Bem-vindo ao terceiro da nossa série de postagens, destacando os 10 principais casos de uso que impulsionam a inovação no IBM Machine Learning Hub , onde trabalhamos de mãos dadas com os clientes para ver o futuro da aprendizagem em máquina.
O objetivo da série é olhar para além do conjunto usual de casos de uso de aprendizagem de máquina que vêm à mente quando se considera um setor específico. A Parte 1 explorou novos casos de uso no domínio do governo que estão gerando melhorias nas agências regionais e municipais. A Parte 2 analisou a influência do ML sobre a saúde mental, a vida inteira da vida e a redução das taxas de readmissão.
Aqui na Parte 3, vamos dar uma olhada em algo um pouco mais leve: o mundo da mídia e do entretenimento. Nossa primeira associação com a aprendizagem de máquinas em mídia e entretenimento pode ser a recomendação de motores que oferecem sugestões personalizadas para livros e filmes, mas os clientes da IBM estão se voltando para a ML para obter ajuda com tudo, desde rastreamento de direitos autorais até otimização de data warehouses para permitir que os fãs de tênis monitore e analise o torneio estatísticas em tempo real.
Com a explosão da distribuição digital, autores, compositores e outros artistas estão lutando para obter recompensas pelo trabalho criativo que eles geram. Quanto mais popular uma música, história ou filme, mais provável é que seja pirateado e compartilhado sem pensar em compensar os artistas que a criaram. Para os artistas independentes, mesmo um pequeno aumento nos pagamentos de royalties pode significar a diferença entre pagar as contas fazendo o que elas amam – ou afastando-se do trabalho de sua vida para ganhar a vida de outras maneiras.
Considere a organização europeia sem fins lucrativos cuja missão principal é cobrar pagamentos de royalties para compositores, compositores e editores de música. Propriedade coletiva de seus 150 mil membros, representa mais de 100 milhões de obras em todo o mundo. Em 2016, a organização rastreou cerca de 982 bilhões de transações de download e transmissão, um volume incrível de dados que eles conheciam continham os identificadores únicos dentro dos metadados que a organização poderia usar para buscar compensação de empresas como Apple, YouTube, Spotify e Facebook.
Em aliança com a IBM, a organização desenvolveu uma plataforma cognitiva de rastreamento de direitos autorais que se parece não apenas aos metadados, mas ainda mais profunda no próprio conteúdo criativo, usando processamento de linguagem natural (PNL) e reconhecimento de padrões para identificar uma participação ainda maior do conteúdo consumado. Espera-se que ofereça um aumento de 15% nos royalties aos seus membros – ao mesmo tempo que os ajuda a entender as tendências de como, quando, onde e por quem o trabalho deles está sendo consumado.
Passemos dos criadores de conteúdo de entretenimento para os distribuidores. Os gigantes da mídia disponibilizando conteúdo digital enfrentam um desafio constante para manter seus data warehouses atualizados com os shows, filmes, músicas e jogos que seus usuários exigem. Permanecer competitivo significa obter o conteúdo certo e disponível rapidamente.
Mas a velocidade e a capacidade não são suficientes. Um cliente da IBM na América precisava ir mais longe e gerar análises em tempo real de que o conteúdo estava em demanda. Com a ajuda da IBM, as análises que eles geraram podem indicar não apenas o que aconteceu e por que, mas poderiam dar um passo adiante e ofereceram previsões sobre quais novos conteúdos terão um acorde com os usuários – por história, geografia, hora do dia e muito mais. Isso permite que eles alugem recursos de armazenamento e transmissão com antecedência para dar a cada usuário uma experiência perfeita.
Para os verdadeiros fãs, nada é melhor do que chegar perto do jogo e para muitos fãs de tênis que significa a capacidade de estudar e interrogar as estatísticas brutas de pontuação, ases, falhas, velocidade, posição do jogador e muito mais. No entanto, é uma coisa a fazer depois de uma partida, uma vez que os detalhes foram lentamente reunidos e compilados. É algo mais completamente capaz de mergulhar nesses dados em tempo real, já que as raquetes ainda estão balançando.
Foi exatamente o que aconteceu no primeiro torneio do Grand Slam quando a IBM se juntou a uma das maiores organizações de tênis do mundo – uma organização com mais de 17 divisões geográficas, 750.000 membros e 7.000 membros organizacionais. Usando uma combinação de análises preditivas, nuvem, tecnologias móveis e sociais, a equipe conseguiu integrar os dados da partida ao vivo com o histórico de jogadores, matchs e dados do torneio. Os resultados alimentaram um conjunto de painéis personalizados e exibições interativas totalmente disponíveis para repórteres no site e fãs on-line.
Onde a máquina de aprendizagem vem? Com base na análise, o software poderia identificar três estratégias-chave que provavelmente afetariam a pontuação e a dinâmica de qualquer jogo. E, à medida que avançava a partida, os repórteres e torcedores podiam rastrear o progresso de cada jogador em relação às previsões em tempo real.
Todos sabemos que a mídia e o entretenimento contemporâneos são cada vez mais digitais e são gerados por dados. Para aqueles encarregados de manter o público feliz e envolvido, não há substituto para a análise e previsões tornadas possíveis por algoritmos de aprendizado de máquina que são sintonizados para antecipar seus desejos.
Mas tão importante é o que acontece nos bastidores. É aí que a IBM está ajudando a compensar os criadores de conteúdo, ao mesmo tempo em que incentiva os fãs a se envolverem como criadores próprios – transformando as estatísticas em bruto em novas formas de entretenimento interativo. Nos casos de uso, a IBM vê seus clientes de mídia e entretenimento usando o aprendizado de máquina não só para melhorar as experiências dos usuários, mas também para promover a equidade, promover a independência e atrapalhar a paixão. É um trabalho incrível – mas apenas o começo do que ML possibilitará.