机器学习和OTT个性化

了解更多关于OTT个性化的信息 Streaming Media East.

看完整的视频和其他亮点从流媒体西部连接上流媒体的YouTube频道.

阅读这段视频的完整文本:

Nadine Krefetz: 就机器学习如何融入个性化而言，我们的机器学习进展如何?

Randa Minkarah: 没有它，你绝对不能真正拥有它. 我想与Justin和Jerry刚才所说的将所有这些数据整合在一起并使其有用的复杂性相吻合. 内容所有者方面的一个例子是，当你考虑分销时，你会意识到有很多有线电视系统可以运行完全相同的内容, as Jerry has said, 以完全不同的方式和时间. 之后还有回放的功能. When you, as a content owner, 回来试着把你的数字集中起来, 你问的是你的每一个来源的听众是什么. That's an enormous lift. 在一些内容公司内部，需要一天的时间才能把所有这些都整合起来. 我们真的写了一个程序来把它们组合在一起. That's the beauty of ML. 我们可以帮助把这些数据整合在一起——即使它们是完全不同的数据——然后让你开始使用它. ML对于个性化来说绝对是至关重要的，而不会像我们现在在云计算中遇到的那样紧张, With elastic search, 所有的数据库都允许您近乎实时地集成各种数据, you don't have it. 今天的消费者也需要它. 他们要求它是最新的，是真正为他们量身定做的.

Gerry Field: 这是一个飞跃，从看谷歌分析到更快地获得这些报告的想法. To Randa's point, 我没有她那么有口才, 但实际上，我们过去一直在谈论大数据和管理大数据. 我们现在处理的是无限的数据. 能够浏览一堆数据并从中收集到任何意义真的是一件非常重要的事情. A lot of times, 我们为车站做传统的运输报告, 但我们也需要在此基础上不断完善游戏，以真正了解谁在特定空间中观看了多长时间的内容. Again, 融合传统广播和流媒体的想法是我们非常感兴趣的. 我们只会看到更多这样的事情发生. 机器学习将变得越来越重要.