Как успешно интегрировать ИИ в медиа-рабочие процессы

Исторически сложилось, что организации, которые сопротивляются разрушительным технологиям, сталкиваются с трудным путем. В то время как ранние пользователи имеют преимущество в построении фундаментальных навыков, поздние пользователи часто спешат наверстать упущенное, рискуя своим рыночным положением. Искусственный интеллект (ИИ) является особенно разрушительным, потому что он является широким катализатором, влияющим на все, от разработки программного обеспечения до того, как общество будет функционировать в будущем. Медиа- и развлекательная индустрия с ее постоянно растущим спросом на высококачественный персонализированный контент и бесконечным давлением на затраты является ранним пользователем генеративного ИИ и в настоящее время извлекает выгоду из общих инноваций, управляемых ИИ, во всех сферах распространения и эксплуатации.

Для медиакомпаний вопрос перешел от того, интегрировать ли ИИ, к тому, как сделать это эффективно. Те, кто успешно преодолеет этот переход, оптимизируют операции и откроют новые возможности для инноваций и роста.

По мере того как ИИ развивается, он следует известному циклу внедрения технологий, переходя от инноваций в области продуктов и решений к разрушению во всей отрасли. Пионеры в медиа- и развлекательной индустрии уже начали интегрировать ИИ и машинное обучение (МО) в свои рабочие процессы.

Примеры того, как технология используется для повышения эффективности, персонализации и креативности, растут. Например, рекомендательная система Netflix, управляемая ИИ, персонализирует пользовательский опыт, чтобы повысить вовлеченность. Кроме того, Netflix использует ИИ для создания привлекательных анонсов своего контента, определяя, какая комбинация основных моментов с наибольшей вероятностью вызовет интерес у зрителей. Spotify AI DJ создает персонализированные плейлисты, сочетая данные с креативностью. Spotify также использует ИИ, чтобы дать своему «синтетическому» диджею человеческий голос, с возможностью изменять тон, акцент и пол, чтобы создать больший резонанс среди своих подписчиков. Платформа Microsoft Azure предлагает инструменты модерации контента на основе ИИ, а Azure Video Indexer использует ИИ для анализа контента и обогащения соответствующих метаданных. Freewheel разработала технологии размещения и таргетинга рекламы с использованием ИИ, чтобы повысить эффективность монетизации рекламы.

Это лишь несколько примеров того, как ИИ тихо революционизирует отрасль, и варианты использования будут только расти. Для медиакомпаний, сталкивающихся с этой волной предложений ИИ, реальная проблема заключается не в том, может ли ИИ помочь, а в том, как выбрать правильные инструменты и стратегии для своих потребностей.

Первый шаг в интеграции ИИ в медиа-рабочие процессы - это понимание готовности организации к внедрению варианта использования ИИ. ИИ-решения с широкими последствиями, затрагивающие несколько организационных функций и источников данных, потребуют сложных моделей оценки, чтобы гарантировать, что все аспекты бизнеса будут учтены. Гораздо проще усвоить ИИ-решения, которые имеют более узкую область применения - например, улучшение производительности кодировщика - требующие более простых моделей оценки, чтобы определить, подходят ли они для потребностей организации.

Второй шаг в определении хорошего варианта использования - это определение желаемого результата, который можно измерить с помощью четких операционных KPI. Как правило, это четко связано с повышением эффективности (снижение затрат), улучшением обслуживания клиентов (снижение оттока и повышение вовлеченности) или получением дополнительной прибыли.

Третий шаг - это оценка надежности доступных решений и определение порогового значения производительности, которое определило бы успешный результат для данного варианта использования. В большинстве случаев организация не создает и не обучает собственные ИИ-модели, а использует сторонние ИИ-модели через API и применяет эту модель к своим собственным данным или контенту. Четкое понимание диапазона возможных результатов с использованием более простых для оценки метрик, таких как видимое качество, время, затраченное на доставку активов, или даже таких факторов, как использование пропускной способности, поможет квалифицировать ценные варианты использования и поможет избежать разочарования. Существует ряд факторов, которые необходимо учитывать при оценке решения ИИ для вашей организации. Чтобы проиллюстрировать этот момент, ниже приведена примерная модель оценки для определения целесообразности использования ИИ в рабочем процессе кодирования. Эта модель оценки рассматривает пять ключевых факторов:

