Az elmúlt években egyetlen más téma sem uralta az ipari beszélgetéseket, mint például az MI elterjedése. De mit is jelent pontosan, amikor MI-ról beszélünk? Hogyan tudnak bekapcsolódni az MI-alapú megoldások a médiába a robotújságíráson és az adatelemzésen túl és miért érdemes minél előbb alkalmazni őket?

A mély tanulás erőssége a különböző adattípusok mintáinak és struktúráinak megragadásában, valamint az adatok címkézésében és gazdagításában rejlik. A mesterséges intelligencia az emberi kognitív képességek gépes szimulációjának általános kifejezése. A machine learning avagy a gépi tanulás matematikai módszerek sorozatát írja le, amelyek a megtanult példákból származó adatok bizonyos mintáit azonosíthatják. A deep learning pedig, azaz a mélytanulás a gépi tanulás részhalmaza, amely autonóm módon tanul és tár fel mintázatokat egy nagy adathalmazban, amit az emberi munkaerőnek sokkal több időbe és erőfeszítésbe kerülne megtennie.

MÉLYTANULÁS A MÉDIÁBAN

A mélytanulás lehetővé teszi olyan mennyiségű adat feldolgozását, amelyet nem célszerű manuálisan feldolgozni. A mély tanulás erőssége a különböző adattípusok mintáinak és struktúráinak rögzítésében, valamint az adatok címkézésében és gazdagításában rejlik. Az aktuális tények és adatok napi áramlásával a médiaszektor ideális a mélytanulás alkalmazásához.

Bár sok médiaszakértő szkeptikus az MI-vel kapcsolatban, a legutóbbi tanulmányok szerint az MI által generált hírek, például a forgalm információk vagy az időjárásjelentések területén kézenfekvő az alkalmazásuk. Megfelelő stratégia nélkül azonban a nagyobb automatizálás gyorsan rémálommá válhat.

MI a médiaellátási láncban

Hogyan integrálhatjuk meglévő rendszereinket a gyorsan növekvő MI szolgáltatók körébe, előre képzett modellekkel, keretekkel és szolgáltatásokkal történő használatra kész környezetekkel? Ennek eldöntéséhez először is meg kell vizsgálnunk, hol alkalmazhatjuk őket. Az egész médiaellátási láncban vannak lehetőségek rá, de nem mindegy, hogy melyik szolgáltatáshoz melyik illik. Néhány példa erre:

• Fogyasztás - Automatikus minőségellenőrzés, megfelelés, a deepfake tartalmak (azaz a mesterséges intelligencia segítségével létrehozott hamis tartalmak) felismerése, szerzői jogi felügyelet

• Termelés - címkézés, entitásfelismerés, témacsoportosítás, automatikus szerkesztés-vágás, automatikus kiemelések, robotújságírás

• Tervezés - Automatikus programtervezés, licencelési vagy marketingminták alapján

• Marketing - Értékelés előrejelzése, vásárlási minták utánzása

• Terjesztés - automatizált lejátszás vagy csomagolás

JÓ STRATÉGIA

A mély tanulás segít abban, hogy betekintést nyerjünk a médiaobjektumokba olyan szinten, amely automatizálás nélkül nem volt praktikus, és segít abban a jövőképünkben, hogy "mindent tudni akarjunk minden képkockáról".

