Как данные стимулируют инновации в медиа
Развитие технологий, управляемых данными, и искусственного интеллекта радикально меняет индустрию медиа и вещания.
Девонкрофт представил некоторые исходные данные по тенденциям инвестиций в технологии вещания, где ИИ и машинное обучение занимают седьмое место в списке наиболее важных тенденций.
В этой статье мы рассмотрим некоторые проблемы и решения, показывающие, как наука о данных и искусственный интеллект внедряют инновации в медиа-сектор.
Анализ потребителей на основе данных
Анализ потребителей может проводиться по-разному: агрегирование данных из социальных сетей, отслеживание сайтов с помощью файлов cookie, отслеживание транзакций на сайтах электронной коммерции.
Новый путь в анализе клиентов лежит через алгоритмы обнаружения эмоций, которые становятся все лучше и лучше, и некоторые компании используют их для измерения реакции клиентов на новые продукты. Развивающейся областью являются камеры обнаружения эмоций, которые с помощью машинного обучения анализируют изображения. обнаружение эмоций.
Тематическое исследование — Дисней
Disney Research разработала нейронную сеть, которая была обучена наблюдать за аудиторией театралов, когда они смотрят фильм. Он может отслеживать реакции, такие как улыбка и смех, на сотнях лиц в темном кинотеатре, позволяя Disney количественно оценить, работает ли фильм так, как задумано, в масштабе детализации. Исследователи Disney протестировали систему на 150 показах нескольких фильмов, таких как Книга джунглей и Звездные войны: Пробуждение силы в кинотеатрах. Эмоциональные камеры также создают более точную картину реакции аудитории.
Технология на основе искусственного интеллекта создает надежные данные в режиме реального времени, позволяя Disney лучше понять, что вызывает (желаемые) эмоции.
Рекомендательные системы
Рекомендательная (или рекомендательная) система — это система фильтрации информации, которая пытается предсказать рейтинг или предпочтение, которое пользователь отдал бы элементу. За последние годы рекомендательные механизмы стали повсеместными. Такие компании, как Amazon или Netflix, используют рекомендательные системы, чтобы помочь пользователям находить новые релевантные продукты или видео, улучшая взаимодействие с пользователем и увеличивая доход. В последние годы системы музыкальных рекомендаций пережили бум благодаря успеху потоковых онлайн-сервисов.
Практический пример — Пандора
Создатели Pandora разработали особую систему рекомендаций, основанную на строгой классификации музыкальных произведений. Каждый раз, когда выходит новая песня, кто-то из сотрудников Pandora — специально обученный музыкант или музыковед — просматривает список из более чем 450 возможных атрибутов и присваивает песне числовой рейтинг для каждого из них. Это то, что они называют «Музыкальный геномный проект».
Учитывая вектор одной или нескольких песен, список других похожих песен строится с использованием того, что компания называет своим «алгоритмом сопоставления».
Прогноз телевизионного рейтинга
Рейтинговые прогнозы сложны: они требуют постоянного притока подробных, подробных и надежных данных, а также способности адаптировать и включать новые данные для учета последних изменений в поведении пользователей. Зрители все чаще потребляют медиа на разных устройствах и по разным каналам. Их просмотр также все чаще смещается во времени, чтобы им было удобно работать в соответствии с их собственным графиком. Эти изменения усложняют прогнозирование. Более сложно, но и более важно для развивающейся телевизионной экосистемы.
Практический пример — Нильсен
Нильсен нашел стратегию для инноваций и улучшения практики прогнозирования рейтингов.
При просмотре подробных результатов для каждой сети некоторые признаки показывают, что модель машинного обучения, созданная Nielsen, и прогнозы сети могут быть объединены, чтобы дополнять друг друга. Модель, состоящая из 90% проекции ML и 10% проекции сети, превзошла каждую модель по отдельности за два протестированных квартала.
Человеческий фактор всегда будет играть ключевую роль в интерпретации, поэтому мы могли бы также включить этот человеческий фактор в процесс моделирования. Медиа-ландшафт быстро меняется, и те, кто сможет объединить алгоритмы и интуицию, будут в наилучшем положении, чтобы предвидеть грядущие тенденции и извлечь выгоду из открывающихся возможностей.
То, как мы работаем, меняется! В цифровом мире мы объединяемся, чтобы найти глобальные решения для трансформации. С помощью Mathesia вы можете способствовать изменениям и сотрудничать, чтобы открывать новые возможности и предлагать инновационные решения, чтобы сделать мир лучше.
Есть блестящие умы, которые могут помочь вам внедрять инновации и развиваться, предоставляя технические решения. С Mathesia у вас есть онлайн-платформа для развития вашей организации с помощью инноваций, основанных на данных. Получите доступ к сети Mathesia, состоящей из ведущих мировых экспертов в области науки о данных и математики, чтобы наладить партнерские отношения со специалистами по решениям, основанным на данных, которые могут помочь вам создать ценность для ваших клиентов и заинтересованных сторон.
Первоначально опубликовано на https://mathesia.com 25 июня 2019 г.
