Ефективність систем стрімінгу відеоконтенту на основі використання штучного інтелекту

Размещено на http://www.allbest.ru/

Харківська державна академія культури

Харківський національний університет радіоелектроніки

ЕФЕКТИВНІСТЬ СИСТЕМ СТРІМІНГУ ВІДЕОКОНТЕНТУ НА ОСНОВІ ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ

Брусенцев Віталій Олександрович кандидат технічних наук,

доцент, доцент кафедри цифрових комунікацій та

інформаційних технологій Сичова Марія Андріївна

магістр кафедри інформаційних управляючих систем

Анотація

відеострім штучний інтелект стрімінг

Розглянуто та проаналізовано значення штучного інтелекту для стрімінгу відеоконтенту на сучасних платформах для ефективної роботи потокового віщання інформації. Стрімко зростає актуальність та популярність стрімінгових сервісів або стрімінгових платформ шляхом інтернет-технологій. Використання засобів штучного інтелекту для досягнення цілей та задач відеострімінгу стало доволі популярним.

Досліджено ключові ролі штучного інтелекту у системах стрімінгу відеоконтенту з метою забезпечення більш ефективної, персоналізованої та інноваційної форми обслуговування для користувачів: для створення персоналізованих рекомендацій, адаптивного пристосування параметрів відеострімів до мережевих умов, розпізнаваня та індексації відеоконтенту, аналізу емоцій та обличчя глядачів, розпізнавання та категоризації відео, боротьби з несанкціонованим поширенням контенту та безпеки стрімінгу відео, впровадження голосових інтерфейсів, оптимізації показу рекламних матеріалів, проведення аналітики ефективності платформи. Це пояснюється тим, що обсяг відеоінформації постійно зростає і для її автоматичної обробки потрібні засоби штучного інтелекту.

Проаналізовано сучасні відеокодеки, що стали стандартами для стиснення великого обсягу відеоданих без значної втрати якості та передачі відеоданих з високою ефективністю. Але не зважаючи на досягнення сучасних кодеків, існують проблеми, які виникають при використанні таких стандартів. Однією з основних проблем є обмежена ступінь стиснення. Другою проблемою є великі розміри файлів, що прямо впливає на швидкість передачі та споживання пропускної здатності мережі. Алгоритми машинного навчання на базі засобів та методів штучного інтелекту можуть допомогти вирішити ці проблеми.

Відзначено, що подальшими напрямами дослідження є розвиток глибокого навчання та нейромереж для покращення якості відео, систем рекомендацій, систем адаптивного стрімінгу, додавання інтерактивних елементів у відео, використання віртуальної та розширеної реальності, використання технологій виявлення емоцій, голосового управління, аналітичної обробки поведінки глядачів.

Ключові слова: штучний інтелект, відеоконтент, відеострімінг, стрімінгова платформа, відекодек.

Abstract

Brusentsev Vitalii Oleksandrovych PhD in Technical Sciences, Associate Professor, Associate Professor at the Information Technologies Department, Kharkiv State Academy of Culture

Sychova Mariia Andriivna Master's degree student at the Department of Information Control System, Kharkiv National University of Radio Elektronics

EFFICIENCY OF VIDEO CONTENT STREAMING SYSTEMS BASED ON THE USE OF ARTIFICIAL INTELLIGENCE

The article considers and analyses the importance of artificial intelligence for streaming video content on modern platforms for the efficient operation of information streaming. The relevance and popularity of streaming services or streaming platforms via Internet technologies is rapidly increasing. The use of artificial intelligence tools to achieve the goals and objectives of video streaming has become quite popular.

Are investigated the key roles of artificial intelligence in video content streaming systems in order to provide a more efficient, personalised and innovative form of service for users: to create personalised recommendations, adaptively adjust video streaming parameters to network conditions, recognise and index video content, analyse viewers' emotions and faces, recognise and categorise videos, combat unauthorised content distribution and video streaming security, implement voice interfaces, optimise the quality of video content, and provide a more efficient and effective service. This is due to the fact that the amount of video information is constantly growing and artificial intelligence tools are needed to process it automatically.

