Η παρακολούθηση παγκοσμίως video περιεχομένου μέσω streaming OTT υπερδιπλασιάστηκε την προηγούμενη χρονιά και οι σχολιαστές της Βιομηχανίας προβλέπουν τη συνέχιση αυτής της επιταχυνόμενης αύξησης και όλο το 2018. Ωστόσο, με τέτοια επιτυχία υπάρχει αύξηση του ανταγωνισμού καθώς όλο και περισσότερες επιχειρήσεις θέλουν να επωφεληθούν από αυτήν την αγορά που βρίσκεται σε άνθηση.
Αρχικό Κείμενο: Jérôme Vieron, PhD - Διευθυντής Έρευνας & Καινοτομίας της ATEME
Μετάφραση-Απόδοση στην Ελληνική Γλώσσα: Τεχνολογική Πύλη www.radiotvlink.com & .gr
Φωτογραφίες: Αρχείο Ateme
Ο πρώτος παράγοντας που κάνει τη διαφορά θα είναι πάντοτε το περιεχόμενο. Εκεί που στο παρελθόν μάθαμε να αγαπάμε το μοναδικό προσφερόμενο περιεχόμενο, τώρα μπορούμε να συλλέξουμε αρκετό και να επιλέξουμε. Ως εκ τούτου ο ανταγωνισμός για την παροχή των πλέον συναρπαστικών ταινιών και box-sets είναι σκληρός. Παρά ταύτα, υπάρχει και άλλος ένας παράγοντας που αλλάζει τους όρους του παιχνιδιού καθώς έχουμε υψηλές απαιτήσεις ως προς την ποιότητα της παρεχόμενης υπηρεσίας και αυτές έχουν ανέβει ακόμη περισσότερο λόγω των διαφόρων νέων formats, συμπεριλαμβανομένων των 4K/UHD, HDR και HFR.
Έχοντας τούτο κατά νου δεν αποτελεί έκπληξη το ότι οι πάροχοι και οι κατασκευαστές τεχνολογίας εστιάζουν στους τρόπους που θα βελτιώσουν περαιτέρω τη διανομή του περιεχομένου. Ως αποτέλεσμα αυτή η απαίτηση ενισχύει τη συνεχή ροή καινοτομιών, ειδικά γύρω από το θέμα του streaming.
Η πιο πρόσφατη από αυτές τις εξελίξεις περιλαμβάνει την τεχνητή νοημοσύνη (artificial intelligence - AI). Κάποτε η τεχνητή νοημοσύνη αποτελούσε ζήτημα επιστημονικής φαντασίας, ενώ τώρα χρησιμοποιείται από παγκόσμιους τεχνολογικούς γίγαντες όπως η Amazon και η Google για την πρόβλεψη της συμπεριφοράς των χρηστών τους, με διεθνείς οργανισμούς υγείας όπως ο NHS να εξετάζουν αυτήν την τεχνολογία προκειμένου να μετριάσουν την πίεση των ιατρών και των νοσοκόμων.
Επίσης, η broadcast βιομηχανία προσβλέπει σε μία πιο διαδεδομένη υιοθέτηση της τεχνητής νοημοσύνης. Τώρα χρησιμοποιείται για την ανάλυση χιλιάδων assets ως μέρος της διαδικασίας streaming. Με αυτόν τον τρόπο αποδείχθηκε ότι η τεχνητή νοημοσύνη μείωσε για τους παρόχους περίπου το 30% του κόστους διανομής του περιεχομένου, ενώ ταυτόχρονα βελτίωσε την ποιότητα της διανομής.
Οι περισσότεροι πάροχοι διαπιστώνουν τώρα ότι το παραδοσιακό streaming έχει ως αποτέλεσμα το buffering και άλλες καθυστερήσεις. Η Έρευνα της Conviva δεικνύει ότι ο μέσος θεατής ξοδεύει λιγότερο από 18 δευτερόλεπτα για το re-buffer ενός video κατά την παρακολούθηση ένα ημίωρης διάρκειας show, ενώ ο μικρός χρόνος είναι τελικώς πολύ μεγάλος όταν οι προσδοκίες του καταναλωτή είναι υψηλές και η αγορά τόσο ανταγωνιστική.
