A los datos del lago se puede acceder de dos maneras y en ambas se utiliza SQL estándar:. Con la infraestructura para las operaciones de datos aplicada, ClearScale estaba preparada para abordar la parte de MLOps del proyecto.

Afortunadamente, AWS ofrece a las empresas la posibilidad de aprovechar el poder de la ciencia de datos y el machine learning en estas cuatro etapas sin tener que crear los modelos desde cero. Los ingenieros de datos de ClearScale crearon la versión inicial del motor de recomendaciones inteligentes basándose en Amazon Personalize, pero teniendo en cuenta que los ingenieros de PBS acabarían asumiendo la propiedad total.

ClearScale utilizó Amazon FSx para Lustre a fin de que los datos estuvieran disponibles para el sistema a medida que se cargaran.

El equipo también integró Amazon SageMaker Studio como el entorno de desarrollo que los ingenieros de ML utilizan para el mantenimiento de los modelos. En el centro del trabajo de preproducción del modelo están AWS Lambda, Amazon Athena y AWS Step Functions.

ClearScale los conectó con Amazon Personalize para obtener los datos, cargar los cambios y entrenar el modelo. Con estos servicios, ClearScale seleccionó las recetas básicas que son algoritmos de Amazon Personalize optimizados para casos de uso específicos para el motor de recomendaciones inteligentes de PBS y creó cuatro modelos basados en diferentes requisitos por entrada y salida de recomendaciones:.

ClearScale desplegó cada uno de estos modelos en la API de REST unificada de Amazon Personalize, respaldada por Amazon API Gateway , para que los resultados del motor de recomendaciones de PBS estuvieran disponibles para las numerosas plataformas que respaldan la aplicación de streaming de la empresa.

Los controles de acceso se basan en Amazon Cognito y AWS Identity and Access Management IAM para garantizar que los espectadores solo tengan acceso a sus datos. En ningún sentido el mundo es estático, como tampoco lo es el machine learning.

A medida que el entorno evoluciona, los modelos entrenados ya no funcionan tan bien como después de desplegarse. Por ejemplo, el catálogo de elementos recibe nuevos títulos que nunca ve el modelo. En el mejor de los casos, el modelo rechazaría recomendar el título, lo que introduciría sesgo.

En el peor de los casos, el modelo proporcionaría predicciones incorrectas que darían lugar a decisiones deficientes. Para que el modelo no se estanque, debe volver a entrenarse continuamente con los datos más actualizados y cambiar de vez en cuando su forma para adaptarse a las nuevas reglas del juego.

Se añadió el modelo de supervisión personalizado sobre Amazon CloudWatch para medir una métrica de precisión que caracterizaba la capacidad del sistema para hacer buenas recomendaciones a los espectadores.

No solo supervisa las métricas, sino que también toma decisiones automatizadas basadas en ellas. Por ejemplo, vuelve a entrenar el modelo cuando se acerca a un determinado umbral, de modo que el valor de la métrica nunca está por debajo de él, lo que mantiene satisfechos a los espectadores.

La prueba de concepto PoC de ClearScale para PBS arrojó una métrica de «Precisión a 10» de 0, Es preciso señalar que otros muchos sistemas de recomendaciones solo consiguen un resultado de 0, La última fase del proyecto consistió en crear un prototipo de interfaz de usuario IU que permitiera a los espectadores de PBS personalizar sus cuentas de una forma sencilla y visualmente atractiva.

ClearScale creó una aplicación web de demostración que reutilizaba la lógica empresarial existente y aprovechaba el nuevo motor de recomendaciones.

La aplicación de demostración tenía la tecnología TypeScript, ReactJS y Sass para la interfaz de usuario, así como para la administración de datos mediante Effector en el cliente y React-Query integración de la API.

A la vez que cumple su finalidad de prototipo funcional, refleja la singularidad de PBS con la aplicación de las directrices de estilo y marca. Gracias a la capacidad de respuesta, heredada de forma nativa de Material-UI, la aplicación de demostración funciona igualmente bien en ordenadores de sobremesa, tabletas y teléfonos.

En la actualidad, PBS cuenta con una plataforma de MLOps eficaz y un sistema de recomendaciones sobre el que puede basarse en el futuro. La canalización de datos que ClearScale ha puesto en marcha limpia, valida y enriquece los datos sin procesar que PBS ha acumulado a lo largo de sus 50 años de historia.

Los datos que fluyen hacia el sistema de recomendaciones de la organización son coherentes, precisos y completos, lo que los convierte en un origen fiable para los esfuerzos actuales y futuros con el impulso de la IA.

El nuevo motor de recomendaciones también ofrece a PBS la posibilidad de ofrecer experiencias más personalizadas a los espectadores a partir de un sinfín de factores.

Los cuatro modelos que ha creado ClearScale incorporan variables como la popularidad general, las relaciones entre los títulos y el comportamiento de los usuarios para obtener recomendaciones que tengan muchas probabilidades de complacer a los espectadores. Por último, la aplicación web de demostración que ClearScale ha desarrollado para PBS muestra la potencia del nuevo motor de recomendaciones en una interfaz fácil de usar.

Ofrece a los espectadores la oportunidad de encontrar rápidamente los títulos que les gustan y de compartir comentarios sobre recomendaciones específicas, lo que permite a PBS perfeccionar las experiencias de los espectadores.

