网络自助新闻发稿平台，价格低，发稿快

5G来临,AI崛起,媒介环境发生天翻地覆变化。
透过媒介趋势看户外媒体技术升级之路何去何从? 

1

人工智能

数据的深层链接

自智能手机问世以来,深层移动连接就已经使用户在手机所有软件中查找和共享数据。但是现在深层连接却让用户越来越难找到自己想要的信息。2019 年,Yelp 餐厅在其软件中标明了准确的联系信息,但是当客户点击时,他们就被跳转到Grubhub 软件里订餐去了。即使客户关掉了软件并想直接打电话订餐,该软件仍将其转换成Grubhub 上的号码,因为这样Grubhub 可以将其归类为“营销”活动并向餐馆收取高额的佣金。如今深层链接有三种:传统深层链接,延迟深层链接和语境化深层链接。

AI 云

过去一年,人工智能生态的领导企业一直在争夺“人工智能云共享”,以期成为值得信赖的AI 远程服务提供者。在西方,该领域由亚马逊、微软和谷歌领导,其次是苹果、IBM、Salesforce、SAP 和甲骨文。在亚洲,AI 云由阿里巴巴等巨头主导。这是一个价值2500 亿美元的行业,并且仍在迅速发展。纽约大学斯特恩商学院教授Arun Sundararajan 说:“(这场竞争的)收益是成为下一个技术时代的操作系统。”娱乐和媒体公司将在未来几年找到更多使用AI 云的方式。

无处不在的数字助理(智能语音助理)

Siri、Alexa 和天猫等数字助理使用语义和自然语言处理我们的数据,有时甚至在我们不知道要问什么之前提前预测我们下一步想要或需要做什么。FTI 模型在2017 年预测,到2020 年,将有近一半的美国人拥有并使用数字助理,而FTI 模型将继续追踪这个方向的趋势。亚马逊和谷歌主导了智能语音市场,但数字助理是无处不在的。现在,有成千上万的可跟踪响应的数字助理软件和小程序。新闻机构、娱乐公司、营销商、信用卡公司、银行、地方政府机构(警察、公路管理)、政治运动以及许多其他活动也在通过数字助理传达重要信息。

利用短视频生成虚拟环境

实际视频内容与AI 生成内容

芯片设计师Nvidia 教AI 用短视频片段构建逼真的3D环境,利用了此前生成对抗网络(GANs)的研究成果。Nvidia 系统从开源数据集中生成的图形将用于自动驾驶领域。设计师使用了划分成不同类别(建筑物、天空、车辆、标志、树木、人)的短片段对GAN 进行了训练,从而生成这些对象的新版本。自动生成虚拟环境的应用前景无穷:物流(仓库、工厂、运输中心)、城市规划模拟,甚至包括测试游乐园和购物中心内的客流量场景。

机器识别

公司不再仅仅依靠AI 系统执行繁琐的重复性任务。更先进的系统正在帮助企业优化工作流程并主动生成策略。这意味着人们并没有被机器人完全取代;相反,机器人是按照人类的工作能力而创造出来的。从仓库到审计公司,人工智能系统开始执行认知任务——在此过程中,人类只需要执行基础的操作。

亚马逊的自动化系统帮助提高仓库的效率、指导员工完成工作。在新闻编辑室中,类似的系统可以帮助记者筛选非常庞大的数据集以查找异常或识别人员。

机器人

基本意义上的机器人是指,为自动完成某一特定任务而设计的软件应用。在媒体领域,机器人可被分为两大类:新闻型机器人(news bots)和生产力型机器人(productivity bots)。前者可以协助集合新闻信息,并自动为读者推送特定新闻事件;而生产力型机器人,则可以帮助新闻组织自动化他们的日常流程。

机器人的下一个重大进步不在技术方面,而是监管。在2018 年的竞选中,我们看到了“僵尸网络”的复苏,“僵尸网络”是指发送误导性内容的计算机网络。由于人们对越来越多的机器人诈骗感到担忧,加利福尼亚州制定了一项新法律,该法律于2019 年7 月1 日生效,要求机器人在在与人类的交往中必须清晰、醒目、合理地表明自己不是人类。

实时机器学习

机器学习指的是一种应用算法来分析数据,从而可以更好地完成各种任务的系统,并且随着时间推移,它会越来越擅长这些任务。但这种系统也面临着效率问题:系统需要停下来解析数据。而最新研究表明,实时机器学习可以随数据获取而实时调整模型。这标志着数据移动方式以及我们检索信息方式的巨大变化。

比如说,即便是在多种语言混杂的情况下这种技术也能自动同声传译;它也可以对内容分发进行随时调整,从而为读者提供更具个性化的内容。比起刻板地使用历史数据(读者XX 只喜欢体育类报道),实时偏好则能够将内容纳入推荐机制(读者XX 在接下来的几天里对大选新闻的需求可能会更强烈)。

自然语言理解

对于Siri 和Alexa 等对话式AI 系统而言,让机器准确了解某人的意思难度较大。这些系统经过训练后最多可以理解语句中的代词。如果消费者问“狮子王在Cinemark 剧院几点钟上映?然后在那附近停车”,系统会自动推断“那”的意思是“Cinemark 剧院”。从技术上讲,此过程称为“插槽结转”。它可以使用句法语境来理解代词的意思,除非我们说了带有许多不同代词的复杂句子。事实是,在日常交流中我们的说话都很混乱随意、滥用单词,甚至只用语气词来传达意思。

2019 年,亚马逊研究科学家在NLU 方面取得了令人瞩目的进步,他们推出了新的架构,能够帮助Alexa 在人类不说完整的句子的情况下也能很好地理解人类。

生成式对抗网络

换脸技术在2019 一直热度不断。基于生成式对抗网络(或GANs)的换脸技术很容易实现。我们可以把GAN 理解为无需任何人员参与的图灵测试。GAN 是无监督的深度学习系统,由两个在相同数据(例如人的图像)上训练的相互对抗的神经网络组成。比如说,第一个AI 创建看上去很真实的女人的照片,第二个AI 将生成的照片与真实女人的照片进行比较。第一个AI 根据第二个AI 的判断重新对其生成过程进行一次又一次的调整,直到自动生成看起来完全真实的女人图像为止。

GANs 也被用来实现旧照片或画作的动态化。今年,斯科尔科沃科技学院和三星AI 中心的研究人员利用该技术让蒙娜丽莎摇了摇头、让拉斯普丁演唱了碧昂丝的《Halo》。

ThisPersonDoesNotExist.com 生成的人像

AI 的持续偏见

AI 有严重的偏见已不是秘密。这个问题是多方面的。举个例子,用于训练AI 的数据集通常来自Reddit 或亚马逊的评论以及Wikipedia 等本身就充满偏见的地方。建立模型的人往往不知道自己存在偏见。随着我们的计算机系统越来越多地用于决策,我们可能会发现自己被算法分到一个组别中,虽然对我们而言可能没什么影响,但实际上可能产生巨大隐患。

AI 偏见导致内乱

实际上每天你都在主动地或被动地创建不计其数的数据(比如在Facebook 上上传和标记照片、开车去上班等)。这些数据通常是在你没有发现的情况下被算法挖掘和使用的,并用于制作广告、帮助潜在广告主预测我们的行为、确定我们的抵押贷款利率,甚至帮助执法部门预测我们是否可能犯罪。

2

认知系统

声音识别技术

声纹是一个人声音的独特特征。现在新的机器学习技术与语音录制的庞大数据集相连接可以帮助研究人员能够通过人们说话时产生的声纹进行识别。

卡内基·梅隆大学的研究人员开发出了一种可以使用声纹就可以构建3D 面部的生成技术。执法机构正在应用该系统识别恶作剧呼叫者以及欺骗当地派遣特警就为了报复他人的人。

个性识别

新兴的预测分析工具会记录用户的数据、行为和偏好,这些数据可以反映出用户的个性并预测用户在任何情况下的反应。2018 年,Cambridge Analytica 就使用算法分析帮助Donald Trump 赢得了大选。政治候选人、律师事务所、营销商、客户服务代表和其他人员都在使用新型系统,这种系统可以查看用户手机网上活动、电子邮件和对话,实时评估用户的性格。最终目的就是判断用户的特定需求。

ElectronicArts 正在开发一种可以评估多人视频游戏玩家性格的系统,从而根据他们的游戏风格、对话风格和花钱意愿更好地匹配玩家。

在现实世界中,保险承销商正试图通过用户订阅的杂志和网站、发布到社交媒体上的照片等等来评估用户的个性,以便确定其投保风险。一些贷款方已经开始使用个性算法来预测用户未来的商业交易了。(数据显示,如果两个具有相同专业和个人情况的人同时借款,那么拥有较高大学文凭的人更可能还清债务。)

情绪识别

2018 年,亚马逊申请了一项新系统的专利,该系统可以根据用户过去及现在的互动来检测用户的身心健康状况。如果亚马逊检测到该用户生病了,就会建议用户一小时内服用止咳药。汽车制造商Kia 于2019 年在CES 上首次亮相了它的实时情感识别系统(R.E.A.D.)。该系统可以通过传感器监控乘客面部表情、心率和皮肤电活动来调节车内环境以乘客的情绪状态。

情感计算

情感计算属于跨学科领域,涵盖计算机科学、心理学和认知科学。麻省理工学院的研究人员正在研究一种机器学习算法,可以通过从我们的可穿戴设备(智能手表、健身追踪器)收集的皮肤电活动了解我们的情绪并作出响应。但是其他来源的数据也可能派上用场,比如我们的皮肤、脸部和与他人的对话。分析师推测,到2023 年情感计算将成为一个价值250 亿美元的产业。