人工智能在广播电视监测监管中的应用分析
郝蔚| 广播与电视技术| 2019-06-17
【流媒体网】摘要:智能识别监测在广播电视监测监管中的应用,围绕广播电视信号的技术监测和节目内容的监管两方面开展,主要应用场景涉及语音识别、语种识别、语义判断、图像识别、音视频可视化数据信息转换以及智能分析研判等,其能力主要取决于模型构建、机器学习能力以及对海量音视频数据的智能识别监测和智能分析处理能力。

  人工智能是新一轮科技革命和产业变革的重要驱动力量,探讨和研究人工智能在广播电视监测监管中的应用,是推进广播电视监测监管智能化发展的一项重要战略问题。文章介绍了人工智能的概念以及我国推进人工智能的发展要点,并结合广播电视监测监管的应用,阐述了与广播电视监测监管应用相匹配的人工智能关键技术,并对人工智能在广播电视监测监管中的应用进行了思考。

  0 引言

  人工智能的迅速发展将改变科技世界的运行模式,对人类的社会生活产生深刻的影响。广播电视行业海量媒体资源、融合媒体制播发展,以及云平台建设和云服务业务,为人工智能与广播电视的应用提供了研究基础。研究基于大数据、云计算、人工智能以及区块链等新技术的应用把人工智能应用到广播电视的监测监管领域,将赋能广播电视的技术监测和节目内容监管的战略性发展。

  1 人工智能的基本概念

  1.1 人工智能的定义

  人工智能是一个以人工智能为核心,以自然智能、人工智能、集成智能为一体的智能科学技术学科。它的定义首先从定义智能开始。人类的智能简称智能,是指人类在认识客观世界中,由思维过程和脑力活动所表现出的综合能力。

  人类的大脑如何实现智能是世界两大难题之一。学术上的解释有思维理论、知识阙值理论、进化理论三种,分别认为智能的核心是思维,智能取决于知识的数量及其可运行程度,智能取决于感知和行为,以及外界复杂环境的适应。智能有感知能力、记忆和思维能力、学习和自适应能力、行为能力等四方面主要能力。 人工智能可从能力和学科两个方面讨论人工智能的定义。从能力方面,人工智能是用人工的方法在机器上实现的智能,也称为机器智能。从学科方面来定义,人工智能是一门研究如何构造智能机器或智能系统,以模拟、延伸和扩展人类智能的学科。现在最常用的人工智能的定义,是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

  1.2 人工智能的基本特征

  人工智能理论基础研究,是多学科的交叉研究,同时具有集成智能。例如,对符号、行为的集成智能和有机融合,各种资源的相互作用、传导和传递,实现资源的共享、融合和新生。互联网走向未来互联网,智能机器人发展为未来智能机器人,进一步与主流信息技术融合,并将应用于人类社会的各个领域和人类生活的各个方面智能技术促生的智能产业,将会成为第四产业,智件也将逐步从软件中分离出来,成为智能计算机系统之一。

  人工智能作为自然科学和社会科学的交叉学科,其核心是思维和智能,涉及的离散数学、模糊数学、认知心理、逻辑思维学、形象思维学以及计算机科学等基础学科,并依赖脑科学、认知科学、系统科学、控制论等多种学科的共同发展。尽管目前人工智能不同研究学派在理论基础、研究方法方面还存在差异,但不影响它在科技进步和创新中占据着重要地位。

  1.3 我国人工智能的战略发展要点

  在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术以及经济社会发展强烈需求的共同驱动下,我国的人工智能快速发展。世界主要发达国家把发展人工智能作为提升国家竞争力、维护国家安全的重大战略,我国也把人工智能的发展放在国家战略高度,出台了一系列有关政策标准和产业推进计划。

  2017年7月8日印发并实施的 《新一代人工智能发展规划》中明确了我国人工智能战略目标,并对人工智能的发展战略进行了整体部署,就是要构建一个开放协同的人工智能科技创新新体系,坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进,并强化科技、经济、社会发展和国家安全四大支撑。

