Mode Media 公司位于硅谷,公司的产品服务旨在帮助人们生成、发现并传播本地视频和新闻报道内容。作为一个媒体技术私企,Mode 声称他们每月单独用户超过 1.4 亿,在 2015年 新上线的流媒体平台 Mode.com 上,每月观众达到 4.5 千万。
试想一下,当内容足够智能化,知道受众的需求,那么你想要的内容就能呈现在你眼前。
在未来十年,内置了机器学习技术的智能内容可以找到它的读者群。当前消费者因难以找到所需内容而日益增长的沮丧情绪,届时将得以排解。
大概三年前,有几家公司已开始分别涉足智能内容领域,所涉足的智能内容主要应用、消费在个性化推荐上,它们有着不同内容形式(用户原创内容 vs.高端精选内容)和格式(新闻报道、照片或者视频)。比如,Facebook 会将网站上发布的信息推送给有相关兴趣的读者;Newsfeed 不再像以前,在你关注的人更新信息后,仅仅是作为时间轴展示,而是会基于你的个性化向你推送相关内容。Twitter 近期也迈出了显著的一步,它推出了一个基于重要性算法的时间轴,优先向用户推送重要性程度高的相关内容,取代以时间顺序为机制的推送。
当你使用某种终端上网,或者刚好在浏览某社交网站,机器学习技术将会把你想要看到的内容呈现在你眼前。这将极大改变人们对于视频和新闻报道内容的体验,它将内容挖掘引领至一个新的时代。
三个时代
回想一下,到目前为止,内容挖掘已经历了三个时代。第一个时代是经过人为精心编排的内容,人们对于电视节目的编导、出版物的编辑、电台的 DJ 给予充分的信任,确信他们会围绕一个主题,呈现最优质的内容。所以我们会在 ESPN 上收看体育节目,会购买《Fortune》杂志了解商业动态,或者收听爵士频道,看是否有自己喜欢的。这个时代一直由媒体支配,直到互联网的出现。
第二个时代是消费者利用搜索引擎去找寻内容,目前应用的较为普遍。作为重量级的搜索引擎,Google 整个业务都是基于并围绕帮助我们找到我们想要的内容,当然,前提是我们知道自己想要什么。在这个前提下,基于搜索主导的体验是很棒的。但在我们未知的领域中,这种方式无法给予我们所需。
现在我们已步入第三个时代:由用户生成内容的社交时代。我们关注感兴趣的朋友或陌生人后,就可以看到他们上传、更新的相关内容。这样我们也能时常看到自己兴趣相关的内容,范围涵盖可以很广,造势新闻、或是第三级小提琴演奏会视频。
然而,第四个时代即将来临,在这个时代里,机器学习技术、智能内容,这些人们自己策划整合的内容本身将逐步了解我们是谁、我们的喜好以及我们需要什么样的内容。我们将不再需要完全依赖于编导和编辑。我们不必非得知道自己想要什么,再去搜索。我们也不必期待朋友们发来好玩的东西。我们的上网行为轨迹将会通过技术手段获取,并得知哪些内容是我们所需,剔除没用的。这有点像将 Netflix,亚马逊或者 Apple Beats 的推荐引擎与人们自己策划整合的内容进行匹配。
这种技术将有助于生成更多更好的内容。现在,内容生产者正苦苦挣扎于媒体领域的动荡调整中,包括缺乏忠实的受众群,上传媒体的内容产权不受保护,近期有社交媒体在自己平台上擅自播放所属第三方的内容,等等。基于机器学习技术驱动的内容将有助于内容生产者利用社交媒体找到对应的受众群体,将内容呈现到各地消费者面前。这样有助于找到订阅用户,为生产者的工作支付报酬。
更有利的是,这种技术可以向内容生产者反馈,什么样的内容适合什么样的受众,以及如何将新的内容再次传递给这些受众。这对于需要打广告的品牌商来说极具吸引力,广告主可以根据承诺范围内的受众群体规模预付广告费用,这有点类似网络电视广告销售的模式,但比它能更好、更即时地锁定受众群。
机器学习技术带来变革
