ИИ везде. Проникая в нашу жизнь в течение дня. От мобильных устройств, которые мы постоянно нажимаем и прокручиваем, до более тонких применений, таких как «агент по обслуживанию клиентов», с которым вы можете общаться в чате на своем любимом веб-сайте. Нет недостатка в отраслях, в которых ИИ оказывает потенциальное влияние за счет повышения эффективности, уменьшения количества ошибок и даже повышения креативности за счет высвобождения времени людей. Фактически, количество объявлений о вакансиях с «ИИ» или «машинным обучением» увеличилось на 100% с 2015 по 2018 год, согласно данным Indeed[1]. А навыки ИИ и машинного обучения доминировали в самых быстрорастущих профессиях 2018 года.
Но хотя ИИ уже изменил многие сферы нашей жизни, включая рабочее место, в настоящее время ему все еще нужно человеческое прикосновение, чтобы быть полезным. Например, в социальных сетях ИИ не всегда может легко определить тон или намерение взаимодействия между людьми, и иногда разговор между друзьями может быть помечен и удален. И хотя Facebook, Twitter и другие компании борются с этой проблемой и предпринимают шаги по улучшению контроля за издевательствами, разжиганием ненависти, насилием и т. д., у программного обеспечения еще есть пути, по которым он терпит неудачу по крайней мере в одном случае из пяти[2]. ].
Прибытие в «Интеллект»
Полезно понимать тонкие различия между искусственным интеллектом, машинным обучением и глубоким обучением, а также их применение в потоковом видео. Аналогия набора матрешек, или матрешек, является хорошим визуальным представлением того, как они соотносятся друг с другом. В этом сценарии искусственный интеллект был бы самой большой куклой в наборе. Вслед за машинным обучением. Наконец, глубокое обучение как самая маленькая кукла внутри. (Рис. 1) В этом случае все машинное обучение — это ИИ, но не все ИИ — это машинное обучение.
Искусственный интеллект
ИИ по своей сути имитирует когнитивные функции человека для достижения цели, которую можно явно определить или вызвать. Чаще всего для этого используются алгоритмы, набор инструкций, которые компьютер может выполнять для эффективного достижения своей цели. Более простые алгоритмы могут быть объединены в стек, а более сложные могут даже написать более простые алгоритмы для выполнения самих себя. Искусственный интеллект стал неотъемлемым компонентом разработки фильмов; прогнозирование кассовых сборов в выходные дни, долгосрочных валовых доходов от продаж и создание профилей таргетинга для маркетинговых и творческих усилий.
Машинное обучение
Машинное обучение является подмножеством ИИ. Он описывает, как компьютеры могут учиться на данных, чтобы делать прогнозы. Поскольку процессом обучения управляют данные, а не люди, модели машинного обучения могут изменяться и адаптироваться без вмешательства человека в компьютерный код. Модели машинного обучения могут иметь множество применений, например рекомендовать шоу, которое может понравиться пользователю, классифицировать, является ли изображение кошкой или нет, обнаруживать мошеннические транзакции с кредитными картами или анализировать речь.
Глубокое обучение
Погружение в глубокое обучение, подмножество машинного обучения. Архитектура глубокого обучения содержит несколько уровней, каждый из которых изучает закономерности в данных. Модели можно обучать с помощью «обратного распространения», то есть распознавая, когда модель допустила ошибку, и исправляя ее. Наиболее типичным примером алгоритма глубокого обучения является нейронная сеть с множеством скрытых слоев. Из-за огромных объемов данных и требуемой вычислительной мощности популярность глубокого обучения возросла с появлением облачных вычислений[3]. Примером применения глубокого обучения является обработка изображений. Это может быть невероятно полезно для автоматической очистки изображений или отснятого материала без вмешательства человека.
Может ли ИИ революционизировать видео?
Поскольку технология искусственного интеллекта продолжает совершенствоваться, способна ли она революционизировать потоковое видео? По словам Adobe[4], это действительно так, «способствуя более интеллектуальному производству, доставке и взаимодействию, а также лучшему опыту как для корпоративных брендов, так и для их клиентов».
