Добро пожаловать в третью часть нашей серии публикаций, посвященных 10 лучшим вариантам использования, способствующим инновациям в Центре машинного обучения IBM, где мы вместе с клиентами работаем вместе с клиентами, чтобы заглянуть в будущее машинного обучения.

Цель этой серии - выйти за рамки обычного набора сценариев использования машинного обучения, которые приходят на ум при рассмотрении конкретного сектора. В Части 1 исследуются новые варианты использования в сфере государственного управления, которые способствуют улучшению работы региональных и муниципальных агентств. Во второй части было рассмотрено влияние ML на психическое здоровье, здоровье в целом и снижение количества повторных госпитализаций.

В части 3 мы рассмотрим нечто более легкое: мир средств массовой информации и развлечений. Нашей первой ассоциацией с машинным обучением в СМИ и развлечениях могут быть механизмы рекомендаций, которые предлагают персонализированные предложения для книг и фильмов, но клиенты IBM обращаются к машинному обучению за помощью во всем, от отслеживания авторских прав до оптимизации хранилищ данных и предоставления любителям тенниса возможности отслеживать и анализировать турнир. статистика в реальном времени.

1. Помощь артистам в выплате долга

В условиях бурного роста цифровой дистрибуции авторы, композиторы и другие художники изо всех сил пытаются получить вознаграждение за создаваемый ими творческий труд. Чем популярнее песня, рассказ или фильм, тем больше вероятность, что они будут пиратскими и распространены без мысли о компенсации создателям их артистов. Для независимых художников даже небольшое увеличение гонораров может означать разницу между оплатой счетов за то, что они любят, или отказом от работы своей жизни, чтобы зарабатывать на жизнь другими способами.

Рассмотрим европейскую некоммерческую организацию, основной миссией которой является сбор лицензионных платежей для авторов песен, композиторов и музыкальных издателей. Коллективно принадлежащий 150 000 членов, он представляет более 100 миллионов произведений по всему миру. В 2016 году организация отслеживала около 982 миллиардов транзакций загрузки и потоковой передачи, невероятный объем данных, которые, как они знали, содержали уникальные идентификаторы в метаданных, которые организация могла использовать для получения компенсации от таких компаний, как Apple, YouTube, Spotify и Facebook.

В сотрудничестве с IBM организация разработала платформу когнитивного отслеживания авторских прав, которая рассматривает не только метаданные, но даже глубже в самом творческом контенте, используя обработку естественного языка (NLP) и распознавание образов для выявления еще большей доли потребляемого контента. Ожидается, что это приведет к 15-процентному увеличению гонораров для ее участников, а также поможет им понять тенденции в отношении того, как, когда, где и кем потребляется их работа.

2. Машинное обучение и интеллектуальное хранилище СМИ

Перейдем от создателей развлекательного контента к дистрибьюторам. Медиагиганты, делающие контент доступным в цифровом формате, постоянно сталкиваются с проблемой обновления своих хранилищ данных шоу, фильмами, песнями и играми, которые требуются их пользователям. Сохранение конкурентоспособности означает быстрое создание и доступность нужного контента.

Но скорости и мощности недостаточно. Клиент IBM в Америке должен был пойти дальше и в реальном времени проводить анализ того, какой контент был востребован. С помощью IBM сгенерированная ими аналитика может указать не только на то, что произошло и почему, но и на шаг вперед и предложить предсказание о том, какой новый контент понравится пользователям - по истории, по географии, по времени суток и т. Д. . Это позволяет им заранее распределять ресурсы хранения и потоковой передачи, чтобы обеспечить удобство работы каждого пользователя.

3. Преимущество машинного обучения

Для настоящих фанатов нет ничего лучше, чем приблизиться к игре, а для многих любителей тенниса это означает возможность изучать и опрашивать необработанную статистику очков, эйсов, ошибок, скорости подачи, позиции игрока и т. Д. Но одно дело - сделать это после матча, когда детали будут медленно собраны и собраны воедино. Это совсем другое дело - иметь возможность погрузиться в эти данные в режиме реального времени, поскольку ракетки все еще колеблются.

Именно это и произошло на премьере турнира Большого шлема, когда IBM объединилась с одной из крупнейших теннисных организаций в мире - организацией, имеющей более 17 географических подразделений, 750 000 участников и 7 000 организационных членов. Используя комбинацию прогнозной аналитики, облачных, мобильных и социальных технологий, команда смогла интегрировать данные матчей в реальном времени с историческими данными об игроках, матчах и турнирах. Результаты привели к созданию набора настраиваемых табло и интерактивных дисплеев, полностью доступных для репортеров на сайте и болельщиков в Интернете.

При чем тут машинное обучение? На основе анализа программа может определить три ключевые стратегии, которые могут повлиять на подсчет очков и динамику любого конкретного матча. А по ходу матча репортеры и болельщики могли отслеживать прогресс каждого игрока в сравнении с прогнозами в режиме реального времени.

Это развлечение

Все мы знаем, что современные средства массовой информации и развлечения становятся все более цифровыми и движимыми данными. Для тех, кому поручено сделать аудиторию счастливой и заинтересованной, ничто не заменит анализ и прогнозы, которые стали возможными благодаря алгоритмам машинного обучения, настроенным так, чтобы предвосхищать их желания.

Но не менее важно то, что происходит за кулисами. Именно здесь IBM помогает вознаграждать создателей контента, поощряя фанатов к участию в качестве самих авторов, превращая необработанные статистические данные в новые формы интерактивных развлечений. В разных вариантах использования IBM видит, что ее клиенты в сфере СМИ и развлечений используют машинное обучение не только для улучшения пользовательского опыта, но и для обеспечения справедливости, развития независимости и разжигания энтузиазма. Это невероятная работа, но это только начало возможностей машинного обучения.