Pour les entreprises de médias, la question a évolué de savoir s'il faut intégrer l'IA à la manière de le faire efficacement. Ceux qui réussissent cette transition rationaliseront leurs opérations et débloqueront de nouvelles opportunités d'innovation et de croissance.
À mesure que l'IA mûrit, elle suit un cycle d'adoption technologique bien connu, passant de l'innovation produit et solution à la perturbation à l'échelle de l'industrie. Les pionniers de l'industrie des médias et du divertissement ont déjà commencé à intégrer l'IA et l'apprentissage automatique (ML) dans leurs flux de travail.
Les exemples de l'utilisation de la technologie pour améliorer l'efficacité, la personnalisation et la créativité se multiplient. Le moteur de recommandation basé sur l'IA de Netflix, par exemple, personnalise les expériences utilisateur pour stimuler l'engagement. De plus, Netflix exploite l'IA pour créer des aperçus convaincants pour son contenu, en identifiant quelle combinaison de points forts est la plus susceptible de créer l'engagement des téléspectateurs. Le DJ IA de Spotify crée des listes de lecture personnalisées, mêlant données et créativité. Spotify utilise également l'IA pour donner à son DJ « synthétique » une voix humaine, avec la possibilité de changer de ton, d'accent et de sexe pour créer une plus grande résonance auprès de ses abonnés. La plateforme Azure de Microsoft propose des outils de modération de contenu basés sur l'IA, et Video Indexer d'Azure utilise l'IA pour analyser le contenu et enrichir les métadonnées associées. Freewheel a développé des technologies d'insertion et de ciblage publicitaire basées sur l'IA, afin d'accroître l'efficacité de la monétisation publicitaire.
Ce ne sont là que quelques exemples de la manière dont l'IA révolutionne silencieusement l'industrie, et les cas d'utilisation ne feront que croître. Pour les entreprises de médias confrontées à cette vague d'offres d'IA, le véritable défi n'est pas de savoir si l'IA peut aider, mais de choisir les bons outils et les bonnes stratégies pour leurs besoins.
La première étape de l'intégration de l'IA dans les flux de travail des médias consiste à comprendre la capacité de l'organisation à adopter un cas d'utilisation de l'IA. Les solutions d'IA ayant des implications larges, touchant plusieurs fonctions organisationnelles et sources de données, nécessiteront des modèles d'évaluation complexes pour s'assurer que tous les aspects de l'entreprise sont pris en compte. Les solutions d'IA plus étroites, qui améliorent par exemple les performances de l'encodeur, sont beaucoup plus faciles à digérer et nécessitent des modèles d'évaluation plus simples pour déterminer si elles correspondent aux besoins de l'organisation.
La deuxième étape pour déterminer un bon cas d'utilisation consiste à définir un résultat souhaité qui est mesurable par des KPI opérationnels clairs. Généralement, cela est clairement lié à l'augmentation de l'efficacité (réduction des coûts), à l'amélioration de l'expérience client (réduction du désabonnement et augmentation de l'engagement) ou à la génération de revenus supplémentaires.
La troisième étape consiste à évaluer la robustesse des solutions disponibles et à déterminer le seuil de performance qui définirait un résultat réussi pour un cas d'utilisation donné. Dans la plupart des cas, l'organisation ne crée pas et n'entraîne pas ses propres modèles d'IA, mais exploite des modèles d'IA tiers via des API et exerce ce modèle sur ses propres données ou son propre contenu. Avoir une compréhension claire de la gamme des résultats potentiels en utilisant des mesures plus faciles à évaluer telles que la qualité visible, le temps nécessaire pour livrer des actifs, ou même des facteurs comme l'utilisation de la bande passante, aidera à qualifier les cas d'utilisation précieux et à éviter les déceptions. Plusieurs facteurs doivent être pris en compte lors de l'évaluation d'une solution d'IA pour votre organisation. Pour illustrer ce point, voici un exemple de modèle d'évaluation pour déterminer s'il faut ou non exploiter l'IA dans un flux de travail d'encodage. Ce modèle d'évaluation examine cinq facteurs clés :
- Coût et économies : l'IA intégrée à l'encodage permettra d'économiser de la bande passante de distribution, mais entraînera des coûts supplémentaires en ressources informatiques et en coûts potentiels de licence logicielle. Un bon modèle d'évaluation tiendra compte non seulement des économies de coûts de bande passante de distribution, mais aussi du coût supplémentaire de l'infrastructure pour gérer la charge de calcul accrue. Avoir une référence des coûts pour un processus existant basé sur quelques mesures simples telles que « temps nécessaire » ou « actif traité » pour comparer à un flux de travail d'IA peut aider avec les calculs du TCO. Mais souvenez-vous toujours : les processus d'IA passent à la fois par des améliorations du modèle et du flux de travail qui ont tendance à fournir des avantages incrémentiels par le biais de versions ultérieures, de sorte que le TCO est un calcul évolutif.
- Impact sur les performances : le traitement supplémentaire basé sur l'IA peut introduire une latence dans le flux de travail d'encodage. Si la solution d'IA introduit plusieurs secondes de latence pour un flux en direct, l'impact sur l'expérience du spectateur peut avoir un impact matériel sur l'entreprise. Dans certains cas, la solution d'IA peut également avoir un impact du côté client, ce qui peut ne pas être acceptable. Un bon modèle d'évaluation tiendra compte de tous les impacts sur l'utilisateur final lors de la mise en œuvre de la solution et aura un seuil clair pour des performances acceptables.