A rendelkezésre álló szolgáltatások sokaságának támogatása, valamint a tartalmat és az üzleti intelligenciát egyaránt elkülönítő adatok és szervezeti silók áthidalása érdekében megvalósíthatunk egy „mesterséges intelligencia-specifikus” réteget, amely kezeli az összes kommunikációt, de hozzáadott értéket is nyújt a következők révén:

• Normalizálás - az eredmények egységes formátumba öntése

• Multimédiás elemzés - videó, állóképek, hang, szöveg

• Multicloud - sok különböző szolgáltatótól érkező adatok összefogása

• Képzés - Különösen a számítógépes látás területén

• Tudásgrafikon - Kontextuális adatmodelleket készíthet különböző forrásokból és ami még ennél is több, azok valósidejű frissítésére is lehetőséget ad

A szolgáltatások sokfélesége miatt lehetőség nyílik arra, hogy minden felhasználó azt válassza ki magának, ami igényeinek legjobban megfelel. Ha a vállalat kellő körültekintéssel tervezi meg az MI stratégiáját és pontosan képes megjelölni azokat a területeket, amelyek esetében a leghatékonyabb lehet a technológia, akkor jelentős költségeket takaríthat meg ezzel, miközben a szolgáltatás minősége is nő.

EGYSÉGES RENDSZER

Az egységes metaadatok alkalmazásának további előnyei vannak. A különböző szolgáltatások által elemzett felismerési koncepciók egyesíthetők, összehasonlíthatók és felcserélhetők. Kombinálhatjuk a szolgáltatásokat is, például egy műveletből beszéd-szöveg átirat küldhető el a Természetes Nyelv Feldolgozása révén egy „Cascade” műveletben.

A szabványosított metaadatkészlet és a verziókövetés lehetővé teszi az egyedi eredmények reprodukálását, és meghatározhatjuk azt is, hogy az adatok honnan származnak, és mennyire megbízhatóak.

A mélytanulást alkalmazó szervezeteknek ki kell képezniük az algoritmusokat az igényeiknek megfelelő adatokkal, és folyamatosan tovább kell tréningelniük azokat, ahogyan ezek az igények fejlődnek – ez különösen fontos olyan dinamikus környezetekben, mint például a hírek, ahol a témák / emberek / érdeklődési tárgyak folyamatosan változnak. A tréninghez létrehozott címkézett adatbázis létrehozása történhet úgy is, hogy azt a munkavállalók végzik, de mivel ez nem túl kreatív feladat, ezért az erre irányuló erőfeszítéseket minimalizálni kell, ami szintén megvalósulhat mesterséges intelligencia felhasználásával is. Mivel a képzési adatok médiaobjektumok.

HOGYAN ALKALMAZHATÓ A TERMELÉSBEN?

A mesterséges intelligencia alkalmazásához sokszínű csapatra van szükség - az ötlettől kezdve a prototípuson keresztül történő validálásig, a gyártásba kerülésig sokféle szerepet igényel a kezelése, többek között:

• Üzleti elemzőt – az adott projekt vagy terület szakértője

• Adatmérnököt – elegendő mennyiségű és minőségű adatforrás biztosítása a feladata

• Adattudóst – elvégzi a megvalósítást és ellenőrzést

A 80/20-as szabály itt is alkalmazandó: A gyakorlati tapasztalatok azt mutatják, hogy a munka nagy részét rendszerint az adattervezés teszi ki, míg a megvalósításra kevesebb idő és erőforrás is elég. A szerepkörök meghatározása esetén javasolt a következő szabványosított eljárásra támaszkodni:

1. MI útiterv – a releváns use case-ek azonosítsa és fontossági sorrendbe állítsa

2. MI Lab – az ötlet és a prototípus kidolgozása

3. MI Factory - a termelési környezetbe teljesen integrált operatív MI szolgáltatás fejlesztése

4. MI működtetés - stabil és állandó működés és folyamatos fejlesztés

A gyakorlati alkalmazás tekintetében a lehetőségek szinte határtalanok, ma már rengeteg érdekes példát ismerünk a média különböző területeiről. Ilyenek például az interaktív divatfelismerés, a kéziratok automatikus kivonatolása, az infrastruktúra rendellenességeinek felderítése, adatújságírás (pl. „Bűnügyi térképen keresztül”), hogy csak néhányat említsünk. Nyilvánvaló, hogy a jövőben az MI egyszerűen része lesz minden informatikai eszközkészletnek.