جزئیات DeepMind کار YouTube: AutoChapters، فشرده سازی

علاوه بر تحقیقات، آزمایشگاه هوش مصنوعی آلفابت وظیفه دارد از نوآوری های مختلف خود برای کمک به بهبود محصولات گوگل استفاده کند. DeepMind امروز سه حوزه خاص را که تحقیقات هوش مصنوعی به “تقویت تجربه یوتیوب” کمک کرده است را شرح داد.

از سال 2018، DeepMind با YouTube بر روی مدل کیفیت برچسب (LQM) کار کرده است که با دقت بیشتری مشخص می‌کند چه ویدیوهایی با دستورالعمل‌های تبلیغ‌کننده مطابقت دارند و می‌توانند تبلیغات را نمایش دهند.

از زمان شروع به تولید در بخشی از ترافیک زنده YouTube، به طور متوسط ​​4٪ کاهش نرخ بیت را در مجموعه وسیع و متنوعی از ویدیوها نشان داده ایم.

DeepMind که یوتیوب را یکی از شرکای کلیدی خود می نامد، با این شروع می کند که چگونه مدل هوش مصنوعی MuZero آن به “بهینه سازی فشرده سازی ویدئو در کدک VP9 منبع باز” کمک می کند. جزئیات بیشتر و نمونه ها را می توانید در اینجا بیابید.

با یادگیری پویایی رمزگذاری ویدیو و تعیین بهترین روش برای تخصیص بیت ها، کنترل کننده نرخ MuZero (MuZero-RC) ما قادر است نرخ بیت را بدون کاهش کیفیت کاهش دهد.

اخیراً، DeepMind پشت AutoChapters است که امروزه برای 8 میلیون ویدیو در دسترس است. برنامه این است که “این ویژگی را به بیش از 80 میلیون فصل تولید شده خودکار در سال آینده مقیاس کند.”

با همکاری تیم جستجوی YouTube، فصل‌های خودکار را توسعه دادیم. ابتدا از یک مدل ترانسفورماتور استفاده می کنیم که بخش های فصل و مهرهای زمانی را در یک فرآیند دو مرحله ای تولید می کند. سپس، یک مدل چندوجهی – که قادر به پردازش متن، داده های بصری و صوتی است – به تولید عناوین فصل کمک می کند.

DeepMind قبلاً روی بهبود پیش‌بینی‌های Google Maps ETA، توصیه‌های Play Store و خنک‌سازی مرکز داده کار کرده است.

بیشتر در یوتیوب:

FTC: ما از پیوندهای وابسته خودکار برای کسب درآمد استفاده می کنیم. بیشتر.


برای اخبار بیشتر، 9to5Google را در YouTube بررسی کنید: