KI in der Medien- und Unterhaltungsindustrie

Im Rahmen des Data Science Salons wurden verschiedene Praktiker im Bereich KI befragt. Hier ihre Antworten:

Welche Trends sehen Sie beim maschinellen Lernen und bei der künstlichen Intelligenz in Medien und Unterhaltung?
Im Bereich Medien und Unterhaltung gibt es bereits viele Anwendungen des Maschinellen Lernens und der künstlichen Intelligenz, die sich in der Öffentlichkeit verstecken. Aber das ist eine neue Entwicklung, sagt Ryan McCabe, Senior Data Scientist bei Spotify.

https://unsplash.com/photos/qiXl-ONl8Zw

“Das maschinelle Lernen ist über die Sexualphase in der Highschool (alle reden darüber, aber niemand tut es) hinaus zu einer viel breiteren Anwendung in allen Branchen einschließlich der Medien übergegangen.

Die Nachfrage nach Daten ist nach wie vor groß, sagt Friederike Schüür, Senior Data Scientist und Forscherin bei Fast Forward Labs. “Branchenübergreifend wollen Unternehmen ihre Daten für sich arbeiten lassen. Die Datenwissenschaft und das maschinelle Lernen geben ihnen die Werkzeuge dafür an die Hand. Im Bereich Medien und Unterhaltung ist heute der Großteil der Datenarbeit dem Verständnis des Publikums gewidmet; wer liest, hört und schaut Ihre Medien- und Unterhaltungsinhalte? Einblicke in das Publikum helfen bei der Information … über alles, von der Geschäftsstrategie bis hin zu Marketing und Inhaltserstellung”.

Es gibt viele Möglichkeiten, wie ML genutzt werden kann, um die Benutzererfahrung aufzuladen. “Maschinelles Lernen kann helfen, Ihr Bild- oder Textarchiv mit Tags zu versehen”, sagt Schüür, “für eine bessere Sucherfahrung. Recommender-Systeme zeigen Lesern, Hörern und Zuschauern relevante Inhalte an. Wenn Autoren neue Inhalte entwickeln, können auf Einbettung basierende Recommender-Systeme beispielsweise Bildmaterial für Artikel automatisch vorschlagen oder Bildmaterial ohne urheberrechtliche Beschränkungen bei einem Zielbild auftauchen lassen. Sequenz-zu-Sequenz-Lernen kann nicht nur vom Deutschen ins Englische, sondern auch von einem Schreibstil in einen anderen übersetzt werden, so dass Ihre Inhalte ein bestimmtes Publikum leichter erreichen. Im Allgemeinen ermöglicht uns das Repräsentationslernen, das das Herzstück neuronaler Netze bildet, die Verwendung unstrukturierterer Daten, wie Bild- und Textdaten, wodurch neuartige, spannende Anwendungsfälle leichter erschlossen werden können”.

Whitely und Capelo sind sich einig. Christopher Whitely, Senior Director of Applied Analytics bei Comcast, sagt: “Es gibt einen Trend zur Verwendung von Modellen des maschinellen Lernens, um den Verbrauchern die relevantesten Inhalte zu liefern, um sie zu beschäftigen, egal ob es sich dabei um Programme handelt, die sie sich vielleicht ansehen, oder um Werbung, die für sie von Interesse ist. Luis Capelo, Head of Data Products bei Forbes, fügt hinzu: “Es gibt einen starken Trend zur Personalisierung und zur Optimierung der Konversionen. Personalisierungsbemühungen stehen im Zusammenhang mit der Verbesserung der Erfahrung der Benutzer und der Erhöhung ihres Wertes, indem die Wahrscheinlichkeit erhöht wird, dass Benutzer mehrere Seiten sehen (oder mehrere Artikel lesen). Diese kommen typischerweise in Form von Empfehlungsalgorithmen, die auf der Grundlage der Artikel, die ein Benutzer in der Vergangenheit gelesen hat, einen anderen Artikel zum Lesen vorschlagen.” Diese Art von personalisiertem Service ist der neue Normalfall in Medien und Unterhaltung und ist zu einer Erweiterung der Identität und der Fähigkeit einer Marke geworden, das Geschäft voranzutreiben.

McCabe geht davon aus, dass sich der Personalisierungstrend fortsetzen wird. “Was ich in den kommenden Jahren erwarte, ist, dass ML in älteren Industrien weit weg von der Tech-/Medienwelt, in der wir leben, Anwendung finden wird”. Personalisierung ist auch bei der Verkaufs- und Konversionsoptimierung wichtig, woran bereits eine ganze Reihe von Datenwissenschaftlern arbeiten. Dazu Capelo: “Ich sehe dort viele meiner Kollegen, die Lösungen entwickeln, die die Wahrscheinlichkeit erhöhen, dass Benutzer ein Abonnement abschließen. Diese Lösungen beinhalten die Erstellung von Modellen, die dabei helfen, eine Reihe von Benutzern zu identifizieren, die wahrscheinlich mit einem Abonnement in Kontakt treten werden, und herauszufinden, was der beste Zeitpunkt ist, um sie zu erreichen.

Welches sind einige der größten Herausforderungen, denen Datenwissenschaftler heute in Ihrer Branche gegenüberstehen?
Die größte Herausforderung für Datenwissenschaftler im Bereich Medien und Unterhaltung spiegelt die Herausforderung wider, vor der Datenwissenschaftler in allen Bereichen stehen. Whitely deutet an, dass “Datenwissenschaftler vor der Herausforderung stehen, zunächst die geschäftlichen Probleme in der Branche zu verstehen, und dann ist es oft eine Herausforderung, die richtigen Datensätze für ihre Arbeit zu erhalten und auf sie zuzugreifen. Es ist auch eine Herausforderung, die Infrastruktur und die abteilungsübergreifende Kommunikation aufzubauen, damit Projekte nicht immer bei Null anfangen müssen. Capelo sagt, dies liege vor allem daran, dass “es eine Reihe von Managementfragen gibt, die vielen datenwissenschaftlichen Teams im Wege stehen”. “Der Trend, Teams zu isolieren, ist schlecht für die Produktivität. “Datenwissenschaftsteams müssen eine Frage identifizieren und dann daran arbeiten, sie zu beantworten. Diese Herausforderung tritt auf, wenn die Ergebnisse von Untersuchungen die einzigen Ergebnisse sind, die von diesen Teams ausgegeben werden. Das heißt, wenn datenwissenschaftliche Teams Einsichten ohne entsprechende Maßnahmen generieren. Aktionen erhöhen die Wahrscheinlichkeit für die Umsetzung der Ergebnisse einer Untersuchung und generieren Wert für ein Unternehmen. Diese Aktionen – und nicht nur Einsichten – sind der eigentliche Mehrwert von Datenwissenschaftsteams. Ich denke, dass viele Organisationen in der Branche Schwierigkeiten haben, ihren Datenwissenschaftsteams die Kontrolle über die Umsetzung der Erkenntnisse zu überlassen. Ich glaube, dass die Möglichkeit einer solchen direkten Kontrolle den Wert und die Produktivität des Teams erheblich steigert”.

Letztendlich gibt es reichlich Grund für Optimismus. McCabe sagt: “Die Datenwissenschaft ist ein neues Gebiet, das sich aus einem Haufen wirklich kluger und typischerweise junger Leute zusammensetzt. Als Einzelpersonen sind wir in Ordnung”. Aber er warnt auch davor, dass “wir als Ganzes wirklich wissen müssen, in welche Richtungen wir unser eigenes Feld vorantreiben und ob sie im besten Interesse seines langfristigen Erfolgs sind.

Wie geht es mit der KI in Medien und Unterhaltung weiter?
Wenn es um die Zukunft der KI in Medien und Unterhaltung geht, sind sich die Experten einig: Es geht um Inhalte, Inhalte, Inhalte. “Zusätzlich zu den kontinuierlichen Fortschritten bei der Personalisierung von Inhalten wird es mehr Integration über Medienerfahrungen hinweg geben, wie z.B. digitales Video und traditionelles Fernsehen, sowie eine weit verbreitete Nutzung von digitalen Assistenten, die das Auffinden von Inhalten erleichtern”, sagt Whitely. “Letztendlich wird die KI für die Erstellung von Inhalten eingesetzt werden und dazu beitragen, immersive Virtual-Reality-Erlebnisse zu ermöglichen”. Eyal Pfeifel, CTO und Mitbegründer von imperson, stimmt zu: “Wir sehen, dass KI durch VR- und AR-Technologien zu einer neuen Form von Unterhaltungsmedien wird, die vollständig immersive Erfahrungen mit intelligenten Avataren bietet.

