人工智能（AI）及機器學習（ML）一起開始在全球各行各業掀起波瀾，融入到人們的生活每一處。但是這些技術並不是新技術。 Marvin Minsky和Douglas Lenat等名人在20世紀60年代和70年代開創了先河，人類一直在尋求以硅和算法為基礎的合成智能。
不過，只是在最近幾年，該技術才進入一種狀態，可以更輕鬆地應用於已數字化的業務流程。在許多情況下，AI和ML的應用可以提高業務效率，節省成本甚至減少人員。但是，這種技術對流視頻有什麼作用？
流媒體視頻的採用和擴散面臨著一些嚴峻的挑戰，最明顯的是規模和質量。隨著越來越多的人觀看，對高清甚至4K的期望，對交付基礎架構的壓力越來越大（最終導致故障）並且消耗了更多的帶寬，所有這些都共同破壞了最終用戶的體驗。但是，如果視頻發行商可以部署諸如AI之類的計算機智能，它可以自動做出決定以改善交付質量，從而改善體驗，那該怎麼辦？
考慮流服務器和客戶端播放器正在生成多少數據。可以將這些數據自動輸入AI系統，AI可以使用結果來改進傳輸，例如在出現擁塞時通過重新路由到不同的CDN。但這並不能真正解決問題。
仍然有一些用戶在進行切換時體驗到較差的視頻質量。如果同一系統可以在故障發生之前主動進行切換怎麼辦？這就是AI的真正力量-無需輸入即可做出操作決策。當然，隨著時間的流逝，這樣的系統自然會變得更加智能。
但是視頻交付並不是AI可能受益的唯一途徑。以編碼為例。編碼供應商正在嘗試完善考慮場景本身性質的視頻壓縮（即上下文感知）。通過這樣做，可以減少編碼時間（因為並非所有場景都需要相同的壓縮級別），同時仍然可以減小完成視頻的整體大小，從而在不犧牲質量的情況下為最終用戶節省了帶寬。這些情境感知編碼器由智能系統提供支持，這些智能系統有時甚至可以重寫編碼配置文件以優化壓縮，而無需任何人工幹預。
AI也可以通過其他方式用於改善視頻體驗。個性化和推薦怎麼樣？內容發現如何？在這兩種情況下，智能系統都可以瞭解用戶的觀看行為，以至於真正瞭解用戶喜歡觀看的內容，而不僅僅是基於過去的數據。
相反，當與諸如面部識別的技術相結合（例如，使用筆記本電腦上的前置攝像頭）時，系統可以學會理解用戶的情緒狀態，並且與其他數據（如一天中的時間，天氣，日曆活動等），可能會建議用戶最有可能喜歡觀看的跨平臺視頻。結合視頻中的交互性，這可能會導致跨電子商務平臺（如亞馬遜）的非常個性化的推薦。
未來的視頻體驗不只是“向後傾斜”。它將融合社會和商業，它將由數據驅動。
TSINGSEE青犀視頻專注於計算機視覺、模式識別領域的開發與研究，深耕音視頻流媒體領域，圍繞AI、5G、大數據、雲計算、邊緣計算、物聯網、視頻分析等技術，可為用戶提供基於視頻流媒體技術的平臺及行業方案。
隨著發行商部署AI系統（當然是在網絡邊緣以減少延遲），該系統隨著時間的推移變得越來越智能，傳統電視和流媒體之間的差距將會越來越大，二者的視頻體驗將不再相同，傳統電視將被淘汰。
轉載請超鏈接註明：頭條資訊 » 人工智能AI改變流媒體視頻格局，傳統電視將被淘汰
免責聲明
：非本網註明原創的信息，皆為程序自動獲取互聯網，目的在於傳遞更多信息，並不代表本網贊同其觀點和對其真實性負責；如此頁面有侵犯到您的權益，請給站長發送郵件，並提供相關證明(版權證明、身份證正反面、侵權鏈接)，站長將在收到郵件24小時內刪除。