AI przejmuje kontrolę nad jakością emisji
Jeszcze niedawno sztuczna inteligencja w telewizji była wykorzystywana głównie do tworzenia napisów, tłumaczenia programów i opisywania materiałów archiwalnych. Obecnie zaczyna być wdrażana znacznie bliżej najważniejszych procesów technicznych, czyli w systemach odpowiedzialnych za kontrolę jakości emisji. Analizowany jest nie tylko gotowy plik, lecz także działający kanał, obraz, dźwięk, napisy, metadane i parametry transmisji. Monitoring przestaje dzięki temu działać jak zbiór oddzielnych alarmów, a zaczyna przypominać warstwę inteligencji operacyjnej, która pomaga ustalić rzeczywiste źródło problemu.
Kontrola usługi oczami odbiorcy
Jednym z praktycznych przykładów takiego podejścia jest system uruchomiony przez Virgin Media, w którym zautomatyzowani agenci testowi odbierają usługę telewizyjną w sposób zbliżony do urządzeń używanych przez klientów. Monitorowanych jest ponad 220 kanałów IPTV, a najpopularniejsze usługi są regularnie sprawdzane pod kątem obrazu i dźwięku. Po wykryciu nieprawidłowości informacja jest przekazywana zespołowi technicznemu, który prowadzi dalszą diagnostykę. Pozwala to wykrywać problemy występujące na końcu łańcucha dystrybucji, nawet gdy poszczególne urządzenia infrastruktury raportują poprawną pracę.
Kontekst ważniejszy od pojedynczego alarmu
Klasyczne systemy nadzoru dobrze wykrywają brak sygnału, przekroczenie bitrate’u, nieobecność wymaganego PID, ciszę lub brak zmian między klatkami. Trudność pojawia się wtedy, gdy prawidłowy fragment programu przypomina awarię, na przykład czarna scena, nieruchoma plansza albo celowa cisza. Monitoring oparty wyłącznie na progach reaguje na przekroczenie wartości, nie rozumiejąc znaczenia zdarzenia. AI może równocześnie analizować obraz, dźwięk, harmonogram emisji, metadane, historię kanału i alarmy z innych urządzeń, dzięki czemu łatwiej odróżniana jest rzeczywista usterka od nietypowego, lecz poprawnego materiału.
Jedna analiza całego łańcucha
Współczesna telewizja jest dystrybuowana jednocześnie przez emisję linearną, sieci IP, platformy OTT, aplikacje, systemy operatorskie i środowiska reklamowe. Każda ścieżka może wykorzystywać inne kodowanie, manifesty, zabezpieczenia DRM, profile bitrate’u, napisy i metadane. Największą wartością inteligentnego monitoringu staje się więc korelacja danych pochodzących ze źródła, playoutu, encodera, multipleksera, sieci i urządzenia odbiorczego. Gdy błąd występuje przed kodowaniem, obszar poszukiwań zostaje skierowany do źródła lub systemu emisyjnego, natomiast problem widoczny dopiero na wybranej grupie odbiorników może wskazywać na profil kodowania, manifest albo aplikację. Zebranie rozproszonych informacji w jeden incydent znacząco skraca czas potrzebny na ustalenie przyczyny.
Mniej komunikatów, więcej użytecznych informacji
W dużym centrum monitoringu jeden problem może uruchomić alarmy w wielu systemach jednocześnie. Dla operatora nie są to jednak niezależne awarie, lecz jeden incydent obserwowany przez dekoder, encoder, multiplekser, platformę OTT, system napisów i urządzenie końcowe. Prezentowanie każdego komunikatu osobno prowadzi do przeciążenia zespołu i zwiększa ryzyko przeoczenia zdarzeń wpływających na widzów. Nowe platformy grupują powiązane alarmy, nadają im priorytety, tłumią komunikaty podczas prac serwisowych i wskazują najbardziej prawdopodobne źródło problemu. Szczególnie istotna staje się redukcja fałszywych alarmów, ponieważ pozwala koncentrować uwagę na zdarzeniach faktycznie obniżających jakość usługi.