Modern video codecs that have become standards for compressing large amounts of video data without significant loss of quality and transmitting video data with high efficiency are analysed. But despite the advances in modern codecs, there are problems that arise when using such standards. One of the main problems is the limited compression ratio. The second problem is the large size of files, which directly affects the transfer speed and network bandwidth consumption. Machine learning algorithms based on artificial intelligence tools and techniques can help solve these problems.

It is noted that further areas of research are the development of deep learning and neural networks to improve video quality, recommendation systems, adaptive streaming systems, adding interactive elements to video, using virtual and augmented reality, using emotion detection technologies, voice control, and analytical processing of viewer behaviour.

Keywords: artificial intelligence, video content, video streaming, streaming platform, video codec.

Постановка проблеми

Популярність стрімінгових платформ значно зросла за останні кілька років, що в основному пояснюється глобальною пандемією COVID-19, яка спричинила повсюдні локдауни та збільшення використання цифрових розваг як для дозвілля, так і для віддаленої роботи. Через те, що люди стали проводити більше часу вдома, попит на різноманітний контент за запитом стрімко зріс, зробивши послуги надання потокового відео основним джерелом розваг, відпочинку та інформації, тим самим прискоривши вже зростаючу тенденцію споживання цифрового контенту. У сучасному Інтернет-середовищі поширення стрімінгових платформ революціонізувало споживання аудіовізуального контенту, змінивши динаміку розповсюдження медіа та залучення користувачів.

Відеострімінг став важливою складовою сучасного інтернет-середовища, проте зростаючий обсяг відеоданих ставить під сумнів ефективність традиційних методів кодування та стиснення. Застосування штучного інтелекту (ШІ) в цьому контексті відкриває нові можливості для оптимізації процесів передачі відеоконтенту.

Аналіз останніх досліджень і публікацій

Сучасний світ постійно вдосконалюється завдяки розвитку різних інформаційних та комп'ютерних технологій, широкому розвитку інтернет та популяризації онлайн-життя. За останні 5 років стрімко зросла актуальність стрімінгових сервісів або стрімінгових платформ, які дозволяють виконувати потокове віщання шляхом інтернет-технологій. Дуже популярним стало саме використання засобів штучного інтелекту для досягнення цілей та задач відеострімінгу. В публікації Гбура З.В. [2] досліджується питання інформаційної безпеки з використанням штучного інтелекту. Вдосконалення нейронних алгоритмів дозволило розвиватися нейронним мережам, що призвело до появи різних онлайнсервісів та чат-ботів. В дослідженнях Надригайло Т.Ж. та Молчанової К.А. [4] проведено аналіз нейронних алгоритмів. В своєму дослідженні Осьмак А., Карпенко Ю. та Семененко І. [5] показали переваги та ризики використання інструментів штучного інтелекту в мережевому управлінні. В публікаціях українських вчених та дослідників-практикантів [1, 3, 6, 7] досліджуються інші напрями розвитку та впровадження засобів штучного інтелекту.

Системи, засоби, алгоритми та інструменти штучного інтелекту впроваджуються в різних галузях, проте недостатньо приділяється уваги ефективності їх використання у системах стрімінгу відеоконтенту, особливостям вибору відеокодеків для зберігання відеопотоку та зменшення витрат ресурсів.

Метою статті є аналіз та характеристика ключових ролей штучного інтелекту на стрімінгових платформах відеоконтенту.

Виклад основного матеріалу

Розповсюдження цифрового контенту та попит на його отримання у гнучкому форматі сприяли зростанню платформ потокового відео (також відомих як відеострімінгові платформи), роблячи їх невід'ємними компонентами сучасного споживання медіа.

За своєю суттю, потокове відео передбачає постачання відеоконтенту через Інтернет, що дозволяє користувачам отримувати доступ до великої кількості відео на вимогу. Це середовище зазнало значного розвитку, оскільки платформи пропонують різноманітний контент, починаючи від фільмів та телевізійних шоу, і закінчуючи відео та прямими трансляціями, що були створені безпосередньо користувачами платформи.

Стрімінгові платформи можна класифікувати на дві основні категорії: трансляція в прямому ефірі (live streaming) та трансляція за запитом (ondemand streaming). Платформи трансляцій в прямому ефірі, наприклад, Twitch, YouTube Live і Facebook Live, зосереджені на доставці контенту в реальному часі. Платформи з трансляцією за запитом пропонують користувачам гнучкість доступу до контенту, коли їм зручно, наприклад, світові платформигіганти Netflix, Amazon Prime Video та Hulu, а також найпопулярніші українські платформи Sweet.tv, Takflix та Megogo.