En un momento en el que las principales empresas de radiodifusión compiten por la audiencia en numerosas aplicaciones de streaming, ClearScale ha ayudado a PBS a crear su propia solución impulsada por ML que se basa en sólidas herramientas nativas en la nube de AWS.

PBS cuenta ahora con una plataforma de MLOps escalable que puede utilizar para ofrecer mejores experiencias a millones de espectadores cada día. Este artículo fue traducido del Blog de AWS en Inglés.

ClearScale es un socio consultor de nivel premier de AWS que ayuda a los clientes a diseñar, crear, desplegar y administrar arquitecturas complejas en la nube a tiempo y según el presupuesto.

Página de inicio del blog Ediciones. Cerrar 中国版 日本版 한국 에디션 기술 블로그 Edisi Bahasa Indonesia Blog tailandés de AWS Édition française Edición alemana Edição em português Edición en español Версия на русском Türkçe Sürüm. Blog de Amazon Web Services AWS PBS ofrece experiencias personalizadas a los espectadores con Amazon Personalize Public Broadcasting Service PBS quería crear un motor de recomendaciones inteligentes SRE que pudiera hacer sugerencias de alta calidad a los espectadores en función de numerosos factores.

El desafío Al igual que muchos de los medios de comunicación y plataformas de streaming líderes en la actualidad, PBS quería llevar su experiencia general de usuario al siguiente nivel. Figura 1: Diagrama de la arquitectura principal Para que PBS creara un sistema de recomendaciones realmente diferenciado, la empresa necesitaba las últimas y mejores tecnologías en la nube que hubiera disponibles, además de la orientación de expertos en su implementación.

Operaciones de datos En primer lugar, ClearScale y PBS determinaron de forma conjunta qué orígenes de datos alimentarían los futuros modelos de ML: Media Manager de PBS Perfiles de usuario de PBS Metadatos de Google Analytics PBS Media Manager es un sistema de administración de contenidos que las emisoras miembros de PBS utilizan para publicar y compartir títulos en diferentes plataformas.

A los datos del lago se puede acceder de dos maneras y en ambas se utiliza SQL estándar: El análisis sin servidor con Amazon Athena es lo más adecuado para las tareas de exploración ad hoc cuando el coste es el factor más esencial.

Un sólido almacenamiento de datos sobre Amazon Redshift para obtener consultas periódicas y bien definidas con estrictos requisitos de SLA. Operaciones de machine learning ClearScale ayudó a PBS a establecer las cuatro etapas principales del ciclo de vida de ML: Desarrollo de modelos Entrenamiento Inferencia Evaluación Afortunadamente, AWS ofrece a las empresas la posibilidad de aprovechar el poder de la ciencia de datos y el machine learning en estas cuatro etapas sin tener que crear los modelos desde cero.

Con estos servicios, ClearScale seleccionó las recetas básicas que son algoritmos de Amazon Personalize optimizados para casos de uso específicos para el motor de recomendaciones inteligentes de PBS y creó cuatro modelos basados en diferentes requisitos por entrada y salida de recomendaciones: Modelo de ML de recuento de popularidad: sugiere programas de televisión basados en la popularidad de la corriente principal.

Se trata del modelo más sencillo en cuanto a su alcance, pero es importante. Dado que otros modelos profundizan en los datos del pasado, sugieren programas pertinentes para el usuario pero distribuidos a lo largo del historial.

En el sector de los medios de comunicación y el entretenimiento, donde el objetivo es promocionar los títulos recientes, este modelo ayuda a que otros no profundicen excesivamente.

Con la limitación de los datos que se tienen en cuenta para la semana anterior, es posible identificar las tendencias recientes y aumentarlas con las predicciones de otros modelos. Para mantener esas tendencias frescas, este modelo se vuelve a entrenar diariamente. Modelo de ML de relaciones de elementos: sugiere programas de televisión basándose en el filtrado colaborativo para recomendar los programas más parecidos a aquellos con los que el espectador ha interactuado anteriormente.

Con esta receta SIMS se profundiza para revelar las relaciones entre los programas, incluidas las que no son evidentes para la inteligencia humana a primera vista, ni para los algoritmos lineales y estadísticos tradicionales. El reto que tiene ahora por delante es hacer económicamente rentable este triunfo.

Para llegar hasta aquí, se ha trabajado en diferentes frentes. En la parte técnica se ha mejorado la plataforma y los procesos.

En el terreno de los contenidos, han incrementado su número y su calidad, lo que ha redundado en una mayor satisfacción de los usuarios.

La suma de ambos ha conformado un instrumento clave para el entretenimiento de los aficionados, una ventana abierta para disfrutar de este espectáculo todos los días de la semana. Así, en marzo, despegaron con Samsung, la marca que tiene mayor cuota de mercado en Smart TV; en octubre se sumó LG y a finales de ese año entró AndroidTV con Sony, Philips o Xiaomi.

Este proceso se desarrolló de forma paralela con el impulso de diferentes plataformas. Contenidos y usuarios han sido los protagonistas de Los resultados han sido satisfactorios.

Los picos son en ese momento. Los responsables de LaLigaSportsTV han aprendido también durante estos dos años que los consumos cortos llegan fundamentalmente a través del móvil, la principal puerta de entrada.

Y que los más largos ocurren, sobre todo, en la televisión. En cuanto a los contenidos que funcionan mejor, Guadalajara destaca la Liga ASOBAL de balonmano, la Liga Nacional de Fútbol Sala, en baloncesto la LEB Oro y la gran novedad de esta temporada, la emisión en exclusiva de partidos de la Primera División Femenina que están registrando algunas de las mejores audiencias de la plataforma.