  2 广播电视监测监管应用人工智能关键技术

  广播电视监测监管的网络化、数字化及广播电视监测监管云平台建设,为智能识别、机器学习、智能系统等人工智能关键技术提供了应用研究基础。

  2.1 机器学习

  机器学习是机器自动地获取新知识并具有智能的根本途径,通过知识结构的不断完善与学习更新来提升机器自身的性能,是人工智能的核心技术。研究从观测数据(样本)出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测。阿尔法Go就这项技术一个很成功的体现。机器学习有多种不同的分类方法,如果按照对人类学习的模拟方式,机器学习可分为符号学习和神经学习等。

  基于广播电视监测监管的场景应用,关键技术涉及深度学习技术和机器视觉两个方面,深度学习是机器学习各项技术中应用最广也是最成功的技术分支,有人工神经网络算法、聚类算法、贝叶斯算法等算法。机器视觉让计算机拥有类似人类的提取、处理、理解和分析图像以及图像序列的能力,随着深度学习的发展,预处理、特征提取与算法处理渐渐融合,形成端到端的人工智能算法技术。两个典型关键技术解决监测监管应用,还需着重解决跨媒体分析推理,即研究跨媒体的关联理解、知识图谱构建与学习、知识演化推理与智能描述等。

  2.2 智能识别

  智能识别是指利用人工智能的方法从大量信息中识别并判断出所需的信息或知识,尤其是海量的信息或知识,主要包括基于深度学习的图像内容和语音内容的智能识别。

  基于深度学习内容识别技术,是当前研究和应用的热点,广泛应用于语音、图像、视频等识别的各种模型的变形体或结合体模型,如隐含马尔科夫模型(HMM,Hidden Markov Model)、卷积神经网络(CNN,Convolutional Neural Networks)、递归神经网络 (RNN,Recurrent Neural Networks)、长短期记忆网络(LSTM,Long Short-Term Memory),可应用于智能编目、广告检测、智能检索、智能审核等领域,需着重解决的主要问题还有具有一定自然语言理解能力、具有一定的推理能力和具有一定的常识知识。

  2.3 智能系统

  智能系统指各种具有智能特征和功能的软硬件系统。从这种意义上讲,人工智能的许多研究内容都应以智能系统的形式来表现,例如智能控制系统、智能制造系统、智能检索系统等。其典型应用系统有专家系统和智能决策支持系统。

  专家系统是一种基于知识的智能系统,它将领域专家的经验用知识表示方法表示出来,并放入知识库中,供推理机使用。有模糊专家系统、神经网络专家系统、基于Web的专家系统、协同式专家系统和分布式专家系统等。智能决策支持系统是在传统决策支持系统中增加了相应的智能部件的决策支持系统,把人工智能技术,尤其是专家系统技术与决策支持系统相结合的产物。

  3 人工智能在广播电视监测监管中的应用分析

  有理解能力的机器进行大规模信息处理、分析和决策,将有力推动音视频智能处理技术的进步,应用人工智能为广播电视监测监管“赋能”,迎接新的技术带来的挑战。在充分理解广播电视监测监管业务场景需求的前提下,针对特定业务场景数据集,改造构建监测监管算法和模型,依托硬件资源和应用软件框架对算法进行训练和优化,再通过业务流程再造、集成,形成面向广播电视监测监管的人工智能应用。

  3.1 音视频内容的智能识别监测

  智能识别监测在广播电视监测监管中的应用,围绕广播电视信号的技术监测和节目内容的监管两方面开展,主要应用场景涉及语音识别、语种识别、语义判断、图像识别、音视频可视化数据信息转换以及智能分析研判等,其能力主要取决于模型构建、机器学习能力以及对海量音视频数据的智能识别监测和智能分析处理能力。把监管数据分析、案例研究等不断积累案例库、知识库,作为深度学习的样本数据,为应用基于深度学习的人工智能技术提供数据模型储备。

