Лидеры науки о данных взвешивают
Недавно я взял интервью у некоторых из ведущих лидеров науки о данных из Comcast / Freewheel, Condé Nast, ViacomCBS, Audoir, USA Today Network и Samba TV о самых больших тенденциях, проблемах и возможностях, которые они видят для машинного обучения и искусственного интеллекта в СМИ, рекламе и т. Д. развлечения - и то, что может быть в будущем. Давайте нырнем!
Каковы наиболее важные тенденции, которые, по вашему мнению, будут приняты в индустрии развлечений и медиа?
Кристофер Уайтли, старший директор по прикладной аналитике Comcast / FreeWheel, делится: «В ближайшие месяцы и годы мы увидим несколько областей, которые будут приняты отраслями M&E, в том числе более контекстная реклама, где реклама творческие ресурсы алгоритмически сопоставляются с соответствующим содержанием программы. Федеративное обучение - это также новая тенденция, которая относится к моделированию с использованием машинного обучения без совместного использования наборов данных. Конфиденциальность важна, поэтому я ожидаю, что мы увидим дальнейшее использование агрегированных клиентских сегментов и чистых помещений для маркетинга и аналитики. Кроме того, похожие модели помогут рекламодателям привлечь потенциальных клиентов и оптимизировать кампании для достижения максимального эффекта ».
«Маркетологи стремятся улучшить таргетинг, эффективность и автоматизацию, - продолжает Кристофер. - Это будет реализовано в кроссплатформенном адресном решении, с унифицированным планированием, темпами и исполнением рекламных кампаний по всем медиа-каналам, включая линейные адресные».
«Все медиа-компании начали осознавать силу данных и те чудеса, которые они могут творить, поскольку они начали двигаться в направлении развития своего потокового бизнеса. Итак, если вы любите работать в сфере развлечений, то это прекрасное время для того, чтобы войти в эту сферу, поскольку все они расширяют свои команды по анализу данных за счет новых талантов », - говорит Джей Качхадиа, специалист по данным в ViacomCBS.
По словам Вишала Джунджи, ведущего специалиста по данным в Condé Nast, «все большее и большее применение машинного обучения не только в основных случаях использования контент-маркетинга, рекомендаций, но и в качестве вспомогательного средства в создании контента, поиска новых сред для потребления контента, которые улучшают пользователя. помолвка. А также такие решения, как федеративное машинное обучение, которые более совместимы с точки зрения конфиденциальности пользователей ».
Что станет наибольшей проблемой для тех, у кого уже есть специальные группы по анализу данных?
Сбор данных высококачественных наборов данных и обработка данных сложных наборов данных - задача, на которую рассчитывает Уэйн Ченг, инженер по машинному обучению в Audoir; в то время как Кристофер Уайтли предвидит, что «ключевым моментом будет определение того, как организовать проекты для содействия инновациям, а затем добиться их внедрения. Команды должны найти баланс между спецификой проекта и возможностью удовлетворить широкий круг потребностей ».
Бонни Магнусон-Скилс, главный специалист по обработке данных в Samba TV, считает, что «важно продолжать обновлять наши методы, поскольку законы о конфиденциальности меняются, а данные для сбора становятся все меньше или меньше других. На Samba TV мы всегда уделяли первоочередное внимание конфиденциальности и вводили меры защиты конфиденциальности, опережая нормативные требования, поэтому мы уже занимаем сильные позиции в отношении собираемых нами данных ».
Для Йи Канга, директора по науке о данных в Gannett, USA Today Network, все сводится к объяснимости. «Не для каждой модели это необходимо, но из-за отсутствия объяснимости им будет сложнее получить признание, а в некоторых отраслях будет возникать конфликт с регулирующими органами».
Вишал Джунджа видит проблему в согласовании бизнес-команд и целей, и «поддержка со стороны руководства в виде четкой дорожной карты стратегии обработки данных будет определять успех или неудачу инициатив в области науки о данных в организации».
Что бы вы хотели знать о средствах массовой информации, индустрии развлечений и рекламы до того, как присоединитесь к нам?