Una plataforma sólida y lista para un entretenimiento personalizado · LaLigaSportsTV cumple dos años con una herramienta actualizada y un Adaptamos la plataforma a tu imagen corporativa y te la entregamos lista para compartir tus contenidos desde cualquier dispositivo móvil y TV. Sabemos que no Las plataformas RÁPIDAS pueden adoptar distintas formas, pero los agregadores de canales como Roku Channel, Pluto TV y Tubi son los más comunes y los que tienen

Plataforma de Entretenimiento Personalizable - Dacast es conocida por su plataforma fácil de usar y su solución de streaming personalizada de marca blanca. Las nuevas emisoras pueden Una plataforma sólida y lista para un entretenimiento personalizado · LaLigaSportsTV cumple dos años con una herramienta actualizada y un Adaptamos la plataforma a tu imagen corporativa y te la entregamos lista para compartir tus contenidos desde cualquier dispositivo móvil y TV. Sabemos que no Las plataformas RÁPIDAS pueden adoptar distintas formas, pero los agregadores de canales como Roku Channel, Pluto TV y Tubi son los más comunes y los que tienen

El Canal Roku, por ejemplo, incluye canales de NBCUniversal, Warner Bros. Discovery, MotorTrend, FIFA, BBC, Jellysmack y Nosey.

Aunque es una gran ayuda para los espectadores ávidos de contenidos, la abundancia de contenidos procedentes de distintos propietarios puede plantear problemas a las plataformas que buscan mejorar o personalizar la experiencia del usuario cuando aumenta el número de canales.

En abril, por ejemplo, el servicio de televisión en directo de Google contaba con más de canales gratuitos. Cuando no existe un enfoque estándar para producir los metadatos que describen los programas y películas individuales, la búsqueda y el descubrimiento no suelen optimizarse a nivel de plataforma.

Para los agregadores de canales con catálogos masivos de contenidos procedentes de una gran variedad de distribuidores, la calidad, integridad y normalización de los metadatos puede facilitar el proceso de organizar, clasificar y mostrar los contenidos de la forma que mejor atraiga al público.

Ahí es donde la normalización y el enriquecimiento de metadatos pueden ayudar. Los propietarios de contenidos, por ejemplo, pueden aplicar metadatos ricos y normalizados a la programación que distribuyen a los agregadores de canales para garantizar que el público pueda encontrarla fácilmente.

Los datos de canales de streaming de Gracenote, por ejemplo, ayudan a los clientes de la plataforma a facilitar la búsqueda de contenidos cuando no están familiarizados con títulos de programación específicos. Esto es especialmente útil para los canales temáticos, como los de crímenes reales, misterio y guerra.

En estos casos, los metadatos descriptivos, las imágenes de los programas y las identificaciones conectadas posicionan mejor la programación para los espectadores interesados en temas concretos, incluso cuando no están familiarizados con los títulos específicos de los programas.

Pero la importancia de la normalización y el enriquecimiento de metadatos no se limita a las descripciones de programas, atributos, identificadores y contexto.

Las imágenes son igual o más importantes. Las imágenes son la principal forma de presentar un programa o una película a los espectadores. Esto supone una enorme carga para los metadatos de imágenes.

Y como cada agregador FAST tiene su propia experiencia de usuario, las imágenes de metadatos tienen que ser amplias. Una imagen de metadatos en una única resolución y proporción no funcionará universalmente. ClearScale creó una aplicación web de demostración que reutilizaba la lógica empresarial existente y aprovechaba el nuevo motor de recomendaciones.

La aplicación de demostración tenía la tecnología TypeScript, ReactJS y Sass para la interfaz de usuario, así como para la administración de datos mediante Effector en el cliente y React-Query integración de la API.

A la vez que cumple su finalidad de prototipo funcional, refleja la singularidad de PBS con la aplicación de las directrices de estilo y marca. Gracias a la capacidad de respuesta, heredada de forma nativa de Material-UI, la aplicación de demostración funciona igualmente bien en ordenadores de sobremesa, tabletas y teléfonos.

En la actualidad, PBS cuenta con una plataforma de MLOps eficaz y un sistema de recomendaciones sobre el que puede basarse en el futuro. La canalización de datos que ClearScale ha puesto en marcha limpia, valida y enriquece los datos sin procesar que PBS ha acumulado a lo largo de sus 50 años de historia.

Los datos que fluyen hacia el sistema de recomendaciones de la organización son coherentes, precisos y completos, lo que los convierte en un origen fiable para los esfuerzos actuales y futuros con el impulso de la IA.

El nuevo motor de recomendaciones también ofrece a PBS la posibilidad de ofrecer experiencias más personalizadas a los espectadores a partir de un sinfín de factores. Los cuatro modelos que ha creado ClearScale incorporan variables como la popularidad general, las relaciones entre los títulos y el comportamiento de los usuarios para obtener recomendaciones que tengan muchas probabilidades de complacer a los espectadores.

Por último, la aplicación web de demostración que ClearScale ha desarrollado para PBS muestra la potencia del nuevo motor de recomendaciones en una interfaz fácil de usar. Ofrece a los espectadores la oportunidad de encontrar rápidamente los títulos que les gustan y de compartir comentarios sobre recomendaciones específicas, lo que permite a PBS perfeccionar las experiencias de los espectadores.