Останнім часом дуже популярним трендом стало використання нейронних мереж навіть для створення відеоконтенту за текстовим описом завдяки використанню генераторів зі штучним інтелектом, найпопулярнішими з яких є наступні [1]: Synthesia.io, Pictory.ai, Lumen5, Designs.ai, InVideo, Rephrase.ai, Synths.video, Veed.io, Wisecut, Flexclip.

ШІ відіграє важливу роль у системах стрімінгу відеоконтенту, надаючи ряд переваг для користувачів і платформ. Він відіграє ключову роль у вдосконаленні систем стрімінгу відеоконтенту, забезпечуючи більш ефективну, персоналізовану та інноваційну форму обслуговування для користувачів. Серед ключових ролей ШІ у цих системах слід відзначити:

1. Персоналізовані рекомендації. ШІ використовується для аналізу історії перегляду, вподобань і поведінки користувачів, інтересів і звичок перегляду відео для створення персоналізованих рекомендацій, що допомагає користувачам знаходити контент, який їх зацікавив, і збільшує час, проведений на платформі, підвищує зручність використання та задоволення від перегляду. Платформи стрімінгу, такі як Netflix, Hulu, YouTube, використовують системи рекомендацій, щоб пропонувати користувачам персоналізовані варіанти відеоконтенту.

2. Адаптивне стрімінгове відео. ШІ використовується для аналізу мережевих умов і пристосування параметрів відеострімів (роздільна здатність, бітрейт) в реальному часі, з метою забезпечення оптимальної якості відео при будь-яких умовах мережі.

3. Розпізнавання та індексація контенту. ШІ використовується для автоматичного розпізнавання обличчя, об'єктів, тексту та інших елементів відеоконтенту, що полегшує індексацію та пошук великого обсягу відеоматеріалів.

4. Аналіз емоцій, обличчя та взаємодія з користувачем. Деякі системи використовують ШІ для аналізу емоцій глядачів на основі їх виразів обличчя та поведінки, що може використовуватися для покращення взаємодії з користувачами, допомогти в розумінні реакцій аудиторії та адаптації контенту.

5. Автоматична категоризація та метадані. ШІ допомагає визначити тематику та категорії відео, що полегшує подальшу автоматичну категоризацію, створення метаданих та організацію контенту на платформі. Алгоритми обробки природної мови (Natural Language Processing, NLP) використовуються для розпізнавання та категоризації відео на основі текстового та аудіо-вмісту.

6. Боротьба з піратством та безпека. ШІ використовується для виявлення несанкціонованого поширення контенту та моніторингу безпеки мережі стрімінгу відео, забезпечуючи контроль доступу та шифрування, а також для контролю доступу та захисту авторських прав.

7. Голосові інтерфейси та взаємодія. ШІ дозволяє впровадження голосових інтерфейсів для зручної взаємодії з користувачами, що дає змогу керувати стрімінговим контентом голосовими командами.

8. Оптимізація реклами та монетизація. ШІ може використовуватися для аналізу поведінки користувачів та оптимізації показу рекламних матеріалів, щоб збільшити ефективність рекламних кампаній та приносити більше прибутку.

9. Аналітика та оптимізація продукту. ШІ допомагає вирішувати питання щодо ефективності стрімінгових платформ, забезпечуючи аналітику використання та підказки для оптимізації функціональності та досвіду користувача.

Разом із зростанням обчислювальної потужності та розвитком алгоритмів машинного навчання, ШІ продовжує трансформувати підхід до стрімінгу відеоконтенту, забезпечуючи користувачам більш якісний та персоналізований досвід перегляду.