Einige dieser Initiativen sind bereits im Gange. Capelo ist “begeistert von der KI, die Autoren bei der Erstellung exzellenter Inhalte unterstützt”. Bei Forbes entwickeln wir gerade eine neue Verlagsplattform, Bertie, die als KI-Assistent für Autoren arbeitet (mehr darüber können Sie hier lesen). Bertie lernt viele Dinge von Schriftstellern, z.B. ihren Schreibstil, die Themen, über die sie normalerweise schreiben, und so weiter. Bertie macht dann Vorschläge, die darauf abzielen, die Qualität des jeweiligen Stücks zu verbessern, was auch die Leistung des Artikels nach seiner Veröffentlichung erhöht. Unser Ziel ist es, Bertie zu einem Assistenten zu machen, mit dem sich Schriftsteller identifizieren können und der mit den Autoren zusammenarbeitet, um großartige Geschichten zu schreiben.

Wie verändert KI Medien und Unterhaltung?
Es steht außer Frage, dass die KI nicht nur die Art und Weise, wie wir Inhalte konsumieren, schnell verändert, sondern auch die Möglichkeiten der Interaktion mit den Konsumenten vertieft. “Die KI hat die Medienlandschaft erheblich verändert – sowohl in der Art und Weise, wie das Publikum Inhalte entdeckt und sich mit ihnen auseinandersetzt, als auch in der Art und Weise, wie Inhalte erstellt und an das Publikum verteilt werden, sagt Amy Yu, Senior Director of Product Strategy and Data Science bei Viacom. “Derzeit beeinflussen Algorithmen nicht nur das, was das Publikum auf den verschiedenen Plattformen sieht, sondern auch die Inhalte, die überhaupt erst erstellt werden. Obwohl Medien traditionell ein datengesteuertes Geschäft sind, verändert die KI sowohl das Verhalten des Publikums als auch den kreativen Prozess grundlegend. Pfeifel sagt, das geht sogar noch weiter.

“Durch das Angebot vollständig interaktiver Möglichkeiten wandeln sich Medien und Unterhaltung von einem Medium, das nur zuschaut, zu einem vollständig interaktiven Medium. Wir sehen auch, dass Unterhaltung von den Theatern in unser tägliches Leben hineinreicht.

Diese Veränderungen finden auch in den eigenen vier Wänden Widerhall, sagt Whitely. “Video-on-Demand auf einem Fernseher oder Gerät ist zunehmend das Medium der Wahl, um Premium-Inhalte zu konsumieren, mit Ausnahme bestimmter Live-Events wie Olympische Spiele, Superbowl oder Hit-“Wasserkühler”-Shows. Zu verstehen, wer die loyalen Zuschauer eines bestimmten Inhalts wirklich sind, und mit ihnen zu kommunizieren, wird immer wichtiger für den Erfolg der Programmmacher.

Und KI ist auch für den Erfolg von Datenmitarbeitern in der Branche insgesamt immer wichtiger. “Die KI hat neue Möglichkeiten innerhalb der Medien- und Unterhaltungsindustrie eröffnet und neue Rollen geschaffen, die technische und quantitative Fähigkeiten erfordern”, sagt Jennifer Shin, CEO von 8Path Solutions. Wir können in diesem Bereich in den kommenden Jahren mit einem großen Beschäftigungswachstum rechnen.

Wie steht dies im Vergleich zur Datenwissenschaft in anderen Branchen?
“Die Medien- und Unterhaltungsbranche hat viele der gleichen Herausforderungen wie andere Branchen”, sagt Whitely, “und erfordert ein effektives Daten-Engineering in großem Umfang, Anstrengungen in den Bereichen Datenqualität und -verwaltung, Beachtung der Datenverwaltung und des Datenschutzes sowie die Verwendung der am besten geeigneten Modelle des maschinellen Lernens für einen gegebenen Problembereich”. Yu stimmt zu: “Die datentechnischen Herausforderungen, denen wir im Medien-/Unterhaltungsbereich begegnen, sind definitiv für jede Branche, die mit großen Datensätzen arbeitet, relativierbar – insbesondere für Daten, die jede Art von nutzergeneriertem Inhalt enthalten. Die Schaffung nachhaltiger Produktionspipelines, um die relevanten Datensätze nutzbar zu machen, ist eine Herausforderung im Daten-Gerangel und von zentraler Bedeutung für den Aufbau der fortgeschrittenen Analysen und Werkzeuge, die für die Entscheidungsfindung innerhalb des Teams verwendet werden. “