• Стоимость и экономия: ИИ, интегрированный в кодирование, позволит сэкономить пропускную способность распространения, но потребует дополнительных вычислительных ресурсов и потенциальных затрат на лицензирование программного обеспечения. Хорошая модель оценки будет учитывать не только экономию на стоимости пропускной способности распространения, но и дополнительные затраты на инфраструктуру для управления возросшей вычислительной нагрузкой. Наличие эталона затрат на существующий процесс, основанного на нескольких простых метриках, таких как «затраченное время» или «обработанный актив», для сравнения с рабочим процессом ИИ может помочь в расчетах общей стоимости владения. Но всегда помните: процессы ИИ проходят как модели, так и улучшения рабочего процесса, которые, как правило, обеспечивают постепенные преимущества в последующих версиях, поэтому общая стоимость владения является развивающимся расчетом.
• Влияние на производительность: Дополнительная обработка на основе ИИ может привести к появлению задержек в рабочем процессе кодирования. Если решение ИИ вводит задержку в несколько секунд для потоковой передачи в реальном времени, влияние на пользовательский опыт может существенно повлиять на бизнес. В некоторых случаях решение ИИ также может иметь последствия для клиента, которые могут быть неприемлемы. Хорошая модель оценки будет учитывать все последствия для конечного пользователя при внедрении решения и иметь четкий порог приемлемой производительности.
• Влияние на работу: Любое влияние на повседневную работу должно быть хорошо понято. Требуется ли дополнительный мониторинг, чтобы обеспечить устойчивую производительность экономии пропускной способности и/или качества изображения? Нужно ли переобучать персонал, чтобы он понимал новые показатели производительности, конфигурации и настройки? Существуют ли экологические последствия, которые необходимо оценить по сравнению с инициативами организации в области ESG из-за увеличения потребления энергии?
• Интеграция системы и риск: Существуют ли другие системы в рабочем процессе кодирования и распространения видео, которые также используют автоматизацию и/или ИИ? Хорошо ли понятны риски системы «от конца до конца», чтобы смягчить любые события, влияющие на бизнес? Могут ли быть потенциальные каскадные эффекты неисправной системы, питающей другую систему с поддержкой ИИ, и являются ли существующие предохранительные устройства и резервные системы достаточными? Запуск рабочих процессов сначала в тестовых и опытных средах, а также моделирование отказов - это отличный способ понять, как работают предохранительные устройства и резервные системы до развертывания в производстве.
• Этика и конфиденциальность: Этические и вопросы конфиденциальности всегда должны быть частью каждой модели оценки. Может ли система каким-либо образом изменять контент? Существует ли вероятность того, что система с поддержкой ИИ может затронуть данные клиентов? Например, могут быть системы кодирования с поддержкой ИИ, которые имеют встроенные механизмы для автоматического дубляжа языка или обнаружения и замены брендов в кадре для целей монетизации. Обеспечение надлежащего контроля и разрешений для сохранения прав владельца/создателя контента имеет решающее значение.

После того, как вариант использования выбран, разработайте постепенные способы его внедрения в организацию. Ограничьте первоначальное внедрение, чтобы последствия для организации были хорошо поняты, а также потенциал достижения желаемых результатов.

Медиакомпании, такие как BBC, успешно внедрили этот подход, проведя несколько инициатив с использованием ИИ в ограниченных внутренних условиях. Например, функции персонализации контента были запущены в контролируемых условиях, прежде чем развертывать их для более широкой аудитории. BBC также гарантирует, что все инициативы регулируются основными принципами, которые лежат в основе их собственных внутренних моделей оценки.

Также полезно рассмотреть сценарии, в которых система может очень хорошо работать как пилот, но столкнуться с серьезными проблемами в масштабе. Определите потенциальные проблемы, которые могут повлиять на масштабирование ваших решений с поддержкой ИИ, как часть модели оценки, и подумайте, могут ли потребоваться механизмы отката.

ИИ - это не просто инструмент, он быстро становится стратегическим императивом для медиа- и развлекательной индустрии. Внедряя методический подход - начиная с четко определенных вариантов использования, поддерживаемых надежными моделями оценки, и проводя тщательно протестированные пилотные проекты в контролируемых средах - медиакомпании могут использовать ИИ для повышения как эффективности, так и инноваций.

Из ранних пользователей ясно, что ИИ - это не универсальное решение. Компании, которые преуспевают в использовании ИИ, - это те, которые глубоко понимают медиа-рабочие процессы, технические приложения и проблемы отрасли. Эти пионеры лучше всего оснащены для эффективного использования ИИ, адаптируя его возможности к своим конкретным потребностям.

Еще один ключевой вывод - это низкая стоимость экспериментирования. Запуская пилотные проекты параллельно или в непроизводственных средах, компании могут изучить потенциал ИИ, не нарушая текущие операции. Что важно, этот процесс проб и ошибок не только оптимизирует внедрение ИИ, но и развивает критическую внутреннюю грамотность в области ИИ, которая будет приносить долгосрочную ценность.

Не стоит сомневаться - ИИ уже преобразует отрасль. Опрос Gartner 2023 года более чем 1400 руководителей показал, что 45% компаний проводят пилотные проекты решений с использованием генеративного ИИ, а 10% уже развернули их в производстве. Это резкий рост по сравнению с 15% пилотных проектов и 4% в производстве в прошлом году, что подчеркивает срочность, с которой компании внедряют ИИ, чтобы оставаться конкурентоспособными. По мере того как цифровой ландшафт быстро развивается, те, кто уже сейчас предпринимает шаги по изучению возможностей ИИ, одновременно развивая фундаментальные навыки и стратегии, будут лучше всего подготовлены к открытию новых возможностей роста и углублению вовлеченности аудитории. ИИ - это не просто будущее, это ключ к тому, чтобы оставаться впереди в быстро меняющемся мире.