机器学习技术与人们策划整合内容相结合,是社交平台智能推送的核心。现在大量公司正在互相竞争、提出新的解决方案:Facebook 网站上新版的 Newsfeed 增强了视频播放功能,取代了第三方链接跳转;Snapchat 增加了 Discover 功能,旨在提供顶尖媒体合作方打造的新闻内容;Mode.com 允许专业的内容生产者为个性化偏好创建新闻报道内容,上传视频。在这些平台上,作为智能内容的消费者,你对内容的每一个浏览、点赞或者分享,机器学习技术将会记录并开始为用户画像,你是谁、喜欢什么样的内容。不管在什么平台,它了解你的越多,对你的个人定义越准,就能更好地为你推送量身定制的内容。
广告将针对合适的受众进行自动化投放
所有的机器学习技术应从网络传播内容中汇总用户感兴趣的方方面面。技术上的处理分析将测算出内容的实际需求量和病毒营销产生的巨大传播量,这样可以预测哪些内容可能产生 10 万次的浏览,哪些内容甚至有机会突破百万次。比如,通过技术处理,我们可以得知,对于养了一个孩子和一条狗、开着日本车的 33 岁男人来说,什么内容才最有吸引力。
显然,如果技术可以实现这些,那么它完全可以满足广告主的需求,当广告主植入本地广告或赞助视频,以及品牌内容时,广告主可以更自信地确认他们所传递的信息已送达目标受众。根据 eMarketer 研究分析,这将加速本地视频广告市场的发展,预计市场份额将从 2015年 的五百万美元增长至 2018年 的 2 千万美元以上。
那么,未来智能内容是如何运作的呢?其实目前有很多不错的内容却未能传递给真正需要的用户。未来,每个视频或者文章都有自己的小型学习引擎,将会持续寻找喜欢并想要分享这个内容的用户。因此,未来无论我们使用何种新设备,APP 应用、电视、电话,或是在车里、在工作、在家里,智能内容都会送达眼前,不再需要将用户聚集在统一的使用环境内。
你可以想象一下,机器学习技术的美妙之处在于,它会学习。未来媒体领域一定是风云多变的,但无论怎么变,这种技术都不需要再次改编。我们处在这场变革的起点处,这种技术在平台和 APP 应用中都已开始崭露头角。
未来,由人类策划整合的带有机器学习技术的内容将贯穿下一次媒体变革时代,这将让我们在内容消费中受益更多。
关键字:智能内容 Mode Media 机器学习
引用地址:
刚搞懂智能温控器、智能汽车,智能内容又是什么鬼
推荐阅读最新更新时间:2024-05-03 00:14
机器学习、人工智能和5G 2019年十大数字转型技术趋势预测
在过去的几年中,我一直致力于展望未来一年的科技发展趋势,以预测一些最重要的数字转型方向。想要深入了解数字转型不仅是一种技术上的转变,而且是技术、商业和从业人员交叉的组织变革,这种反思必须考虑到无数种不同的可能性。 在今年的预测中,我试图用这一年的技术和数字转换研究来更好地预测我们明年要去哪里、我们为什么要去那里、以及还会带来什么样潜在的惊喜,希望这些顶级科技发展趋势可以作为一种指引,对于那些希望让业务和数字转换向前推进的组织和企业。虽然我在2019年的数字转型趋势中有一些是基于我去年预测的趋势,但在2018年现有的发展状况上看,肯定会有一些新增加的领域。当然需要注意的是,技术本身并不等同于数字转型,客户、文化和员工以及业务连续性必
[家用电子]
恩智浦借助AWS Greengrass展示安全边缘处理和机器学习强大实力
恩智浦半导体NXP Semiconductors N.V.(纳斯达克代码:NXPI)今天宣布,将在2017年度AWS re:Invent大会上,通过在恩智浦Layerscape上运行的 Amazon Web Services (AWS)服务,展示其微处理器(MPU)、微控制器(MCU)和应用处理器在多种物联网(IoT)和安全边缘处理应用中的运用。对安全边缘处理的支持可降低延迟和带宽需求,提高物联网解决方案的安全性。 当今的物联网应用都存在边缘处理和安全要求,为此,恩智浦开发了一款强大的分布式云/边缘软件平台,提供必要的安全配置、连接和处理能力,为连接AWS的边缘处理设备提供支持并创造条件。恩智浦将在AWS re:Invent大
[物联网]
新型忆阻器芯片:更适合机器学习和大数据!
