MIT最新研究：AI可以為流媒體視頻帶來更好的播放體驗

雷鋒網 AI科技評論按：在網上看視頻時，緩沖或色塊問題時有發(fā)生，極其影響觀看體驗?，F在，MIT計算機科學與人工智能實驗室（CSAIL）利用神經網絡算法，最大化地緩解了這種現象。將這種算法應用到YouTube或Netflix等網站之后，觀眾將會獲得更好的體驗。此外，這項技術還能應用于VR，緩解現有的網絡帶寬不夠的問題。

Engadget上的一篇文章詳述了CSAIL新的方法，雷鋒網 AI科技評論將其編譯如下。

緩沖和色塊是流媒體視頻播放中常常出現的問題。一旦出現這種情況，會影響觀看體驗，觀眾換臺之后，又會影響廣告商的收入。并且，這種情況還給流媒體服務帶來了技術上的難點——很難設計出解決方案。

MIT 計算機科學與人工智能實驗室（CSAIL）新發(fā)明的神經網絡AI算法或許恰好能滿足互聯網所需的流暢流媒體服務。

上面播放的視頻并不是以整段傳輸到電腦上的，那會占用太大的帶寬。事實上，數據被分成小片段，然后按順序傳送。但是為了保證視頻質量，像YouTube這樣的網站是利用ABR(碼率自適應)算法來確定視頻播放的分辨率。ABR算法通常有兩種模式:一種是測量網絡傳輸數據的速率，另一種是保證視頻開頭有足夠的緩沖區(qū)。

如果基于速率的算法失敗了，系統(tǒng)會降低比特率以確保視頻繼續(xù)播放，這會導致色塊問題。

另外，如果試圖將視頻快進太多，將會更加影響播放體驗，這是因為基于緩沖的系統(tǒng)提前加載新的視頻塊和緩沖區(qū)時，不得不暫停播放。

這兩種ABR模式本質上是解決同一問題的兩面，他們都沒有完全解決問題的能力。接下來就是人工智能的用武之地了。

實際上已經有了一些關于這個問題的研究?？突仿〈髮W的一個研究小組最近開發(fā)了一種叫做“模型預測控制”(MPC)的方案，試圖預測網絡環(huán)境如何隨時間變化，并基于這個模型做出優(yōu)化決策。然而，這個系統(tǒng)的問題在于，它只會基于模型自身做出優(yōu)化決策，不適合那些突然或急劇發(fā)生流量變化的網絡。

CSAIL的新方法被稱為“Pensive”，它并不依賴模型，而是用機器學習來計算何時（以及何種情況下）在速率ABR和基于緩沖的ABR之間進行切換。和其他神經網絡一樣，Pensive使用獎勵和懲罰來強化每次試驗的結果。隨著時間的推移，系統(tǒng)能夠調整自己的行為，始終獲得最高的獎勵。有趣的是，由于可以調節(jié)獎勵，我們可以調整系統(tǒng)，讓它執(zhí)行我們想要得到的行為。

麻省理工學院教授Mohammad Alizadeh在一份聲明中說:“我們的系統(tǒng)很靈活，無論想要什么樣的效果，都可以優(yōu)化它來實現。甚至可以想象用戶個性化自己的流媒體體驗，這取決于他們是想要讓緩沖優(yōu)先還是讓分辨率優(yōu)先。”該團隊對這個神經網絡只進行了總長一個月的下載視頻內容的訓練，就已經能獲得與MPC系統(tǒng)相同的分辨率，但減少了10%到30%的緩沖問題。

我們最終會看到這一技術被YouTube和Netflix等公司采用，但麻省理工學院的團隊希望先將它應用于VR。Alizadeh說:“VR需要4k的分辨率，在使用時，碼率很容易就達到每秒上千兆，而現在的網絡根本無法支持。我們很高興看到像Pensieve這樣的系統(tǒng)能夠為VR等這樣的應用做些什么。這只是我們所做出的第一步。”

via：Engadget

雷鋒網(公眾號：雷鋒網)AI科技評論編譯

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。