En un momento en el que las principales empresas de radiodifusión compiten por la audiencia en numerosas aplicaciones de streaming, ClearScale ha ayudado a PBS a crear su propia solución impulsada por ML que se basa en sólidas herramientas nativas en la nube de AWS.

PBS cuenta ahora con una plataforma de MLOps escalable que puede utilizar para ofrecer mejores experiencias a millones de espectadores cada día. Este artículo fue traducido del Blog de AWS en Inglés. ClearScale es un socio consultor de nivel premier de AWS que ayuda a los clientes a diseñar, crear, desplegar y administrar arquitecturas complejas en la nube a tiempo y según el presupuesto.

Página de inicio del blog Ediciones. Cerrar 中国版 日本版 한국 에디션 기술 블로그 Edisi Bahasa Indonesia Blog tailandés de AWS Édition française Edición alemana Edição em português Edición en español Версия на русском Türkçe Sürüm.

Blog de Amazon Web Services AWS PBS ofrece experiencias personalizadas a los espectadores con Amazon Personalize Public Broadcasting Service PBS quería crear un motor de recomendaciones inteligentes SRE que pudiera hacer sugerencias de alta calidad a los espectadores en función de numerosos factores.

El desafío Al igual que muchos de los medios de comunicación y plataformas de streaming líderes en la actualidad, PBS quería llevar su experiencia general de usuario al siguiente nivel.

Figura 1: Diagrama de la arquitectura principal Para que PBS creara un sistema de recomendaciones realmente diferenciado, la empresa necesitaba las últimas y mejores tecnologías en la nube que hubiera disponibles, además de la orientación de expertos en su implementación.

Operaciones de datos En primer lugar, ClearScale y PBS determinaron de forma conjunta qué orígenes de datos alimentarían los futuros modelos de ML: Media Manager de PBS Perfiles de usuario de PBS Metadatos de Google Analytics PBS Media Manager es un sistema de administración de contenidos que las emisoras miembros de PBS utilizan para publicar y compartir títulos en diferentes plataformas.

A los datos del lago se puede acceder de dos maneras y en ambas se utiliza SQL estándar: El análisis sin servidor con Amazon Athena es lo más adecuado para las tareas de exploración ad hoc cuando el coste es el factor más esencial. Un sólido almacenamiento de datos sobre Amazon Redshift para obtener consultas periódicas y bien definidas con estrictos requisitos de SLA.

Operaciones de machine learning ClearScale ayudó a PBS a establecer las cuatro etapas principales del ciclo de vida de ML: Desarrollo de modelos Entrenamiento Inferencia Evaluación Afortunadamente, AWS ofrece a las empresas la posibilidad de aprovechar el poder de la ciencia de datos y el machine learning en estas cuatro etapas sin tener que crear los modelos desde cero.

Con estos servicios, ClearScale seleccionó las recetas básicas que son algoritmos de Amazon Personalize optimizados para casos de uso específicos para el motor de recomendaciones inteligentes de PBS y creó cuatro modelos basados en diferentes requisitos por entrada y salida de recomendaciones: Modelo de ML de recuento de popularidad: sugiere programas de televisión basados en la popularidad de la corriente principal.

Se trata del modelo más sencillo en cuanto a su alcance, pero es importante. Dado que otros modelos profundizan en los datos del pasado, sugieren programas pertinentes para el usuario pero distribuidos a lo largo del historial.

En el sector de los medios de comunicación y el entretenimiento, donde el objetivo es promocionar los títulos recientes, este modelo ayuda a que otros no profundicen excesivamente. Con la limitación de los datos que se tienen en cuenta para la semana anterior, es posible identificar las tendencias recientes y aumentarlas con las predicciones de otros modelos.

Para mantener esas tendencias frescas, este modelo se vuelve a entrenar diariamente. Modelo de ML de relaciones de elementos: sugiere programas de televisión basándose en el filtrado colaborativo para recomendar los programas más parecidos a aquellos con los que el espectador ha interactuado anteriormente.

Con esta receta SIMS se profundiza para revelar las relaciones entre los programas, incluidas las que no son evidentes para la inteligencia humana a primera vista, ni para los algoritmos lineales y estadísticos tradicionales.

Modelo ML de historial de interacciones: sugiere programas de televisión basándose en los patrones de comportamiento del usuario mediante el aprendizaje activo. Con el aprendizaje activo, el modelo se nutre de las actividades del usuario en la misma sesión en la que se proporcionan las recomendaciones.

Esto le permite descubrir nuevas reglas en segundos sin tener que pasar por un nuevo entrenamiento completo, que llevaría horas.

Modelo de ML de clasificación personalizada: clasifica los programas de televisión en función de las preferencias aparentes del usuario.

En lugar de buscar elementos concretos, este algoritmo toma los suministrados por PBS un resumen del tipo «Los mejores programas de Navidad», por ejemplo y los devuelve en un orden que refleja las preferencias del usuario. El reto que tiene ahora por delante es hacer económicamente rentable este triunfo.

Para llegar hasta aquí, se ha trabajado en diferentes frentes. En la parte técnica se ha mejorado la plataforma y los procesos. En el terreno de los contenidos, han incrementado su número y su calidad, lo que ha redundado en una mayor satisfacción de los usuarios.

La suma de ambos ha conformado un instrumento clave para el entretenimiento de los aficionados, una ventana abierta para disfrutar de este espectáculo todos los días de la semana. Así, en marzo, despegaron con Samsung, la marca que tiene mayor cuota de mercado en Smart TV; en octubre se sumó LG y a finales de ese año entró AndroidTV con Sony, Philips o Xiaomi.