Es gibt zusätzliche Herausforderungen, die Datenwissenschaftlern, die in anderen Branchen tätig sind, vielleicht bekannt sind. “So gut wie jede Branche versucht, Datenwissenschaftler und Dateningenieure zu finden, aber viele Unternehmen stellen durch Stellenausschreibungen ein, die eine Wunschliste von Qualifikationen enthalten, die für die Stelle nicht notwendig oder erforderlich sind und die der einstellende Manager in vielen Fällen nicht einmal besitzt”, sagt Shin. “Die Medien- und Unterhaltungsbranche begann mit der Einstellung für KI- und ML-Stellen etwas später als andere Branchen, und ich höre, dass viele neue Datenwissenschaftler sie mit Unternehmen wie Google und Facebook vergleichen, ohne zu merken, dass sie Äpfel mit Birnen vergleichen. Datenwissenschaftliche Positionen in der Medien- und Unterhaltungsbranche sind nicht gleichwertig mit denen, die in Technologieunternehmen angeboten werden, und obwohl dies für einige abschreckend sein mag, gibt es viele ungelöste Probleme, an denen Sie arbeiten können, die interessant sind und die mit denen verwandt sind, die außerhalb Ihrer Branche liegen. Ähnliche Möglichkeiten und Herausforderungen des maschinellen Lernens gibt es zum Beispiel im Einzelhandel. Erfahren Sie mehr darüber in diesem vollständigen Leitfaden von Tryolabs!

Aber nicht jeder ist der Meinung, dass die Datenwissenschaft in Medien und Unterhaltung im Wesentlichen analog zu anderen Branchen ist. McCabe sagt: “Die Datenerfassung unterscheidet sich in unserer Branche erheblich von der Branche, in der der größte Teil der weltweiten Wirtschaftsproduktion stattfindet. Wir haben bereits den ersten Schritt in diesen IoT-Raum gemacht, Bosch und GE haben in allem Sensoren, um Daten zu sammeln und vorherzusagen… na ja, in allem. Da die Datenwissenschaft jedoch immer mehr Branchen durchdringt, müssen die Leute kreativ werden, wie sie Daten sammeln”.

Welche Data Science, maschinellen Lernwerkzeuge und Techniken sind Ihre Favoriten?
“Der Spaß besteht darin, den besten Weg zu finden, die Techniken zu mischen und aufeinander abzustimmen und den Erfolg jeder einzelnen zu messen”, sagt Shin. “Wenn ich versuche, ein Problem zu lösen, habe ich viele Ideen darüber, was meiner Meinung nach funktionieren könnte, aber es gibt so viele Faktoren, die die Leistung dieser Ideen in der realen Welt verändern können, und es gibt Zeiten, in denen ich mir nach Beginn des Projekts einen besseren Ansatz ausdenke. Es macht mir Spaß, neue Aspekte an bestehenden Techniken zu entdecken, wenn ich sie auf reale Probleme anwende – selbst die “langweiligste” Technik kann faszinierend sein, wenn sie auf das richtige Problem angewendet wird.

Dennoch gibt es in der Werkzeugkiste unseres Referenten ein paar klare, herausragende Gewinner.

“Fortschritte in der Cloud wie S3, Glue und Athena von AWS machen es einfacher, Daten schnell zu beschaffen, und Bibliotheken für maschinelles Lernen wie Python’s Scikit Learn und Spark’s MLLib machen es einfacher, fortgeschrittene Modelle auf große Datensätze anzuwenden”, sagt Whitely.

Capelo hat eine andere Perspektive – “Ich bin ein großer Fan der Programmiersprache Python und der damit verbundenen Datenwissenschaftspakete (Pandas, Numpy, Scipy und Jupyter Lab). Ich arbeite auch sehr gerne mit Keras und auch mit TensorFlow (obwohl ich wirklich gute Dinge über PyTorch gehört habe). Zuletzt bin ich ein großer Fan des PostgreSQL-Projekts und seines erstaunlichen Erweiterungs-Ökosystems, zu dem cstore_fdw (von Citus Data), TimescaleDB und PipelineDB gehören – alles wirklich großartige Projekte”.

Unabhängig von den Werkzeugen, die Sie in Ihrem Arbeitsablauf verwenden, eines ist sicher – KI und Maschinelles Lernen werden Innovation, Kommunikation und Interaktivität in den Medien und der Unterhaltung weiterhin auf ein neues Niveau heben.

Auch interessant in diesem Zusammenhang: www.ai4mediadata.com und www.petergentsch.com

https://www.datascience.salon/