Storicamente, le organizzazioni che resistono alle tecnologie disruptive affrontano un percorso difficile. Mentre gli early adopter hanno il vantaggio di costruire competenze fondamentali, i late adopter spesso si affannano per recuperare il ritardo, rischiando la loro posizione di mercato. L'intelligenza artificiale (IA) è particolarmente disruptive perché è un abilitatore ampio, che influenza tutto, dallo sviluppo del software a come funzionerà la società in futuro. L'industria dei media e dell'intrattenimento, con la sua crescente domanda di contenuti personalizzati di alta qualità e le pressioni sui costi in continua crescita, è un early adopter dell'IA generativa e ora sta beneficiando dell'innovazione guidata dall'IA generale in tutti gli ambiti di distribuzione e operativi.
Per le aziende mediatiche, la domanda è passata da se integrare l'IA a come farlo in modo efficace. Coloro che navigano con successo questa transizione semplificheranno le operazioni e sbloccheranno nuove opportunità di innovazione e crescita.
Con la maturazione dell'IA, segue un ciclo di adozione della tecnologia ben noto, passando dall'innovazione di prodotti e soluzioni alla disruption a livello di settore. I pionieri nel settore dei media e dell'intrattenimento hanno già iniziato a integrare l'IA e il machine learning (ML) nei loro flussi di lavoro.
Gli esempi di come la tecnologia viene utilizzata per migliorare l'efficienza, la personalizzazione e la creatività sono in crescita. Il motore di raccomandazione basato sull'IA di Netflix, ad esempio, personalizza le esperienze degli utenti per aumentare il coinvolgimento. Inoltre, Netflix sfrutta l'IA per creare anteprime accattivanti per i propri contenuti, identificando quale combinazione di punti salienti ha maggiori probabilità di creare coinvolgimento degli spettatori. L'AI DJ di Spotify crea playlist personalizzate, combinando dati e creatività. Spotify utilizza anche l'IA per dare al suo DJ "sintetico" una voce umana, con la capacità di cambiare tono, accento e genere per creare una maggiore risonanza con i suoi abbonati. La piattaforma Azure di Microsoft offre strumenti di moderazione dei contenuti basati sull'IA e Video Indexer di Azure utilizza l'IA per analizzare i contenuti e arricchire i metadati associati. Freewheel ha sviluppato tecnologie di inserimento e targeting degli annunci basate sull'IA, per aumentare l'efficienza della monetizzazione degli annunci.
Questi sono solo alcuni esempi di come l'IA sta rivoluzionando silenziosamente il settore e i casi d'uso continueranno a crescere. Per le aziende mediatiche che affrontano questa ondata di offerte di IA, la vera sfida non è se l'IA può aiutare, ma come scegliere gli strumenti e le strategie giusti per le loro esigenze.
Il primo passo per integrare l'IA nei flussi di lavoro dei media è comprendere la prontezza dell'organizzazione ad adottare un caso d'uso dell'IA. Le soluzioni di IA con implicazioni ampie, che toccano più funzioni aziendali e fonti di dati, richiederanno modelli di valutazione complessi per garantire che tutti gli aspetti del business siano considerati. Molto più facili da digerire sono le soluzioni di IA che hanno un ambito più ristretto, ad esempio il miglioramento delle prestazioni del codificatore, che richiedono modelli di valutazione più semplici per determinare se sono adatti alle esigenze dell'organizzazione.
Il secondo passo per determinare un buon caso d'uso è definire un risultato desiderato che sia misurabile attraverso chiari KPI operativi. In genere, questo è chiaramente legato all'aumento dell'efficienza (riduzione dei costi), al miglioramento dell'esperienza del cliente (riduzione del churn e aumento del coinvolgimento) o alla generazione di entrate aggiuntive.