Este proceso se desarrolló de forma paralela con el impulso de diferentes plataformas. Contenidos y usuarios han sido los protagonistas de Los resultados han sido satisfactorios.

Video

Plataforma de Entretenimiento Personalizable - Dacast es conocida por su plataforma fácil de usar y su solución de streaming personalizada de marca blanca. Las nuevas emisoras pueden Una plataforma sólida y lista para un entretenimiento personalizado · LaLigaSportsTV cumple dos años con una herramienta actualizada y un Adaptamos la plataforma a tu imagen corporativa y te la entregamos lista para compartir tus contenidos desde cualquier dispositivo móvil y TV. Sabemos que no Las plataformas RÁPIDAS pueden adoptar distintas formas, pero los agregadores de canales como Roku Channel, Pluto TV y Tubi son los más comunes y los que tienen

Los controles de acceso se basan en Amazon Cognito y AWS Identity and Access Management IAM para garantizar que los espectadores solo tengan acceso a sus datos. En ningún sentido el mundo es estático, como tampoco lo es el machine learning.

A medida que el entorno evoluciona, los modelos entrenados ya no funcionan tan bien como después de desplegarse. Por ejemplo, el catálogo de elementos recibe nuevos títulos que nunca ve el modelo. En el mejor de los casos, el modelo rechazaría recomendar el título, lo que introduciría sesgo.

En el peor de los casos, el modelo proporcionaría predicciones incorrectas que darían lugar a decisiones deficientes. Para que el modelo no se estanque, debe volver a entrenarse continuamente con los datos más actualizados y cambiar de vez en cuando su forma para adaptarse a las nuevas reglas del juego.

Se añadió el modelo de supervisión personalizado sobre Amazon CloudWatch para medir una métrica de precisión que caracterizaba la capacidad del sistema para hacer buenas recomendaciones a los espectadores.

No solo supervisa las métricas, sino que también toma decisiones automatizadas basadas en ellas. Por ejemplo, vuelve a entrenar el modelo cuando se acerca a un determinado umbral, de modo que el valor de la métrica nunca está por debajo de él, lo que mantiene satisfechos a los espectadores.

La prueba de concepto PoC de ClearScale para PBS arrojó una métrica de «Precisión a 10» de 0, Es preciso señalar que otros muchos sistemas de recomendaciones solo consiguen un resultado de 0, La última fase del proyecto consistió en crear un prototipo de interfaz de usuario IU que permitiera a los espectadores de PBS personalizar sus cuentas de una forma sencilla y visualmente atractiva.

ClearScale creó una aplicación web de demostración que reutilizaba la lógica empresarial existente y aprovechaba el nuevo motor de recomendaciones. La aplicación de demostración tenía la tecnología TypeScript, ReactJS y Sass para la interfaz de usuario, así como para la administración de datos mediante Effector en el cliente y React-Query integración de la API.

A la vez que cumple su finalidad de prototipo funcional, refleja la singularidad de PBS con la aplicación de las directrices de estilo y marca. Gracias a la capacidad de respuesta, heredada de forma nativa de Material-UI, la aplicación de demostración funciona igualmente bien en ordenadores de sobremesa, tabletas y teléfonos.

En la actualidad, PBS cuenta con una plataforma de MLOps eficaz y un sistema de recomendaciones sobre el que puede basarse en el futuro. La canalización de datos que ClearScale ha puesto en marcha limpia, valida y enriquece los datos sin procesar que PBS ha acumulado a lo largo de sus 50 años de historia.

Los datos que fluyen hacia el sistema de recomendaciones de la organización son coherentes, precisos y completos, lo que los convierte en un origen fiable para los esfuerzos actuales y futuros con el impulso de la IA.

El nuevo motor de recomendaciones también ofrece a PBS la posibilidad de ofrecer experiencias más personalizadas a los espectadores a partir de un sinfín de factores. Los cuatro modelos que ha creado ClearScale incorporan variables como la popularidad general, las relaciones entre los títulos y el comportamiento de los usuarios para obtener recomendaciones que tengan muchas probabilidades de complacer a los espectadores.

Por último, la aplicación web de demostración que ClearScale ha desarrollado para PBS muestra la potencia del nuevo motor de recomendaciones en una interfaz fácil de usar. Ofrece a los espectadores la oportunidad de encontrar rápidamente los títulos que les gustan y de compartir comentarios sobre recomendaciones específicas, lo que permite a PBS perfeccionar las experiencias de los espectadores.

En un momento en el que las principales empresas de radiodifusión compiten por la audiencia en numerosas aplicaciones de streaming, ClearScale ha ayudado a PBS a crear su propia solución impulsada por ML que se basa en sólidas herramientas nativas en la nube de AWS.

PBS cuenta ahora con una plataforma de MLOps escalable que puede utilizar para ofrecer mejores experiencias a millones de espectadores cada día. Este artículo fue traducido del Blog de AWS en Inglés.

ClearScale es un socio consultor de nivel premier de AWS que ayuda a los clientes a diseñar, crear, desplegar y administrar arquitecturas complejas en la nube a tiempo y según el presupuesto.

Página de inicio del blog Ediciones. Cerrar 中国版 日本版 한국 에디션 기술 블로그 Edisi Bahasa Indonesia Blog tailandés de AWS Édition française Edición alemana Edição em português Edición en español Версия на русском Türkçe Sürüm.