Один із ключових аспектів сучасних відеокодеків -- це їхні здатності до високого ступеню стиснення даних та передачі відеоданих з високою ефективністю. Кодеки, такі як H.264 (AVC), H.265 (HEVC), VP9, AV1 та H.266 (VVC) стали стандартами для стиснення великого обсягу відеоданих без значної втрати якості. Вони ефективно використовують методи, такі як міжкадрове та внутрикадрове стиснення, для досягнення компромісу між якістю та обсягом даних. Розглянемо та порівняємо їх більш детальніше:

1. H.264 (MPEG-4 Part 10 або AVC (Advanced Video Coding)) є одним з найпопулярніших та широко використовуваних відеокодеків. Він надає хорошу якість відео при досить ефективному стисненні та є стандартом для великої кількості відеопродукції, включаючи вебстрімінг, трансляцію, Blu-ray тощо. Використовується в цифровому телебаченні високої чіткості HDTV і в багатьох інших сферах цифрового відео.

2. H.265 (HEVC (High Efficiency Video Coding)), розроблений з метою поліпшення ефективності стиснення порівняно з H.264. Він надає кращу якість при тому ж рівні бітрейту або може зменшити бітрейт для однакової якості. Рекомендацію стандарту розроблено у зв'язку зі зростаючою потребою у вищому ступені стиснення рухомих зображень для найрізноманітніших застосунків, як-от потокове передавання в Інтернеті, передавання даних, відеоконференц-зв'язок, цифрові запам'ятовуючі пристрої та телевізійне мовлення. HEVC використовується для високоякісних відеостандартів, таких як 4K та 8K відео. Підтримуються формати кадру до 8K (UHDTV) з роздільною здатністю 8192-4320 пікселів.

3. VP9. Розроблений Google, VP9 є відкритим відеокодеком, призначеним для стиснення відео з високою роздільною здатністю. Раніше розроблявся під назвою Next Generation Open Video (NGOV) і VP-Next. Є еволюційним розвитком і наступником стандарту VP8. Обидва стандарти використовуються з контейнером WebM. VP9 використовується у таких платформах, як YouTube, для стрімінгу відео з високою якістю при меншому обсязі даних порівняно з H.264.

4. AV1 (AOMedia Video 1). AV1 є відкритим відеокодеком, розробленим Альянсом відкритого медіа (Alliance for Open Media), до складу якої входять компанії, що займаються виробництвом електроніки (AMD, Apple, ARM, Broadcom, Intel, Nvidia), розповсюдженням відео за запитом (Apple, Amazon, Facebook, Google, Hulu, Netflix), розробкою веб-браузерів (Apple, Google, Mozilla, Microsoft). Цей кодек розроблявся з метою надання високоякісного стиснення відео, що передається мережею Інтернет, без втрати якості та без ліцензійних обмежень. AV1 використовується для стрімінгового відео, особливо на платформах, що підтримують відкриті стандарти.

5. H.266 (VVC (Versatile Video Coding)) є новітнім стандартом відеокодування, розробленим з метою подальшого покращення ефективності стиснення порівняно з H.265. Він має покращену ефективність стиснення та підтримує високорозширені формати відео. Проте, не зважаючи на досягнення сучасних кодеків, існують проблеми, які виникають при використанні таких стандартів. Однією з головних є обмежена ступінь стиснення, стає актуальною особливо при високих роздільних здатностях й частотах кадрів, та при трансляції великого обсягу відеоконтенту, такого як 4K або 8K відео.

Ще однією проблемою є великі розміри файлів, що прямо впливає на швидкість передачі та споживання пропускної здатності мережі. Це стає особливо критичним при стрімінгу відеоконтенту в режимі реального часу, де важливо забезпечити мінімальні затримки та оптимальну якість для кінцевого користувача. Великі розміри файлів впливають на швидкість передачі та можуть ускладнити доступ до відеоконтенту для користувачів з обмеженим доступом до широкосмугового інтернету.

Для розв'язання вищенаведених проблем великий потенціал лежить у застосуванні алгоритмів машинного навчання. Адаптивний вибір параметрів кодування є важливою стратегією для оптимізації якості та обсягу даних в реальному часі. Штучний інтелект може використовувати алгоритми машинного навчання для аналізу характеристик мережі, характеристик обладнання користувача та змінюваних умов передачі для автоматичного вибору оптимальних параметрів кодування. Це дозволяє підтримувати стабільну якість відео при змінюваних умовах та забезпечувати оптимальне використання пропускної здатності.

