【.com快译】如今，各行各业都在采用人工智能技术来提升各自领域的用户体验。人工智能在媒体领域的影响对用户最为明显，在过去两年的大部分时间里，很大一部分用户的媒体娱乐仅限于家中。例如，字幕在全球范围内打开了内容消费的大门，打破了长期以来限制用户内容消费的语言障碍。尽管这些新的AI解决方案服务看起来很诱人，但在后端，它让开发人员的生活更加艰难，他们在处理这项新技术时必须应对一系列全新的挑战。理解不同的用例作为开发人员，重要的是能够理解给定的业务用例，以及它是否是借助AI来实现相同目的的最佳方法。在媒体行业，视频字幕和内容推荐系统等用例可以用人工智能解决。与此同时，自动管理工作室所需设备等用例在市场上已经有了更好的解决方案，可以用来代替人工智能。对于一些开发人员来说，能够在一开始就做出正确的决定可能是一个挑战。训练模型的数据挑战任何人工智能模型的第一步是获取数据来训练模型并开发系统的决策能力，这是最关键的方面之一，因为它构成了决策的基础。AI系统的制作过程。对于AI媒体，此数据可能与用户在特定流媒体平台上观看的内容有关。获得此类训练数据的高质量数据集对开发人员提出了一系列挑战。首先，由于围绕客户数据的隐私法不断变化，获取数据（在媒体行业中与用户数据有关，例如流媒体平台的观看模式等）可能很困难。特别是如果需要应用AI来构建新功能，则需要花费大量精力来寻找可用于训练模型的数据。随着有关公司不道德地使用客户数据的消息传出，各国收紧限制，数据稀缺已成为一个主要问题。其次，即使成功摄取了这些数据，开发人员面临的下一个挑战是能够确定正确的数据集作为模型训练的输入发送。需要通过确定将哪些数据实体保留为不必要或罕见的异常值以及将哪些数据实体作为不必要的值丢弃来有效地清理数据。数据是人工智能的核心，因此识别正确的数据集是整个系统的关键要素，对开发人员来说是一个不可否认的挑战。围绕数据存储和安全的挑战媒体行业的数据是大数据的一个很好的例子。例如，Netflix拥有约1.51亿订户和庞大的数据库，这意味着开发人员拥有庞大的数据池，可用于不断改进AI系统的决策。数据的高利用率为开发人员提出了两个阶段的挑战。第一阶段是能够创建一个有效的系统来管理和存储大量数据。随着云计算的出现，许多开发人员更愿意将数据存储在云端而不是本地。这将我们带到第二阶段，即确保数据具有适当的数据安全机制，因为此类大型数据存储是网络骗子的热门目标，如果被忽视，可能会对企业造成严重破坏。集成方面的挑战对于大多数组织而言，遗留系统已经存在，需要更换或与新开发的人工智能解决方案集成。这不仅意味着开发人员需要了解他们组织的遗留系统是如何工作的，而且他们还需要花费精力寻找一种方法来弥合在正在使用的遗留解决方案和AI解决方案中发挥作用的不同因素之间的差距。场景差异很大（例如计算速度、效率等，同时还要确保整个过程在逻辑上和实践上保持可行）。此外，许多开发人员还需要解决或使用过时的基础架构，并利用现有资源来实现最佳效率。围绕技能和知识的挑战对于开发人员来说，处理与AI相关的开发需要越来越多的能力。小规模用例仍然可以由具有基础知识的人实施，但具有高度可扩展数据的现实世界项目，类似于媒体行业的项目，需要具有丰富经验的熟练技能，并且需要开发人员不断地upskill了解并接触人工智能行业的最新进展、方法论、趋势等。AI系统中涉及的计算的绝对复杂性要求开发人员获得知识，以便能够在多种环境中部署这些解决方案，使其具有可移植性，能够权衡可用的不同框架，选择最适合他们的框架用例等结论媒体行业的AI驱动解决方案存在巨大空间，新的用例不断涌现，并越来越多地被媒体平台采用。与此同时，这给开发人员带来了很多挑战，他们需要提高技能以保持与市场的相关性，处理获取和管理数据的主要现实场景，并能够提取模式和识别科学趋势，这人工智能的使用正在整个媒体行业中扩展。【翻译稿件，合作网站转载请注明原译者和出处.com】