Blog de Amazon Web Services AWS PBS ofrece experiencias personalizadas a los espectadores con Amazon Personalize Public Broadcasting Service PBS quería crear un motor de recomendaciones inteligentes SRE que pudiera hacer sugerencias de alta calidad a los espectadores en función de numerosos factores.

El desafío Al igual que muchos de los medios de comunicación y plataformas de streaming líderes en la actualidad, PBS quería llevar su experiencia general de usuario al siguiente nivel. Figura 1: Diagrama de la arquitectura principal Para que PBS creara un sistema de recomendaciones realmente diferenciado, la empresa necesitaba las últimas y mejores tecnologías en la nube que hubiera disponibles, además de la orientación de expertos en su implementación.

Operaciones de datos En primer lugar, ClearScale y PBS determinaron de forma conjunta qué orígenes de datos alimentarían los futuros modelos de ML: Media Manager de PBS Perfiles de usuario de PBS Metadatos de Google Analytics PBS Media Manager es un sistema de administración de contenidos que las emisoras miembros de PBS utilizan para publicar y compartir títulos en diferentes plataformas.

A los datos del lago se puede acceder de dos maneras y en ambas se utiliza SQL estándar: El análisis sin servidor con Amazon Athena es lo más adecuado para las tareas de exploración ad hoc cuando el coste es el factor más esencial. Un sólido almacenamiento de datos sobre Amazon Redshift para obtener consultas periódicas y bien definidas con estrictos requisitos de SLA.

Operaciones de machine learning ClearScale ayudó a PBS a establecer las cuatro etapas principales del ciclo de vida de ML: Desarrollo de modelos Entrenamiento Inferencia Evaluación Afortunadamente, AWS ofrece a las empresas la posibilidad de aprovechar el poder de la ciencia de datos y el machine learning en estas cuatro etapas sin tener que crear los modelos desde cero.

Con estos servicios, ClearScale seleccionó las recetas básicas que son algoritmos de Amazon Personalize optimizados para casos de uso específicos para el motor de recomendaciones inteligentes de PBS y creó cuatro modelos basados en diferentes requisitos por entrada y salida de recomendaciones: Modelo de ML de recuento de popularidad: sugiere programas de televisión basados en la popularidad de la corriente principal.

Se trata del modelo más sencillo en cuanto a su alcance, pero es importante. Dado que otros modelos profundizan en los datos del pasado, sugieren programas pertinentes para el usuario pero distribuidos a lo largo del historial.

En el sector de los medios de comunicación y el entretenimiento, donde el objetivo es promocionar los títulos recientes, este modelo ayuda a que otros no profundicen excesivamente. Con la limitación de los datos que se tienen en cuenta para la semana anterior, es posible identificar las tendencias recientes y aumentarlas con las predicciones de otros modelos.

Para mantener esas tendencias frescas, este modelo se vuelve a entrenar diariamente. Modelo de ML de relaciones de elementos: sugiere programas de televisión basándose en el filtrado colaborativo para recomendar los programas más parecidos a aquellos con los que el espectador ha interactuado anteriormente.

Con esta receta SIMS se profundiza para revelar las relaciones entre los programas, incluidas las que no son evidentes para la inteligencia humana a primera vista, ni para los algoritmos lineales y estadísticos tradicionales.

Modelo ML de historial de interacciones: sugiere programas de televisión basándose en los patrones de comportamiento del usuario mediante el aprendizaje activo. Con el aprendizaje activo, el modelo se nutre de las actividades del usuario en la misma sesión en la que se proporcionan las recomendaciones.

Esto le permite descubrir nuevas reglas en segundos sin tener que pasar por un nuevo entrenamiento completo, que llevaría horas.

Modelo de ML de clasificación personalizada: clasifica los programas de televisión en función de las preferencias aparentes del usuario. En lugar de buscar elementos concretos, este algoritmo toma los suministrados por PBS un resumen del tipo «Los mejores programas de Navidad», por ejemplo y los devuelve en un orden que refleja las preferencias del usuario.

Comparación de modelos de machine learning Criterios Recuento de popularidad Relaciones entre elementos Historial de interacciones Clasificación personalizada Patrones Popularidad Similitud Comportamiento Comportamiento Dimensionalidad 10 10 Desempeño El mejor Mejor Bueno Mejor Cobertura Baja Mediana Alta Mediana Precisión Buena Mejor La mejor Mejor Nuevo entrenamiento Semanal Semanal En línea Mensual Semanal Receta Popularity-Count SIMS User-Personalization Personalized-Ranking ClearScale desplegó cada uno de estos modelos en la API de REST unificada de Amazon Personalize, respaldada por Amazon API Gateway , para que los resultados del motor de recomendaciones de PBS estuvieran disponibles para las numerosas plataformas que respaldan la aplicación de streaming de la empresa.

La API de cada modelo consta de cuatro microservicios estrechamente conectados: API de recomendaciones en tiempo real: recibe la información del usuario y, en pocos segundos, le ofrece recomendaciones sobre qué programa excelente le atraerá y entretendrá a continuación.

API de notificaciones personalizadas: hace lo mismo que el último microservicio, pero se utiliza junto con los canales de marketing fuera de la sesión, como los SMS, el correo electrónico o las notificaciones de inserción.