  在音频效果智能识别监测方面,基于训练数据集作为信道模型,从混合信号和参考信号中提取比对分离音频指纹特征,通过迭代搜索计算音频指纹的最大匹配相似距离,结合语音识别、语种识别、语义判断等,实现音频效果的人工智能评估。在音视频内容方面,基于文字识别、语音语种识别、人脸识别、图像比对识别、场景识别、视频拷贝检测等方法,利用黑白名单比对、机器深度学习、光学字符识别(OCR,Optical Character Recognition)等多种技术定位标识目标物体,通过声学模型、特征提取模型、模式匹配等建立针对语音、图片、视频、舆情等的提取分类识别、多维度审核、智能分析研判,实现对媒体资源内容的监测监管。

  3.2 监测监管数据信息的智能编目

  智能编目是指数增长的监测监管数据信息智能化管理的最有效方式。通过智能识别、语义判断、机器学习等,对监测监管数据信息资源的形式、内容特征进行分析、选择、记录,并赋予某种检索标识,并将这些描述信息按照一定的规则有序化的组织起来。

  监测监管数据信息的智能编目由音视频结构化、知识图谱和大数据检索等三部分组成。音视频结构化完成对基础元素和内容的提取和整理,并解构成可以被碎片化使用的组件;知识图谱用于将得到的事件、人物、物体、场景等信息有序梳理,并以便于检索和关联的形式进行存储和呈现;大数据检索则在前两者的基础上,提供海量监测监管数据信息的高效检索,可以根据人物特征、人脸特征、图像特征、视频特征及更复杂的组合结构,快速地提供数据检索服务。例如,通过人脸、字幕、台标、结构化、声音等进行智能编目,产生片段、场景、镜头、人脸、字幕、台标、声音等相应的编目信息结果,同时利用大数据能力和算法,实现监测监管行为数据标签管理。

  3.3 网络安全智能态势感知

  态势感知是一种以安全大数据为基础,动态的、基于整体环境的洞悉安全威胁和安全风险的一种方式,并从全局视角确定安全威胁、相应处置能力,并最终形成决策与行动。智能态势感知需要对广播电视网络终端、关键网络节点安放智能探测器,接受网络环境和风险情况,并对海量安全数据进行关联分析和行为建模,实现对漏洞、威胁、风险、攻击等的全面态势感知,并对网络安全和终端安全给出预警,并进行阻断、修复等自适应自动决策处理,来止损全链条的自动化智能响应,同时通过提前预设对抗样本对模型做专项对抗训练,测试模型的稳定性和安全性。

  3.4 监测监管的智能系统应用架构

  监测监管的智能系统的应用架构,从逻辑上由平台层、服务层、应用层和业务层组成,从流程上有数据集设计、算法选型、训练优化、测试评估、集成部署等环节。平台层是智能应用训练、测试评估与集成部署的基础支撑层。服务层以平台层提供的支撑为基础,运行智能识别处理、可视化数据转换、大数据分析推理、综合分析研判等基础服务。应用层完成语音识别、语种识别、语义判断、场景识别、音视频拷贝检测等。业务层面向广播电视监测监管的技术监测、安全播出监管、节目内容监管、广告监管、机构监管,以及资源的分配、控制、分发、终端管理等业务环节,提供监测监管人工智能应用。

  4 结束语

  人工智能与广播电视监测监管的融合创新,将推动广播电视监测监管向智能化的转型升级,提升广播电视监测监管效率。我们应紧跟深度学习人工智能技术发展的步伐,不断跟踪研究深度学习神经网络模型的演变和深度学习算法的发展,加强数据储备、模型储备和算法储备,为应用基于深度学习的人工智能技术提供模型储备和算法储备,为广播电视内容监管技术系统建设提供有力技术支撑。同时,在广播电视监测监管技术创新中应用人工智能的最新成果,激发监测监管新动能,为新时代智慧广电发展提供有效的监测监管保障。

责任编辑:王楠

版权声明:凡本网注明来源“流媒体网”的所有内容,版权均属流媒体网所有,转载需注明出处。凡注明来源非“流媒体网”的所有内容,其目的在于传递更多信息,并不意味着流媒体网赞同其观点或证实其内容的真实性。