Page 17 - BP_201812

增强的内容发现
目前A I最明显的应用围绕自动化元数据提取或内容“检
索”。获取内容，应用一个导出基于时间的元数据（此元数据
然后被记录于一个资产管理系统中）的算法显著提高内容可发
现性。例如，一个语音转文字算法使文字中每个单词与内容内
的标记对齐，因此可以确定被说的某一单词或句子的位置。
还可以检索内容，查找确定某一演讲者正在说话的位置
的声音签名。现在你有允许细粒度搜索的两层基于时间的元数
据。你可以不断增加层或支持更详细搜索的“阶层”。例如，
你可能随时想搜索某一公众人物在某一时间内说某些词。AI算
法非常先进，它们不只能够人脸识别，还能够推断任何特定时
间每个人的情绪。在你应用更多的AI算法到内容库时，你增加
更多的基于时间的元数据阶层，实现日益复杂的搜索，同时自
动化人类难以完成且靠人工极其昂贵的时间密集的任务。
也许更有价值的是在有价值内容被归档很久以后发现它
的能力。我们往往预先不知道什么内容会很重要。A I能够帮
助发现隐藏在内容库内视线触及不到的位置的有价值资产。有
了足够的元数据阶层，你能够尝试找到你甚至可能不知道有的
内容。
同声搜索经常与语音转文字相混淆，但它们的工作方式不
一样，同声搜索大有前途。基于时间的检索算法能够把文字转
换为带你到一个内容内特定位置的音素。最终结果是你能够前
所未有地在内容库上进行关键字搜索。根据语音特征寻找片段/
内容的能力效果相当理想，现在已经出现在上市的产品中。
自动化质量控制
另一个AI使用实例是自动化质量控制。AI驱动的QC解决
方案能够一键式挖掘片段库，分析各种质量参数。例如，它能
够显示一个针对法国观众的节目母版是否确实有法语音轨，因
此要知道一个节目至始至终都是正确版本，不需要有人一轨一
轨地看完整个节目，从而极大地节省了时间和资源。
AI还能够用于确保隐含字幕的准确性。如果没有AI，就必
须人工检查字幕。有时在节目母版中字幕是错误的或者与音频
不同步。AI质量控制不仅能够确定有字幕，而且能够确定它们
是否正确。一些QC解决方案甚至能够进行所需的定时校正。
一个在全国主要OTT媒体服务提供商的应用场景清晰显示
这种类型的Q C如何实施。他们的品牌优势之一是质量，因此
该公司将全部内容通过很多自动化Q C服务检查（如音频电平
和视觉清晰度检查），确定是否符合各种标准以确保有最高质
量标准。
一个新的媒体供应链
除了实现更好的搜索和质量控制能力，AI还被用于运营商
业智能。在前数字时代，媒体供应链极其断裂，流程的全部步
骤都被物理介质（如磁带）分离。当前的工作流程要完整统一
得多，拥有巨大的工作效率潜力。
但清楚此流程是关键。为优化你的效率，你必须跟踪人
们在做什么以及他们如何以通知媒体供应链的运作视图的方式
去做。凭借这种商业智能，你能够看到你的流水线正停滞的地
方。堵塞点在哪里？缺乏摄取能力吗？或者如果编辑间内的时
间30%被渲染占用，那么是时候分流编辑到一个渲染集群了。
通过一个综合的A I增强媒体制作平台，可以测量全部工
作情况。有多少人在使用此系统？有多少人正工作在某一项目
上？技术瓶颈等在哪里？大部分情况下，不可以收集和分析这
种类型的数据——到目前为止，媒体工作流程多半为黑盒。但
随着传媒机构寻求少花钱多办事，给日常运作注入更高透明度
对达到运营指标非常关键。AI可以提供深入商业智能去优化制
作工作流程。
观众分析
拥有对你的观众及他们的观看习惯的智能和分析对了解业
务决定显然是一种优势。除了供应链中的制作级，AI也许在优
化内容分配，提供对用别的方式不可能收集的消费方式的洞察
力方面有更大的潜力。
你可以看到对新闻媒体和广播的潜力。随着新闻已成为
24/7网络和社交媒体现象，新闻机构和记者必须知道热门话
题是什么和什么新闻正在突发。在更广的世界背景之下理解事
件可以影响新闻报道的分配和优先次序。当前，专业的基于云
的服务提供商用算法梳理网络及综合热门话题，随着事态发展
跟踪可能和来自不同信息源的新闻主题有关的信息。这些数据
可动态更新，并以如指示表视图等形式提供给记者使用。通过
分析下游使用模式通知创作过程，A I提供极其强大的应用可
能性。
向前发展
AI普及的主要挑战不是开发算法，而是如何最好使用和集
成它们。随着我们增加越来越多的AI功能，我们如何利用它们
拥有的能力，从而产生实实在在的商业利益？鉴于不断增加的
数据量我们如何使用户体验精妙简约？随着技术发展，这些问
题将会得到解决。
简而言之，A I是创新时机已经成熟的一个领域。由于公
司评估如何最好地产品化AI以便对用户和提供商都具有商业意
义，商业模式尚未成熟。最终，我们离说故事的技艺越近，它
成为一种人类努力就越多。AI为一种协助说故事的工具；并没
有取代它。B&P
WWW.IMASCHINA.COM
17