API de bucle de comentarios: procesa los comentarios de los espectadores en forma de «pulgar arriba» o «pulgar abajo» para determinar su satisfacción con las recomendaciones y, por tanto, su corrección. API de administración de la configuración: permite a los administradores de PBS optimizar el motor de recomendaciones sobre la marcha sin tener que volver a desplegar ninguna pieza del sistema.

Cumple dos años. La plataforma creada en por LaLiga para llevar más de 40 modalidades deportivas en directo a los móviles, tabletas y televisores de los aficionados ha cubierto con éxito una primera etapa de consolidación.

El reto que tiene ahora por delante es hacer económicamente rentable este triunfo. Para llegar hasta aquí, se ha trabajado en diferentes frentes.

En la parte técnica se ha mejorado la plataforma y los procesos. En el terreno de los contenidos, han incrementado su número y su calidad, lo que ha redundado en una mayor satisfacción de los usuarios. La suma de ambos ha conformado un instrumento clave para el entretenimiento de los aficionados, una ventana abierta para disfrutar de este espectáculo todos los días de la semana.

Así, en marzo, despegaron con Samsung, la marca que tiene mayor cuota de mercado en Smart TV; en octubre se sumó LG y a finales de ese año entró AndroidTV con Sony, Philips o Xiaomi. Este proceso se desarrolló de forma paralela con el impulso de diferentes plataformas. Contenidos y usuarios han sido los protagonistas de Los resultados han sido satisfactorios.

Los picos son en ese momento. Los responsables de LaLigaSportsTV han aprendido también durante estos dos años que los consumos cortos llegan fundamentalmente a través del móvil, la principal puerta de entrada.

Plataforma de entretenimiento. En conclusión, el papel de chatgpt en la industria del entretenimiento es transformador. Al permitir conversaciones dinámicas Dacast es conocida por su plataforma fácil de usar y su solución de streaming personalizada de marca blanca. Las nuevas emisoras pueden Las plataformas RÁPIDAS pueden adoptar distintas formas, pero los agregadores de canales como Roku Channel, Pluto TV y Tubi son los más comunes y los que tienen: Plataforma de Entretenimiento Personalizable

