstellung funktionieren.
- Ethik und Datenschutz: Ethische und Datenschutzüberlegungen sollten immer Teil jedes Bewertungsmodells sein. Kann das System den Inhalt in irgendeiner Weise verändern? Besteht die Möglichkeit, dass das KI-gestützte System Kundendaten berührt? Beispielsweise könnte es KI-gestützte Encoding-Systeme geben, die über eingebaute Mechanismen für die automatische Sprachsynchronisation oder die Erkennung und Ersetzung von Marken im Bild für Monetarisierungszwecke verfügen. Die Sicherstellung angemessener Kontrollen und Berechtigungen zum Schutz der Rechte von Inhaltsbesitzern/Erstellern ist entscheidend.