Il terzo passo è valutare la solidità delle soluzioni disponibili e determinare la soglia di prestazioni che definirebbe un risultato positivo per un determinato caso d'uso. Nella maggior parte dei casi, l'organizzazione non sta costruendo e addestrando i propri modelli di IA, ma sta sfruttando modelli di IA di terze parti tramite API ed esercitando quel modello sul proprio set di dati o contenuti. Avere una chiara comprensione della gamma di possibili risultati utilizzando metriche più facili da valutare, come la qualità visibile, il tempo necessario per fornire gli asset o anche fattori come l'utilizzo della larghezza di banda, aiuterà a qualificare i casi d'uso validi e ad evitare delusioni. Esistono una serie di fattori che devono essere considerati quando si valuta una soluzione di IA per la propria organizzazione. Per illustrare il punto, di seguito è riportato un esempio di modello di valutazione per valutare se utilizzare o meno l'IA in un flusso di lavoro di codifica. Questo modello di valutazione esamina cinque fattori chiave:
- Costo e Risparmi: L'IA incorporata nella codifica consentirà di risparmiare larghezza di banda di distribuzione, ma comporterà il costo di risorse di calcolo aggiuntive e potenziali costi di licenza del software. Un buon modello di valutazione considererà non solo i risparmi sul costo della larghezza di banda di distribuzione, ma anche il costo aggiuntivo dell'infrastruttura per gestire il carico computazionale aumentato. Avere un benchmark dei costi per un processo esistente basato su alcune semplici metriche come "tempo impiegato" o "asset elaborato" per confrontare con un flusso di lavoro di IA può aiutare con i calcoli del TCO. Ma ricorda sempre: i processi di IA attraversano sia il modello che i miglioramenti del flusso di lavoro che tendono a fornire benefici incrementali attraverso versioni successive, quindi il TCO è un calcolo in evoluzione.
- Impatto sulle prestazioni: L'elaborazione aggiuntiva basata sull'IA può introdurre latenza nel flusso di lavoro di codifica. Se la soluzione di IA introduce diversi secondi di latenza per uno streaming live, l'impatto sull'esperienza degli spettatori può influenzare materialmente il business. In alcuni casi, la soluzione di IA può avere anche impatti sul lato client, che potrebbero non essere accettabili. Un buon modello di valutazione considererà tutti gli impatti sugli utenti finali nell'implementazione della soluzione e avrà una chiara soglia per prestazioni accettabili.
- Impatto operativo: Qualsiasi impatto sulle operazioni quotidiane dovrebbe essere ben compreso. È necessario un monitoraggio aggiuntivo per garantire prestazioni sostenute di risparmio di larghezza di banda e/o qualità dell'immagine? Il personale deve essere riqualificato per comprendere nuove metriche di prestazioni, configurazioni e impostazioni? Esistono implicazioni di sostenibilità che devono essere valutate rispetto alle iniziative ESG dell'organizzazione a causa dell'aumento del consumo energetico?
- Integrazione e rischio del sistema: Esistono altri sistemi nel flusso di lavoro di codifica e distribuzione video che utilizzano anche l'automazione e/o l'IA? I rischi del sistema end-to-end sono ben compresi per mitigare eventuali eventi che hanno un impatto sul business? Potrebbero esserci potenziali effetti a cascata di un sistema malfunzionante che alimenta un altro sistema abilitato all'IA e le attuali protezioni e ridondanze sono sufficienti? Eseguire i flussi di lavoro inizialmente in ambienti di test e sviluppo e simulare guasti è un ottimo modo per capire come le protezioni e la ridondanza si comportano prima della distribuzione in produzione.
- Etica e privacy: Le considerazioni etiche e sulla privacy dovrebbero sempre far parte di ogni modello di valutazione. Il sistema può modificare il contenuto in alcun modo? Esiste la possibilità che il sistema basato sull'IA possa toccare i dati dei clienti? Ad esempio, potrebbero esserci sistemi di codifica abilitati all'IA che hanno meccanismi integrati per il doppiaggio automatico del linguaggio o il rilevamento e la sostituzione del marchio in frame per scopi di monetizzazione. Garantire controlli e autorizzazioni appropriati per preservare i diritti del proprietario/creatore del contenuto è fondamentale.