导读 最近,美国密西根大学的研究人员开发出一种新型忆阻器芯片,它能够突破传统计算机体系结构所遭遇的瓶颈,更加适用于人工智能的机器学习系统,更好应对复杂的大数据问题,且功耗更低、速度更快。 背景 今天的创新技术介绍,还是从著名的“冯·诺依曼体系结构”开始。冯.诺依曼体系结构在计算机技术中有着十分重要的地位,现代大多数的计算机都是按照这个体系结构进行设计的。 那么,什么是冯·诺依曼体系结构呢? 顾名思义,这种计算机体系结构是由美籍匈牙利科学家冯·诺依曼(John von Neumann)于1946年提出。一句话来说: 它是一种将“程序”和“数据”放在同一存储器中的体系架构。 冯·诺依曼提出了“存储
[嵌入式]
Google对YouTube 视频进行严格审查 动用人工智能和机器学习进
据报道,Google计划将加大对内含赞助的YouTube视频的审查力度,严禁不符合规定的视频上传,据悉,这次将利用人工和机器学习进行识别。 报道,Google 将开始对参与 Preferred 广告赞助项目的 YouTube 视频进行更严格的审查。匿名消息源称,Google 将动用人工和机器学习识别不符合规定的视频。这一举动应该是针对那些不适合儿童观看的视频,以及最近发生的网红事件——YouTube 频道主 Logan Paul 上传了一段日本青木原树林尸体视频,让许多人感到不适。 Preferred 项目集合了“在美国 18 岁至 34 岁人群中最受欢迎的 YouTube 频道”和“YouTube 上最具吸引力和品牌安全
[家用电子]
机器学习的含义、术语、以及重要性的解析
“”在最近虽可能不至于到人尽皆知的程度、却也是非常火热的词汇。机器学习是英文单词“Machine Learning”(简称ML)的直译,从字面上便说明了这门技术是让机器进行“学习”的技术。然而我们知道机器终究是死的,所谓的“学习”归根结底亦只是人类“赋予”机器的一系列运算。这个“赋予”的过程可以有很多种实现,而 正是其中相对容易上手、同时性能又相当不错的一门语言。作为综述,我们只打算谈谈机器学习相关的一些比较宽泛的知识,介绍与说明为何要使用 Python 来作为机器学习的的工作则交给下一篇文章来做。而在最后,我们会提供一个简短易懂的、具有实际意义的例子来给大家提供一个直观的感受。 目录: 人生苦短,我用 Python
[机器人]
机器学习不断接近人脑水平,AI图像识别未来发展如何?
过去十几年,人类可以说是在机器智能面前节节退败,屡败屡战,而多任务处理(multi-tasking)几乎是为数不多可以让人类骄傲的事情了。人们可以同时打开8个网站、数份文档和一个交友软件,即使正在专心处理其中一件事,只要突然收到一条回复或更新提醒,也能够快速安排。对机器而言,要在同一时间完成这样的任务显然有点困难,因此,多任务处理一直被视为人类独有的技能点。 然而,这个优势也将失去了。 近几年,Alphago、视频识别、指纹解锁、图片识别、语音转文字、机器人看病等一系列事件,使我们深刻的感受到人工智能在改变我们的工作方式和认知。国内人工智能产业中,就算集视觉与图像领域公司的数量已达数百家,仅次于自然语言处理类公司,位居第二。其中该
[机器人]
TDK推出SmartEdgeMLTM赋能在6轴IMU上运行超低功耗的机器学习模型
MEMS传感器 TDK推出SmartEdgeMLTM赋能在6轴IMU上运行超低功耗的机器学习模型 SmartEdgeML解决方案允许用户在传感器芯片上构建、测试、调试和部署机器学习 (ML) 模型 SmartEdgeML包括:SmartMotion™ ICM-45686-S 6轴运动传感器、SmartBug 2.0评估套件和传感器推理框架 (SIF) 软件(可下载) SmartBug 2.0 (MD-45688-ML) 于2024年2月推出 TDK株式会社新近推出InvenSense SmartEdgeMLTM解决方案,这是一种先进的边缘机器学习解决方案,为用户提供了在可穿戴设备、可听戴设备、增强现实眼镜、
[工业控制]
宅男福利,三星“黑科技”让所有视频秒变8K画质
本届CES展会上,8K是大会的一个主旋律,多家厂商都推出了基于8K分辨率的电视,而三星也不例外,不过他们还准备更酷的黑科技。 三星的这项新技术简单来说就是,让你要播放的视频,自动转换成8K分辨率后,然后播放出去,这样一来画面的清晰度上升的可不是一个档次,听起来很酷炫有没有。 准确来说,三星这次推出的是针对85英寸8K QLED TV的8K 人工智能 技术,其可以通过 机器学习 对视频内容进行分析,自动将低分辨率的图像升级为8K画质。 为了完成这样的效果,三星做了几个关键的技术,首先就是基于人工智能技术的QLED TV拥有一个数据库,能够预先对数以百万计的图片进行研究和分析,从而将低分辨率的内容转换为高分
[嵌入式]