Пусть машины делают работу
Персонализация, производство и анализ данных — вот некоторые области, в которых видеобизнес может использовать возможности ИИ в масштабе. Но проблема, которую мы видим, заключается в том, что большая часть ИИ в пространстве потокового видео — это решение, которое ищет проблему. Это интересно, иногда информативно, но редко полезно для видеобизнеса. Во многом это результат «черного ящика» машинного обучения. Введите данные, пусть модели определят, что важно, и ответ выдаст другая сторона.
Защитите свои инвестиции
Инвестиции в продукт на основе ИИ, такой как Индекс счастья клиентов (CHI®), например, требуют ощутимой рентабельности инвестиций, чтобы убедиться, что время, усилия и деньги, потраченные на его внедрение, действительно стоят того. Ниже приведены рекомендации по трем соображениям, которые помогут вам принять более обоснованное решение и достичь своих целей по анализу данных, получению информации и принятию мер.
- Определить
Определите действия, которые вы хотите предпринять в результате завершения анализа модели машинного обучения. По мере того, как модель проходит через набор данных, определяя, какие элементы оказывают наибольшее влияние на то, как она сортирует данные, знаете ли вы, что вы будете делать с ними, как только они у вас появятся? Если не применяется действенность, данные — это просто данные. Важно то, что вы с ним делаете. В случае OTT-видеобизнеса это означает выполнение действий по сохранению видеоподписчиков, которые, согласно модели машинного обучения, рискуют потерять свою подписку. Это может быть добровольным или непроизвольным. Правильно обученная модель определит, какие элементы являются наиболее важными, и ранжирует их соответствующим образом. - Интерпретировать
Учитывайте интерпретируемость модели при выборе алгоритмов машинного обучения. Не имея возможности понять, почему ваша модель пометила пользователя как подверженного риску оттока, вы не сможете легко осуществить целенаправленное вмешательство. Модели, которые легко интерпретировать, такие как деревья решений или логистическая регрессия, могут работать не так хорошо, как модели черного ящика, такие как нейронные сети и деревья с градиентным усилением. Если требуется повышение точности за счет более сложных моделей, вы можете применить «механизм интерпретируемости» в конце конвейера машинного обучения. В Wicket Labs мы «переводим» выходные данные наших моделей черного ящика, используя более интерпретируемые модели машинного обучения. Они оценивают влияние поведения клиента на риск оттока на индивидуальном уровне. Мы преобразуем эти данные в основные коды причин, такие как «недавняя активность просмотра», чтобы объяснить, почему модель приняла такое решение. Кроме того, мы определяем, какое поведение лучше всего подходит для снижения риска оттока пользователей. Это упрощает выполнение действий на основе данных для удержания клиентов. - Корреляция
Пропустите ИИ, если достаточно корреляции. Машинное обучение по своей сути дорого. Найм подходящих специалистов по данным и разработчиков для написания алгоритмов, обработки данных, вычисления и интерпретации результатов. У людей есть развитая неокортекс, которая позволяет массово параллельно распознавать образы, и это то, что в некоторых случаях все еще дает нам преимущество перед машинами. Есть много случаев, когда корреляционный анализ может привести вас к уверенным действиям или решениям без затрат времени и средств на применение ИИ.
Команда Wicket Labs считает, что CHI отвечает этим требованиям. В дополнение к выявлению самых довольных клиентов в службе подписки есть Действия по сохранению, которые необходимо предпринять для каждого сегмента клиентов, подверженного риску, на основе понятных кодов причин. Отток подписчиков — это сложная проблема для видеосервисов, где мы обнаружили более 60 взаимосвязанных факторов, или особенностей на языке машинного обучения, которые имеют причинно-следственные связи с клиентом, покидающим видеосервис по подписке. Иногда намеренно, иногда нет. CHI был разработан для выявления пользователей, которые соответствуют этим шаблонам, и, хотя он очень сложный, он имеет очевидную отдачу, поскольку снижает отток клиентов и увеличивает ключевой показатель состояния бизнеса, основанного на подписке, пожизненную ценность аудитории.
Сноски