- Impact opérationnel : Tout impact sur les opérations quotidiennes doit être bien compris. Une surveillance supplémentaire est-elle nécessaire pour garantir des performances durables des économies de bande passante et/ou de la qualité de l'image ? Le personnel doit-il être recyclé pour comprendre les nouvelles mesures de performance, les configurations et les paramètres ? Y a-t-il des implications en matière de durabilité qui doivent être évaluées par rapport aux initiatives ESG de l'organisation en raison d'une consommation d'énergie accrue ?
- Intégration et risque du système : Y a-t-il d'autres systèmes dans le flux de travail d'encodage et de distribution vidéo qui utilisent également l'automatisation et/ou l'IA ? Les risques du système de bout en bout sont-ils bien compris pour atténuer tout événement ayant un impact sur l'entreprise ? Y aurait-il des effets en cascade potentiels d'un système défaillant alimentant un autre système activé par l'IA, et les protections et redondances actuelles sont-elles suffisantes ? L'exécution de flux de travail initialement dans des environnements de test et de développement ainsi que la simulation de pannes est un excellent moyen de comprendre comment les protections et la redondance se comportent avant le déploiement en production.
- Éthique et confidentialité : Les considérations éthiques et de confidentialité doivent toujours faire partie de chaque modèle d'évaluation. Le système peut-il modifier le contenu de quelque manière que ce soit ? Y a-t-il une possibilité que le système alimenté par l'IA puisse toucher les données des clients ? Par exemple, il pourrait y avoir des systèmes d'encodage activés par l'IA qui ont des mécanismes intégrés pour le doublage automatique de la langue ou la détection et le remplacement de la marque dans l'image à des fins de monétisation. Il est essentiel de garantir des contrôles et des autorisations appropriés pour préserver les droits du propriétaire/créateur du contenu.
Une fois qu'un cas d'utilisation est sélectionné, développez des modes d'introduction progressifs dans l'organisation. Limitez la mise en œuvre initiale afin que les implications pour l'organisation soient bien comprises, ainsi que le potentiel d'atteindre les résultats souhaités.
Des entreprises de médias comme la BBC ont adopté avec succès cette approche, en pilotant plusieurs initiatives basées sur l'IA dans des contextes internes limités. Par exemple, les fonctionnalités de personnalisation du contenu ont été lancées dans des environnements contrôlés avant d'être déployées auprès d'un public plus large. La BBC s'assure également que toutes les initiatives sont régies par des principes fondamentaux, qui informent leurs propres modèles d'évaluation internes.
Il est également utile d'envisager des scénarios où le système peut très bien fonctionner en tant que pilote mais rencontrer des problèmes importants à l'échelle. Définissez les problèmes potentiels qui peuvent affecter la mise à l'échelle de vos solutions activées par l'IA dans le cadre du modèle d'évaluation et déterminez si des mécanismes de restauration peuvent être nécessaires.
L'IA n'est pas qu'un outil : elle devient rapidement un impératif stratégique pour l'industrie des médias et du divertissement. En adoptant une approche méthodique : en commençant par des cas d'utilisation clairement définis, soutenus par des cadres d'évaluation robustes et en menant des pilotes rigoureusement testés dans des environnements contrôlés : les entreprises de médias peuvent exploiter l'IA pour stimuler à la fois l'efficacité et l'innovation.
Des premiers adoptants, il est clair que l'IA n'est pas une solution universelle. Les entreprises qui excellent dans l'exploitation de l'IA sont celles qui ont une profonde compréhension des flux de travail des médias, des applications techniques et des points faibles de l'industrie. Ces pionniers sont les mieux placés pour utiliser efficacement l'IA, en adaptant ses capacités à leurs besoins spécifiques.
Un autre point clé à retenir est le faible coût de l'expérimentation. En exécutant des pilotes en parallèle ou dans des environnements hors production, les entreprises peuvent explorer le potentiel de l'IA sans perturber les opérations en cours. Essentiellement, ce processus d'essais et d'erreurs permet non seulement d'affiner les implémentations de l'IA, mais aussi de développer une alphabétisation interne critique en matière d'IA qui permettra de générer de la valeur à long terme.
Ne vous y trompez pas : l'IA transforme déjà l'industrie. Un sondage Gartner de 2023 auprès de plus de 1 400 dirigeants a révélé que 45 % d'entre eux pilotaient des solutions d'IA générative et que 10 % les avaient déjà déployées en production. Il s'agit d'une forte augmentation par rapport à seulement 15 % en phase de pilotage et 4 % en production l'année précédente, ce qui souligne l'urgence avec laquelle les entreprises adoptent l'IA pour rester compétitives. Alors que le paysage numérique évolue rapidement, ceux qui agissent maintenant pour explorer les possibilités de l'IA, tout en développant les compétences et les stratégies fondamentales, seront les mieux placés pour débloquer de nouvelles opportunités de croissance et approfondir l'engagement du public. L'IA n'est pas seulement l'avenir : c'est la clé pour garder une longueur d'avance dans un monde en constante évolution.