Уэйн Ченг отмечает, что разрыв между исследованиями и отраслью огромен, и лишь несколько организаций пытаются преодолеть этот разрыв, в то время как Кристофер Уайтли считает, что отрасль может быть более сложной, чем кажется на первый взгляд, и легко потеряться в траве. «По этой причине я думаю, что очень важно понять общую картину, прежде чем углубляться в детали. Средства массовой информации очень широки, поэтому я советую потратить время на общение с людьми, которые выполняют разные функции в разных сферах индустрии (телевидение, фильмы, рекламные технологии и т. Д.), Прежде чем выбирать свое увлечение ». Кристофер делится.
Вишал Джунджа отмечает, что реклама не является точной наукой, и есть несколько тупиков в поведении пользователей из-за технических ограничений и проблем с конфиденциальностью пользователей. «Возможно, лучший способ взглянуть на это как на проблему науки о данных, где мы должны сделать все возможное и найти наиболее подходящие решения».
Какие изменения вы ожидаете увидеть в отрасли в следующие 5 лет?
Уэйн Ченг ожидает внедрения технологии искусственного интеллекта в качестве инструмента для создания контента, где Йи Кан отмечает: «Говоря о цифровой рекламе, это будет способ предоставить потребителям релевантный рекламный опыт в мире после файлов cookie. ”
Джей Качхадиа считает, что в ближайшие 5 лет медиа-компании будут больше заниматься созданием мощных групп по обработке и анализу данных, которые могут делать все: от построения моделей машинного обучения до конвейеров данных / машинного обучения до создания продуктов данных для различных внутренних заинтересованных сторон, открывающих больше возможностей для данных. Ученые, инженеры машинного обучения и инженеры по обработке данных должны быть частью одной команды.
« Думаю, в ближайшие 5 лет многое изменится! Я ожидаю, что потребители захотят иметь возможность предоставлять мгновенную обратную связь создателям и получать мгновенные интерактивные рекомендации, основанные на том, что им нравится смотреть », - говорит Кристофер Уайтли. «В мире телевидения будет гораздо больше данных для телевизионной рекламы, и ИИ будет играть более важную роль, позволяя большему количеству людей стать творцами и делая эксперименты с рекламой более эффективными».
Вишал Джунджа считает, что повышенное внимание к конфиденциальности пользователей и развивающийся ландшафт машинного обучения, способный работать с новыми ограничениями и медленно развиваться, чтобы оптимизировать обе цели, связанные с проблемами конфиденциальности, и рекомендовать потребителям полезные продукты посредством персонализации за счет использования высококачественных первичных данных. изменение на горизонте.
Что могло бы облегчить вашу работу в качестве специалиста по данным в этой области?
Уэйн Ченг верит в наличие высококачественных наборов данных и более легкий доступ к аппаратным ускорителям машинного обучения, в то время как Кристофер Уайтли говорит: «Нам нужны более эффективные способы не отставать от академических исследований в этой области, а также глубоко понимать важные новые результаты - пока мы делаем сама работа. И нам нужны более эффективные способы управления и упрощения усложняющейся отрасли, включая более быстрые инструменты запросов и моделирования, а также автоматические проверки качества данных и инструменты, которые помогают объяснять метаданные в сложных наборах данных ».
Бонни Магнусон-Скилс хотела бы получить более подробные демографические данные в Бюро переписи населения США. Она отмечает, что, как правило, чем более детализированы данные, тем больше у них возможностей. Вишал Джунджа делится, что специалист по анализу данных всегда желает большей поддержки со стороны Data Engineering.
Это был отрывок из идей, который наши спикеры обсудят на нашей предстоящей конференции DSS Virtual: СМИ, реклама и развлечения на следующей неделе. Некоторые из затронутых тем - персонализация и монетизация контента, персонализация в масштабе с помощью ИИ, облачная автоматизация и машинное обучение, таргетинг и сегментация аудитории (по платформам), данные и ИИ для новых платформ, управление данными и многое другое.