Napisy oceniane razem z programem
Tradycyjna kontrola napisów może potwierdzić obecność strumienia CEA-608 lub CEA-708 albo poprawną strukturę pliku SCC, SRT czy WebVTT. Nie daje to jednak pewności, że treść odpowiada wypowiedziom, pojawia się we właściwym czasie i pozostaje czytelna. Nowe rozwiązania porównują napisy z tekstem uzyskanym przez speech recognition, synchronizują je z dźwiękiem i analizują ich położenie względem twarzy, grafiki oraz tekstu znajdującego się w obrazie. Oceniane mogą być również szybkość czytania, czas ekspozycji i sposób dzielenia zdań. Kontrola przestaje więc ograniczać się do obecności danych i zaczyna sprawdzać ich znaczenie oraz wpływ na odbiór programu.
Automatyzacja pod nadzorem człowieka
AI może obserwować setki kanałów, analizować każdą klatkę, porównywać sygnały w wielu punktach i przygotowywać opis incydentu w języku naturalnym. Może również wskazywać podejrzany element infrastruktury, określać prawdopodobieństwo usterki i uruchamiać ustaloną ścieżkę eskalacji. Nie powinno się jednak bezwarunkowo przekazywać modelom decyzji o przełączeniu głównej emisji, zmianie konfiguracji multipleksera lub wyłączeniu zabezpieczeń. Błędna reakcja automatyczna może spowodować większe straty niż pierwotna awaria. Najbezpieczniejszym kierunkiem pozostaje explainable AI, które przedstawia wykorzystane dane, podstawę diagnozy i poziom pewności, pozostawiając decyzję operatorowi.
Droga od wykrywania do przewidywania
Rozwój inteligentnego monitoringu przebiega od prostego wykrywania problemu, przez diagnozowanie jego źródła, aż do przewidywania przyszłych awarii. Obecnie branża znajduje się głównie pomiędzy drugim i trzecim etapem. Systemy potrafią już korelować alarmy, analizować jakość z perspektywy klienta, ograniczać liczbę błędnych zgłoszeń i wskazywać prawdopodobną przyczynę incydentu. Pełne predictive maintenance wymaga jednak długiej historii pomiarów, zsynchronizowanego czasu, danych o zmianach konfiguracji i informacji o wykonanych naprawach. Bez odpowiednio przygotowanych danych wykrywana jest anomalia, lecz nie zawsze można wiarygodnie stwierdzić, czy doprowadzi ona do awarii.
Bezpieczny model wdrożenia
Najbardziej praktycznym rozwiązaniem nie jest natychmiastowa wymiana całego systemu nadzoru, lecz budowa dodatkowej warstwy analitycznej nad istniejącymi sondami i miernikami. Na początku powinny zostać objęte kontrolą sygnał źródłowy, wyjście systemu emisyjnego, punkt po kodowaniu lub multipleksacji oraz reprezentatywny punkt odbiorczy. Niezbędne jest również ujednolicenie czasu, nazw kanałów, strumieni, lokalizacji i identyfikatorów zdarzeń. Pierwsze wdrożenia warto ograniczać do czarnych i zamrożonych klatek, utraty dźwięku, błędów napisów, problemów reklamowych oraz rozbieżności między źródłem i odbiorem. Skuteczność należy mierzyć czasem wykrycia, czasem diagnozy, liczbą fałszywych alarmów i odsetkiem problemów zauważanych przed zgłoszeniem klienta.
Nowe zadania zespołów technicznych
Automatyzacja nie usuwa potrzeby posiadania wiedzy o transmisji, sieciach, urządzeniach i zachowaniu odbiorników. Zmienia jednak sposób wykonywania codziennych obowiązków. Zamiast ręcznego porównywania ekranów i dziesiątek logów możliwe staje się otrzymanie jednego incydentu zawierającego czas wystąpienia, zakres usterki, powiązane alarmy, nagranie oraz sugerowane źródło problemu. Inżynier może dzięki temu koncentrować się na ocenie sytuacji i wyborze właściwej reakcji. AI zaczyna pełnić funkcję dodatkowego zmysłu technicznego, który nie męczy się i jednocześnie obserwuje setki usług.