Η τρέχουσα λύση για τη βιομηχανία που επιζητά την αντιμετώπιση τούτου είναι το προσαρμόσιμο (adaptive) streaming και ο διάδοχος του, δηλαδή το content adaptive streaming (streaming με βάση το προσαρμόσιμο περιεχόμενο). Το adaptive streaming λειτουργεί ανιχνεύοντας το εύρος ζώνης του χρήστη και τη δυνατότητα της CPU σε πραγματικό χρόνο, προσαρμόζοντας αναλόγως την ποιότητα του video stream. Η παλαιότερη λύση χρησιμοποιείται ευρέως και αυτό σημαίνει ότι για το μισό περιεχόμενο το bitrate θα είναι πολύ υψηλό, ενώ για το άλλο μισό θα είναι πολύ χαμηλό. Αν είναι πολύ υψηλό το περιεχόμενο θα εμφανίζει καθυστέρηση και αυτό σημαίνει ότι το περιεχόμενο δεν θα είναι πλήρως βελτιστοποιημένο.
Τούτο έχει ως αποτέλεσμα πρωτοπόροι της βιομηχανίας όπως η Netflix να εργάζονται για την αντιμετώπιση αυτού του κενού. Η Netflix πρωτοστατεί με την κωδικοποίηση ανά τίτλο, ενώ πρόσφατα ανακοίνωσε την κωδικοποίηση ανά λήψη, αλλά αυτές είναι αποκλειστικές τεχνολογίες και δεν είναι διαθέσιμες σε άλλους παρόχους.
Αναγνωρίζοντας αυτό το κενό, άλλοι developers εργάζονται πάνω στο περιεχόμενο που ρυθμίζει τα bitrates με βάση την πολυπλοκότητα του περιεχομένου και όχι μόνον με τη σύνδεση στο διαδίκτυο. Το αποτέλεσμα είναι το content adaptive streaming που αξιοποιεί την τεχνητή νοημοσύνη (AI) για τον υπολογισμό όλης της απαραίτητης πληροφορίας, όπως η εκτίμηση της κίνησης προκειμένου για να λάβει αποφάσεις ως προς την έξυπνη κατανομή του. Χρησιμοποιώντας μεταβλητό bitrate για την προσέγγιση της σταθερής ποιότητας επιτρέπει την αποθήκευση bits όταν η πολυπλοκότητα πέφτει στις αργές σκηνές, χρησιμοποιώντας λιγότερα profiles σε ευκολότερο περιεχόμενο.
Η παραδοσιακή προσέγγιση διατηρεί τα μεγάλα κομμάτια σε καθορισμένα μήκη. Το οικοσύστημα συνήθως απαιτεί τα μεγάλα κομμάτια να ξεκινούν με ένα I-frame ώστε να προκύπτουν αλλαγές profile μεταξύ των κομματιών, αλλά με τα μεγάλα κομμάτια καθορισμένου μεγέθους τούτο συνεπάγεται και την αυθαίρετη τοποθέτηση του I-frame. Επομένως, μία σκηνή που κόβεται πριν από το σημείο chunking έχει ως αποτέλεσμα τη σημαντική αναποτελεσματικότητα της συμπίεσης καθώς η εικόνα κωδικοποιείται δύο φορές.
Η λύση του content adaptive streaming συνδυάζει έναν αλγόριθμο εντοπισμού της κοπής της σκηνής στον κωδικοποιητή του video με κανόνες που διατηρούν σε λογικά πλαίσια το μέγεθος των κομματιών ελαχιστοποιώντας το drift, με σκοπό να προετοιμάσει το asset για πιο αποτελεσματικό πακετάρισμα (packaging). Αυτό όχι μόνον αποφέρει τη μείωση του κόστους λόγω της μειωμένης κίνησης (traffic), της αποθήκευσης (storage) και άλλων έμμεσων δαπανών, αλλά βελτιώνει την ποιότητα της εμπειρίας του καταναλωτή.
Oι λύσεις content adaptive streaming αναπτύχθηκαν έχοντας υπ' όψιν τη διαλειτουργικότητα, ώστε να είναι εφικτή η ενεργοποίηση και η απενεργοποίηση διακριτών παραμέτρων όπως ο δυναμικός τεμαχισμός. Ακόμα, οι πάροχοι έχουν την επιλογή της χρήσης των συγκεκριμένων αναλύσεων που επιθυμούν, ακόμη και όταν αυτές φαίνεται να μην είναι οι βέλτιστες για το σύστημα.
Οποιαδήποτε εξέλιξη που βελτιώνει την ποιότητα, μειώνοντας παράλληλα και τα έξοδα απαιτεί περαιτέρω διερεύνηση. Αποτελεί μία νίκη για τον πάροχο και μία νίκη για τον θεατή και όλα δείχνουν ότι το content adaptive streaming θα μπορούσε να είναι η μελλοντική μέθοδος που θα επιλεγεί.
Πληροφορίες: www.ateme.com & Ariston BTS*
* Διανομέας Ελλάδος των προϊόντων της ΑΤΕΜΕ