Нейронні мережі можуть бути навчені розпізнавати особливості відеосюжетів, стилів та динаміки зображення. Це дозволяє враховувати контекст та структуру відео при виборі методів стиснення. ШІ може самостійно адаптувати параметри кодування для кожного відеофрагмента, максимізуючи якість відтворення та ефективно використовуючи обсяг даних.

Також можливо покращити методи стиснення за допомогою штучного інтелекту. Глибоке навчання та нейронні мережі можуть бути використані для розробки нових алгоритмів стиснення, які враховують особливості людського зору та сприйняття відеоконтенту. Це дозволяє ефективно видаляти зайву інформацію, забезпечуючи при цьому високу якість відтворення.

Загалом, штучний інтелект відкриває широкий простір для оптимізації відеокодування та стиснення. Використання ШІ для адаптивного вибору параметрів кодування, аналізу контенту та розробки нових методів стиснення робить можливим покращення якості стрімінгового відео та ефективного використання пропускної здатності мережі, що в сукупності робить цей підхід перспективним напрямком для розвитку систем стрімінгу відеоконтенту.

У сфері стрімінгу відео рекомендаційні системи відіграють вирішальну роль у знаходженні контенту, формують досвід користувачів і впливають на звички перегляду. Традиційні системи рекомендацій, позбавлені ШІ, часто використовують явні відгуки користувачів, наприклад оцінки та відгуки, щоб пропонувати контент. Натомість, системи рекомендацій контенту з інтегрованими алгоритмами штучного інтелекту пропонують користувачам персоналізовані пропозиції, які відповідають їхнім уподобанням та історії переглядів.

За своєю суттю системи рекомендацій використовують складні моделі машинного навчання для аналізу величезних обсягів даних користувачів. Ці моделі розрізняють шаблони, уподобання та звички перегляду, створюючи індивідуальний профіль для кожної людини. Цей персоналізований підхід виходить за рамки загальної категоризації контенту, гарантуючи, що користувачі отримають підібрану добірку відео, які відповідають їхнім унікальним смакам.

Одна з ключових переваг систем рекомендацій, керованих штучним інтелектом, полягає в їх здатності адаптуватися та навчатися з часом. Коли користувачі взаємодіють із платформою, алгоритми постійно вдосконалюють їхнє розуміння, надаючи рекомендації все більш точним і релевантним. Цей динамічний процес навчання не тільки підвищує задоволеність користувачів, але й сприяє почуттю лояльності, постійно надаючи контент, який захоплює та резонує. Системам без штучного інтелекту важко йти в ногу з мінливими уподобаннями користувачів і адаптуватися до звичок перегляду.

Крім того, алгоритми штучного інтелекту можуть враховувати різні контекстуальні елементи, такі як час доби, тип пристрою та місцезнаходження користувача, для подальшого уточнення рекомендацій. Ця контекстна обізнаність додає додатковий рівень персоналізації, гарантуючи, що користувачі отримують пропозиції, які відповідають не лише їхнім уподобанням, але й конкретним обставинам при перегляді. Системи без штучного інтелекту можуть надавати рекомендації, які здаються більш статичними та менш пристосованими до смаків користувачів.

Вплив ШІ виходить за межі окремого користувача, приносячи користь постачальникам контенту та стрімінговим платформам. Використовуючи системи рекомендацій, ці платформи можуть оптимізувати розміщення контенту, підвищити залученість і збільшити загальне утримання користувачів. Це, у свою чергу, сприяє успіху та конкурентоспроможності платформи на переповненому ринку.

Оскільки технології продовжують розвиватися, інтеграція штучного інтелекту, безсумнівно, відіграватиме все більш важливу роль у формуванні майбутнього стрімінгового відео, пропонуючи користувачам контент, адаптований до їхніх індивідуальних уподобань і звичок перегляду.

Завдяки здатності штучного інтелекту аналізувати складні шаблони та вивчати величезні набори даних значно підвищилася якість і точність технологій розпізнавання обличь на платформах стрімінгу відео.

Одним із ключових внесків штучного інтелекту з розпізнавання обличь є його здатність розрізняти складні риси обличчя та нюанси зовнішності. Традиційні системи розпізнавання обличчя часто стикаються з варіаціями освітлення, виразів обличчя та кутів огляду, що призводить до неточностей. Алгоритми штучного інтелекту на базі глибокого навчання та нейронних мереж набагато краще обробляють ці варіації, забезпечуючи більш надійну та точну ідентифікацію людей.

