Искусственный интеллект и машинное обучение - горячие темы, о которых в последнее время говорят. Здесь я пытаюсь изучить практические приложения и инструменты, которые медиа-компании могут использовать для улучшения следующих областей:

1. Бизнес-аналитика

2. Управление контентом

3. Создание контента

4. Анализ настроений

5. Монетизация

  1. Бизнес-аналитика. Прогнозная и предписывающая аналитика - это новые возможности для использования ваших данных в целях бизнес-аналитики. Прогнозная аналитика - это обученное программное обеспечение, которое прогнозирует будущую тенденцию ваших ключевых показателей эффективности на основе исторических данных. Аналитика предписаний - это алгоритм, который, исходя из предсказанной выше тенденции, предлагает действия, которые необходимо предпринять для оптимизации ожидаемых результатов. Вы можете думать о моделях прогнозирования в основном как о регрессии (например, прогнозирование посещаемости веб-сайта в следующем месяце), моделях классификации или кластеризации (например, кластеризацию аудитории в отдельные цели).
  2. Управление контентом. Ряд инструментов уже позволяет помечать контент и архивы, а также управлять ими. Теги метаданных уже влияют на то, как пользователи ищут и обнаруживают контент, благодаря текстовым тегам. Новые алгоритмы машинного обучения теперь могут научиться автоматически распознавать, классифицировать и организовывать визуальный контент: обнаружение лиц, идентификация логотипа / метки, оптическое распознавание символов (OCR), идентификация ориентиров - вот некоторые примеры автоматического управления контентом - в основном, путем применения математических и обученных алгоритмов. , Программное обеспечение ML извлекает информацию и значения из изображений и видео.
  3. Создание контента. Перевод существующего контента для глобального распространения или автоматические субтитры к существующему видео для использования в социальных сетях - это своего рода мягкие способы, с помощью которых технологии могут помочь в создании или обогащении контента. Медиа-компании ищут инструменты, которые создают совершенно новый контент с нуля: это то, чего мы не можем полностью достичь сегодня, поскольку компонент человеческого взаимодействия все еще необходим, тем не менее мы видим некоторые интересные улучшения в полуавтоматизации процессов создания контента, особенно в платформы для создания видео. Вот несколько примеров (не стесняйтесь добавлять в комментарии): https://www.wochit.com/, https://lumen5.com/, https://www.littleseavideo.com/.
  4. Анализ настроений. Речь идет в основном о поиске информации из пользовательского контента (пользовательского контента). Новые интеллектуальные методы анализа текста - часть так называемой обработки естественного языка (NLP), обрабатывающие текст и речь для индивидуальных целей. Если вы хотите обнаружить и запретить откровенный контент или понять, что пользователи думают о вашем контенте, это может быть полезным инструментом для реализации в рамках редакционных процессов. Что и говорить, чем больше объем данных (UGC) обрабатывает алгоритм, тем точнее будет анализ.
  5. Монетизация. На арене рекламных технологий полно стартапов и крупных игроков, которые вводят новшества в средства, позволяющие издателям монетизировать рекламный инвентарь. Инновационные форматы рекламы (например, контекстная реклама в изображении), технологии рекомендаций по контенту, комплексные инструменты монетизации - каждое решение постепенно внедряло растущий компонент ИИ в базовые технологии с целью персонализации рекламы и контента, просматриваемого пользователями, и оптимизации доходов. доходность для издателей. Это обширный вопрос, который я бы предпочел обсудить отдельно.

Внедрение инструментов / приложений AI и ML в основном зависит от подхода сделай или купи. Нанимайте и развивайте внутренние ресурсы, например специалистов по обработке данных, инженеров по обработке данных, разработчиков, для создания ›публикации› развертывания моделей AI / ML в виде веб-сервисов с нуля и предоставления их вашим внутренним командам.

В противном случае попробуйте найти лучшее готовое к использованию решение - имейте в виду, что при аутсорсинге часто потребуется некоторая настройка.

Облачные решения, предоставляемые Google Cloud, Microsoft Azure и другими PaaS (платформа как услуга), могут быть промежуточным звеном между подходами чистой разработки и чистой покупки: они предлагают предварительно обученный API и модели, которые выполняют наиболее часто используемые AI / Задачи машинного обучения, почти все из них, изображенные выше.

Я обновлю эту историю, как только мне в голову придут новые идеи, пожалуйста, хлопайте в ладоши, если она вам пригодилась.