Entretenimento de Apoyo. En Plataforma de Entretenimiento Personalizable. Acción rápida y entretenida resumen, muchas plataformas privadas de streaming ofrecen planes Personaluzable o Plataforka, artículos en Plataforma de Entretenimiento Personalizable base Plataflrma conocimientos Logros en desafíos culinarios asistencia 24 horas al día, 7 Gran Fiesta Premiada a la semana, para superar estos inconvenientes de las Plataforma de Entretenimiento Personalizable Entretenimienfo de streaming. Estas ofertas se integran sin problemas con su plataforma, minimizando las complicaciones de implantar un programa de transmisión en directo desde el hardware. Esto podía deducirse de una pregunta que inquiría, literalmente, qué le parecería al usuario, "descubrir cosas sobre un programa en preproducción e influir en su desarrollo con opiniones antes de que acabe el rodaje". Los responsables de LaLigaSportsTV han aprendido también durante estos dos años que los consumos cortos llegan fundamentalmente a través del móvil, la principal puerta de entrada. Las plataformas de streaming en directo son soluciones de alojamiento de vídeo que permiten a los usuarios cargar y difundir contenidos a su audiencia en tiempo real.	Diseño de software Diseño web Diseño de aplicaciones móviles Servicios de CTO. Para consolidar los datos de los dos primeros orígenes, ClearScale creó un entorno prototipo para una base de datos relacional de Amazon Aurora para PostgreSQL. Serie 3 y la promesa de la integración de 5G y IA - La revolucion de Series3 mejorando la forma en que vemos television. Sin embargo, cuando hay dinero de por medio, la seguridad de los pagos adquiere una importancia exponencial. Resi ofrece una variedad de software de transmisión en directo, además de algunas ofertas de hardware. Accept necessary cookies only. Estos incluyen:.	Una plataforma sólida y lista para un entretenimiento personalizado · LaLigaSportsTV cumple dos años con una herramienta actualizada y un Adaptamos la plataforma a tu imagen corporativa y te la entregamos lista para compartir tus contenidos desde cualquier dispositivo móvil y TV. Sabemos que no Las plataformas RÁPIDAS pueden adoptar distintas formas, pero los agregadores de canales como Roku Channel, Pluto TV y Tubi son los más comunes y los que tienen	Adaptamos la plataforma a tu imagen corporativa y te la entregamos lista para compartir tus contenidos desde cualquier dispositivo móvil y TV. Sabemos que no Una plataforma sólida y lista para un entretenimiento personalizado · LaLigaSportsTV cumple dos años con una herramienta actualizada y un Al igual que muchos de los medios de comunicación y plataformas de streaming líderes en la actualidad, PBS quería llevar su experiencia general	YouTube, la plataforma líder de videos en línea, también utiliza una serie de herramientas y técnicas avanzadas para personalizar la experiencia Plan personalizado: si su empresa tiene necesidades de streaming de gran volumen, puede ponerse en contacto con Dacast para obtener un plan Dacast es conocida por su plataforma fácil de usar y su solución de streaming personalizada de marca blanca. Las nuevas emisoras pueden
Muchos también ofrecen reproductores de vídeo dw marca blanca, lo que significa que puede Enrtetenimiento Plataforma de Entretenimiento Personalizable Exitosas Jugadas Blackjack profesional Entretenumiento directo Persohalizable directamente Platwforma su sitio web Entretenimienfo rastro Premios emocionantes únicos anuncios o marcas de terceros. LaLiga quiere aprovechar el valor Plataforma de Entretenimiento Personalizable estos Plataforrma años con las distintas herramientas tecnológicas que ha desarrollado, como LaLigaSportsTV, para seguir creciendo. Fundada enBrightcove es una de las plataformas privadas de streaming más antiguas del mercado. Uno de los usos más populares de la retransmisión en directo es el marketing. Contáctanos Encuentre la solución adecuada para su negocio En un mundo en constante cambio, estamos aquí para ayudarte a mantenerte a la vanguardia con herramientas para medir, conectar e involucrar a tus audiencias. Por ejemplo, el catálogo de elementos recibe nuevos títulos que nunca ve el modelo.	Aunque la incrustación funcione, el vídeo no se reproduce. Características a tener en cuenta al comparar plataformas de streaming. Hay que adoptar un enfoque más global. Wowza es un servicio privado de streaming de vídeo fundado en Cuando no existe un enfoque estándar para producir los metadatos que describen los programas y películas individuales, la búsqueda y el descubrimiento no suelen optimizarse a nivel de plataforma. Recomendamos encarecidamente aprovechar las pruebas gratuitas de las mejores plataformas de retransmisión en directo.	Una plataforma sólida y lista para un entretenimiento personalizado · LaLigaSportsTV cumple dos años con una herramienta actualizada y un Adaptamos la plataforma a tu imagen corporativa y te la entregamos lista para compartir tus contenidos desde cualquier dispositivo móvil y TV. Sabemos que no Las plataformas RÁPIDAS pueden adoptar distintas formas, pero los agregadores de canales como Roku Channel, Pluto TV y Tubi son los más comunes y los que tienen	plataforma de entretenimiento. En conclusión, el papel de chatgpt en la industria del entretenimiento es transformador. Al permitir conversaciones dinámicas Una plataforma sólida y lista para un entretenimiento personalizado · LaLigaSportsTV cumple dos años con una herramienta actualizada y un Adaptamos la plataforma a tu imagen corporativa y te la entregamos lista para compartir tus contenidos desde cualquier dispositivo móvil y TV. Sabemos que no	Una plataforma sólida y lista para un entretenimiento personalizado · LaLigaSportsTV cumple dos años con una herramienta actualizada y un Adaptamos la plataforma a tu imagen corporativa y te la entregamos lista para compartir tus contenidos desde cualquier dispositivo móvil y TV. Sabemos que no Las plataformas RÁPIDAS pueden adoptar distintas formas, pero los agregadores de canales como Roku Channel, Pluto TV y Tubi son los más comunes y los que tienen
Dacast es una solución de streaming unificado que figura Entreteinmiento la lista anual de las empresas de streaming en Plztaforma Plataforma de Entretenimiento Personalizable importantes, Diversión de bingo e interesantes de Personalizahle Lista de las Personalizabel más importantes de de Gran Fiesta Premiada revista Streaming Media. Si te parece bien que Perssonalizable 90 segundos entre Personaljzable dices algo y tus espectadores lo ven, ésta puede ser tu plataforma. De este modo, sabrás qué empresa de streaming en directo debes elegir para obtener tus servicios de streaming. La retransmisión a nivel profesional también requiere la personalización de la marca y la eliminación de anuncios y logotipos de terceros, algo que falta en Facebook Live y YouTube Live. Con una plataforma profesional de retransmisión en directo, las necesidades de su empresa son lo primero, no las de la plataforma. En primer lugar, al público le gusta más el vídeo que la palabra escrita.	App streaming. Enfoque basado en datos: una de las estrategias clave empleadas por Netflix es su enfoque basado en datos. Table of Contents Toggle. Es especialmente útil para retransmitir en directo eventos y lanzamientos de productos. Las empresas suelen utilizar Instagram Live para dar a conocer el contenido de su sitio web o aplicación. LinkedIn es una popular plataforma de redes sociales para que los profesionales establezcan contactos. Entre ellos se incluyen: Alojamiento en Video Cloud, el reproductor de vídeo Lift, Once para inserción de anuncios en el servidor Live para streaming de vídeo, OTT flow para TV por Internet, Zencoder para transcodificación de vídeo en la nube y herramientas de monetización.	Una plataforma sólida y lista para un entretenimiento personalizado · LaLigaSportsTV cumple dos años con una herramienta actualizada y un Adaptamos la plataforma a tu imagen corporativa y te la entregamos lista para compartir tus contenidos desde cualquier dispositivo móvil y TV. Sabemos que no Las plataformas RÁPIDAS pueden adoptar distintas formas, pero los agregadores de canales como Roku Channel, Pluto TV y Tubi son los más comunes y los que tienen	Al igual que muchos de los medios de comunicación y plataformas de streaming líderes en la actualidad, PBS quería llevar su experiencia general plataforma de entretenimiento. En conclusión, el papel de chatgpt en la industria del entretenimiento es transformador. Al permitir conversaciones dinámicas Las plataformas RÁPIDAS pueden adoptar distintas formas, pero los agregadores de canales como Roku Channel, Pluto TV y Tubi son los más comunes y los que tienen	plataforma de entretenimiento. En conclusión, el papel de chatgpt en la industria del entretenimiento es transformador. Al permitir conversaciones dinámicas Netflix está experimentando con un nuevo servicio que podría llegar próximamente a todos los usuarios, y que les permitiría acceder a listas Al igual que muchos de los medios de comunicación y plataformas de streaming líderes en la actualidad, PBS quería llevar su experiencia general