Крім того, керовані штучним інтелектом системи розпізнавання обличь мають властиву здатність адаптуватися та розвиватися з часом. Коли вони стикаються з різними характеристиками обличчя та різними сценаріями у відео, ці алгоритми постійно вдосконалюють свої моделі. Ця адаптивність гарантує, що система залишається ефективною в динамічних середовищах, враховуючи зміни зовнішнього вигляду та постійно покращуючи свої можливості розпізнавання.

Вивчаючи різноманітні риси обличчя та вирази, моделі ШІ покращують свою здатність точно розрізняти людей, зменшуючи випадки помилкової ідентифікації. Це не тільки покращує загальну якість системи розпізнавання обличь, але й підвищує впевненість користувачів у надійності технології.

Використання штучного інтелекту для розпізнавання обличь у відео надає переваги покращеного пошуку та навігації. Розпізнавання обличь дозволяє позначати тегами людей у відеоконтенті. Це значно спрощує пошук і навігацію, дозволяючи користувачам знаходити конкретні сцени або моменти, у яких зображені конкретні особи, у великій бібліотеці контенту.

Використання штучного інтелекту з метою розпізнавання обличь підштовхнуло системи стрімінгового відео до підвищеної точності, адаптивності та ефективності. Оскільки ці технології продовжують розвиватися, потенціал більш тонкого та надійного розпізнавання обличь у стрімінговому контенті відкриває шлях до покращеного досвіду користувачів.

Перспективи використання штучного інтелекту в сфері стрімінгу відео обіцяють багато нових можливостей та поліпшень на майбутнє:

1. Розвиток глибокого навчання та нейромереж дозволить покращувати якість відео за допомогою технік апсемплінгу та зменшувати шум. Майбутні технології зможуть забезпечити ще більш ефективне покращення роздільної здатності та чіткості зображення.

2. Прогнозується розвиток систем рекомендацій, які будуть більш точно адаптуватися до індивідуальних вподобань та контексту користувача, забезпечуючи більш ефективний відбір контенту.

3. Системи адаптивного стрімінгу будуть вдосконалюватися для ще ефективнішого пристосування до різних мережевих умов та пристроїв. Це дозволить забезпечити стабільний стрімінг відео навіть при обмежених ресурсах.

4. З використанням штучного інтелекту можливе створення інтерактивних елементів у відео, таких як вибір варіантів розвитку сюжету або взаємодія з об'єктами на екрані, що зробить стрімінг більш захопливим та залучаючим.

5. Застосування ШІ у віртуальній та розширеній реальності буде сприяти створенню більш іммерсивних віртуальних середовищ для стрімінгу відео, що забезпечить нові формати розваг та взаємодії.

6. Технології виявлення емоцій зможуть бути використані для створення більш адаптивного та емоційно зручного відеоконтенту, а також для покращення взаємодії з глядачами.

7. Розвиток голосового управління та інтелектуальних асистентів у відеоплатформах дозволить користувачам взаємодіяти з контентом більш природнім способом, що сприятиме зручності використання.

8. ШІ зможе допомагати аналізувати дані використання, взаємодії та поведінки глядачів для оптимізації контент-стратегій та забезпечення ефективності платформ.

Розвиток технологій штучного інтелекту буде надавати значний вплив на стрімінг відео, роблячи його більш інтелектуальним, персоналізованим та захоплюючим для користувачів.

Висновки

У результаті дослідження визначено ключові ролі штучного інтелекту та охарактеризовано засоби, що використовуються на стрімінгових платформах відеоконтенту. Було встановлено значення штучного інтелекту для створення персоналізованих рекомендацій користувачам, адаптивного пристосування параметрів відеострімів до мережевих умов, розпізнаваня та індексації відеоконтенту, аналізу емоцій та обличчя глядачів, розпізнавання та категоризації відео, боротьби з несанкціонованим поширенням контенту та безпеки стрімінгу відео, впровадження голосових інтерфейсів, оптимізації показу рекламних матеріалів, проведення аналітики ефективності платформи.

