如果一項技術已經在使用，它的新興程度如何。我們經常將人工智能和機器學習視為將改變世界的未來事物。看看我們的電視體驗。
我在 3 個電影片道中長大。我們的第一台電視機是黑白的。我們的第二台電視機是彩色電視機，我們為此感到非常自豪，我仍然記得它。長期以來，我們對節目的訪問僅限於 3 個政府頻道。而且電視機沒有遙控器。
今天，當你登錄你的 Netflix 帳戶時，我可以訪問與我之前觀看的節目相關的節目，在 Amazon prime 和 Hulu 上也是如此。此外，電視機也變得“智能”，有些已經開始將人工智能納入各種功能。
那麼我們站在哪裡呢？
電視
想像一下使用智能電視。它可以配備自己的 AI 或連接到你的 Alexa 或 Echo。現在有可能。LG 推出了 Thinq 品牌，可以使用 Alexa、Echo 和 Echo dot 來改變頻道。有看電視、調節音量、播放、暫停、開始、停止、快進控制、選擇頻道和搜尋內容的技能。而且，新電視還可以用作智能家居中樞。因此，你將能夠控制其他智能家居設備，如掃地機器人、空調、智能燈以及其他可以通過 Wi-Fi 或藍牙連接到電視的設備。現在，你可以邊看電視邊對著電視講話來完成所有這些操作。
這一變化也意味著更好的定位
想像一下，如果你正在查看的AI電視與你相關。他們會迎合你的年齡、性別和偏好，而不是開車離開會吸引你的注意力。它們將與你的專業興趣和愛好保持一致。現在有可能。截至 2017 年，美國有近 1.33 億聯網電視使用者，今年將增長至至少 1.81 億。現在，55% 的人口可以收到與線上和線下行為相關的廣告。機器學習擅長篩選大量數據。
程序化公司現在允許行銷人員同時通過各種管道同時向特定對像做廣告。總之你可以通過你的電視、筆記本電腦、平板電腦、智能手機和台式機立即接收來自一個品牌或一組品牌的融合信號。
機器學習在預測分析方面的優勢在於，**搜尋疾病可能先於搜尋治療、藥物或處方。AI 現在可以從搜尋泳裝或遠足裝備中推斷出你很快就會搜尋旅行獎品和住宿。**該機器現在使行銷人員能夠在正確的時間出現在客戶面前。
AI 正在推動廣告的變革 在
AI 興起之前**，廣告商幾乎不可能知道客戶是否觀看了現場，體育運動是否導致了行動或購買？他們的行為改變了嗎？今天，消費者一直使用多種設備。在智能手機上看電視時，請將筆記本電腦放在咖啡桌上或膝蓋上，並將平板電腦放在手邊。這個新框架創造了一個複雜的環境，在其中歸因幾乎是不可能的。解決這個問題的技術方案被稱為跨多個螢幕的多管道歸因（MCA — AMS）。這裡的目標是繪製客戶旅程圖。通過將多個設備連接到同一個人或家庭，AI 允許在看電視時測量第二次篩選。通過匯總有關商店中移動存在和移動廣告的數據，數據科學家可以推斷廣告對客戶行為的影響。**
電視節目
與任何其他行業一樣，廣播本身就是一個準備進行數字化轉型的行業。通道調度包括現在可以通過機器人流程自動化完成的重複性任務。據 IBM 全球認知解決方案負責人 Doug Clark 稱，IBM Watson 已經在幫助加快程序製作中涉及的許多流程。“Watson 正在分析文字內容、音頻和影片，以創建增強的元數據和呈現內容的新方式，並有機會對其進行挖掘和貨幣化，並更有效地為內容提供服務，”他說。
他們最近的一個項目是幫助 Fox Sports 為 2018 年世界杯提供無縫體驗。2018 年的報導包括 320 小時的原創廣播內容，包括 FOX 和 FOX Sports 頻道上所有 64 場比賽的廣播。Aspera 技術被用於將來自俄羅斯各地 12 個體育場館的所有訊息源發送到 Fox 內容管理系統和洛杉磯的創意團隊。
例如，沃特森能夠為他們參加過的每屆世界杯的任何克里斯蒂亞諾·羅納爾多或萊昂內爾·梅西的射門製作精彩片段。
在 BBC4 頻道，機器學習被用來利用 BBC 50 年的 AV 內容存檔。該技術用於查找最佳內容、幫助探索檔案和發現能夠引起當今觀眾共鳴的內容。
技術應用
人工智能也被應用於影片壓縮和網絡彈性。在影片壓縮中，AI 用於檢測圖像的質量，並被教導壓縮影片，這要歸功於觀眾對其質量進行評分的數十萬個鏡頭。網絡彈性可幫助流媒體公司管理其服務器負載。人工智能用於預測高負載，例如在啟動新節目和管理雲和公司內部服務器之間的分配時。
影片推薦
我們生活在巔峰電視時代。2017年共播出487個節目。
有許多App可以匯總我的所有訂閱，並根據我的偏好和過去的觀點為我提供建議，而不管平台如何。
一些知名的播放器是 Movix、Gowatchit、reelgood、JustWatch和 Yidio。
DeepSystems 推出了基於人工智能和深度學習的電影推薦服務 Movix。使用者點擊電影並標記他們的喜好，系統會調整偏好。他們基於LSTM設計了自己的定制神經網絡架構。它建立在 Google 的 Ternsorflow 框架之上，並在 GPU 上運行。與其他引擎不同，沒有預先計算的建議——每次點擊都在服務器上進行處理。
可以說，Netflix 是最著名的影片平台。它的推薦引擎是其成功的關鍵部分。該公司甚至發表了關於該主題的研究論文。該平台似乎使用了以下技術特性和技術 Netflix 用來為使用者提供最佳體驗：
·個性化影片排名：PVR：以個性化方式為每個成員配置文件訂購整個影片目錄（或按流派或其他過濾方式選擇的子集）。由此產生的排序用於選擇影片在流派和其他行中的順序，這也是為什麼向不同成員顯示的相同流派行經常有完全不同的影片。
· Top-N Video Ranker：在 Top Picks 行中生成推薦。該算法的目標是為每個成員在整個目錄中找到最好的少數個性化推薦，即只關注排名的頭部。
· Trending Now：顯示 Netflix 中流行的影片，並為會員注入了一些個性化內容。用於開發此算法的數據收集發生在以下兩個流中：觀看歷史記錄（捕獲會員播放的所有影片）和 Beacon（捕獲 Netflix 內的所有印象事件和使用者活動的服務）。
·繼續觀看：根據會員是否打算繼續觀看或重新觀看的最佳估計，或者會員是否放棄了不如預期有趣的內容，對最近觀看的標題的子集進行排序。
· 影片-影片相似度：這個使用你剛看過的電影
· 頁面生成：行選擇和排名
· 證據選擇
· 搜尋體驗
· 以上所有的統計和機器學習技術