Сучасні відеокодеки здатні до високого ступеню стиснення даних та передачі відеоданих з високою ефективністю. Такі кодеки, як H.264 (AVC), H.265 (HEVC), VP9, AV1 та H.266 (VVC) стали стандартами для стиснення великого обсягу відеоданих без значної втрати якості та ефективно використовують методи стиснення для досягнення компромісу між якістю та обсягом даних.

Перспективними напрямами дослідження є розвиток глибокого навчання та нейромереж для покращення якості відео, систем рекомендацій, систем адаптивного стрімінгу, додавання інтерактивних елементів у відео, використання віртуальної та розширеної реальності, використання технологій виявлення емоцій, голосового управління, аналітичної обробки поведінки глядачів.

Література

1. 10 найкращих генераторів відео зі штучним інтелектом [Електронний ресурс]. - URL: https://www.imena.ua/blog/10-best-ai-video-generators/ (дата звернення: 06.12.2023).

2. Гбур З.В. Використання штучного інтелекту в інформаційній безпеці України. Державне управління: удосконалення та розвиток. 2022. № 1. URL: http://www.dy.nayka.com.ua/?op=1&z=2601 (дата звернення: 08.12.2023).

3. Брусенцев В.О. Інтелектуальні інформаційні системи: навч. посібник / В.О. Брусенцев, О.Є. Коноваленко ; Харків. держ. акад. культури; Харків: ХДАК, 2022. 267 с.

4. Надригайло Т.Ж., Молчанова К.А. Аналіз нейронних алгоритмів. Математичне моделювання. 2015. URL: http://www.dstu.dp.ua/Portal/Data/74/68/13-st13.pdf.

5. Осьмак А., Карпенко Ю., Семененко І. Використання інструментів штучного інтелекту в мережевому управлінні: переваги, ризики та розвиток. Аспекти публічного управління. 11(3), 2023. С. 38-42.URL: https://doi.org/10.15421/152333.

6. Силка Т.Б. Застосування штучного інтелекту для підвищення ефективності телекомунікаційних систем: магістерська дис.: 171 Електроніка / Силка Тимур Богданович. Київ, 2021. - 138 с.

7. Current state of artificial intelligence market: statistics and facts. URL: https:// softengi.com/blog/are-ai-innovations-a-solution-to-productivity/.

References

1. 10 naykrashchykh heneratoriv video zi shtuchnym intelektom [Top 10 AI Video Generators]. URL: https://www.imena.ua/blog/10-best-ai-video-generators/ [in Ukrainian].

2. Hbur, Z. (2022) Vykorystannya shtuchnoho intelektu v informatsiyniy bezpetsi Ukrayiny [Use of artificial intelligence in information security in Ukraine]. Derzhavne upravlinnya: udoskonalennya ta rozvytok. Vol. 1. URL: http://www.dy.nayka.com.ua/?op=1 &z=2601. [in Ukrainian].

3. Brusentsev, V.O., Konovalenko, O.E. (2022) Intelektual'ni informatsiyni systemy [Intelligent information systems]: navch. posibnyk. Kharkiv: KhDAK, 2022. 267. [In Ukrainian].

4. Nadrigaylo, T.Zh., Molchanova, K.A. Analiz neyronnykh alhorytmiv [Analysis of neural algorithms]. Matematychne modelyuvannya. 2015. URL: http://www.dstu.dp.ua/Portal/ Data/74/ 68/13-st13.pdf. [In Ukrainian].

5. Osmak, A., Karpenko, Yu., Semenenko, I. (2023) Vykorystannya instrumentiv shtuchnoho intelektu v merezhevomu upravlinni: perevahy, ryzyky ta rozvytok [Use of artificial intelligence tools in network management: advantages, risks and development]. Aspekty publichnoho upravlinnya. 11(3). 2023. URL: https://doi.org/10.15421/152333. [In Ukrainian].

6. Silka, T. B. (2021). Zastosuvannya shtuchnoho intelektu dlya pidvyshchennya efektyvnosti telekomunikatsiynykh system [Application of artificial intelligence to improve the efficiency of telecommunication systems]. Master's thesis. Kyiv [in Ukrainian].

7. Current state of artificial intelligence market: statistics and facts. URL: https:// softengi.com/blog/are-ai-innovations-a-solution-to-productivity/.

Размещено на Allbest.ru