Neudefinition bestehender Prozesse im Medienbereich

In Teil 1 dieser zweiteiligen Serie haben wir uns mit den wichtigsten Erfolgsfaktoren für ein modernes Medienunternehmen (oder einen Dienstleister) befasst, darunter die Nutzung der neuesten Beobachtungsmöglichkeiten und KI/ML-Funktionen sowie eine Linksverschiebung durch Design. Eine ideale, futuristische Medienoperations-Pipeline sollte daher die folgenden Designgrundsätze berücksichtigen:

• Nicht nur Daten, sondern auch kontextbezogene Erkenntnisse - Filtern Sie das Rauschen heraus und analysieren Sie die Daten kontextbezogen, um Zusammenhänge zu verstehen und bessere Erkenntnisse zu gewinnen,
• Integriert mit KI - Vorhersage, Prävention und Unterstützung durch eine einzigartige Kombination und Zusammenarbeit von KI-Tools und -Modellen,
• Automatisierung - Automatisieren Sie die Erkennung von Daten, APIs, Workflows und wichtigen Geschäftsprozessen auf intelligente Weise,
• Kollaborative Pipeline - Aufbrechen von Silos zwischen Daten, Tools und Teams mit einer gemeinsamen Datenquelle und intelligenten Erkenntnissen,
• Sicherheit - Die Kritikalität der Daten erfordert ein Höchstmaß an Sicherheit, wobei solche kritischen Daten und KI-Modelle aufgrund rechtlicher und behördlicher Beschränkungen für die Ausführung vor Ort empfohlen werden
• Skalierbarkeit - Modulare Komponenten, die sich leicht integrieren und individuell skalieren lassen.

Versuchen wir, uns dies anhand eines detaillierten Anwendungsfalls vorzustellen und zu sehen, wie ein erweitertes Framework für den Medienbetrieb, das KI mit Observability nutzt, in einem solchen Szenario funktioniert:

Hintergrund:

Eine neue Webserie wurde auf einer abonnementbasierten OTT-Plattform gestartet. Nach dem Start werden auf den SRO-Dashboards für den Medienbetrieb sofort vermehrt Fehlermeldungen zur Videowiedergabe angezeigt. Die SRO- und Support-Teams werden mit Warnmeldungen aus verschiedenen Tests überhäuft und sind nicht in der Lage, schnell eine Entscheidung zu treffen, was das ohnehin schon schlechte Kundenerlebnis noch weiter verschlechtert und die Marke des OTT-Dienstes beeinträchtigt.

Wie ein KI-gestütztes Media Operations Monitoring Setup hilft:

Das System wird durch Beobachtungsdaten gesteuert, die in mehrere KI-Agenten integriert sind, die zusammenarbeiten, um zu erkennen, was schief läuft, und Erkenntnisse darüber liefern, wie man es beheben kann. Außerdem verfügt es über ein Dashboard in der Kommandozentrale, auf dem die SRE/SROs Untersuchungen und Erkenntnisse aus dem System einsehen können.

In Aktion: Command Center Agents A, B und C

Command Center Agent - Dies umfasst einen KI-Agenten, der kritische Geschäftsabläufe/szenariobezogene Ereignisse überwacht und Untersuchungen durch eine Gruppe individueller KI-Agenten initiiert. Wenn dieser Agent das im oben genannten Kontext erwähnte Muster identifiziert, leitet er die Untersuchung durch Agent A ein.

Agent A- App/Device Observability Erkenntnisse mit KI-Analyse und nächster Aktion:

Die App/Device Observability Platform liefert Erkenntnisse über Muster/Demografien der Anomalien in den Trends der Fehleranalyse. Ein benutzerdefinierter LLM-Agent prüft alle Analysedaten und Erkenntnisse, die von einem oder mehreren App/Geräte-Beobachtungstools/Plattformen bereitgestellt werden, und bestimmt die Korrelation und die wahrscheinlichen nächsten Schritte.

Agenten-Analyse: Es werden mehr Ausfälle gemeldet, wenn

• Der Benutzer greift auf die Wiedergabe eines bestimmten Inhalts/Titels zu,
• Der Nutzer schaut sich den Inhalt länger als XX Stunden an, bevor der Fehler auftritt,
• Der Benutzer versucht hat, das Paket zu abonnieren, bevor er den fehlerhaften Inhalt ansieht, oder
• Der Nutzer aus einer bestimmten Region und mit einem bestimmten Gerätetyp eine höhere Fehlerquote aufweist.

Nächster Schritt: Agent A teilt die Daten mit dem Command Centre Agent, Agent B und C, um die Untersuchung von Fehlern bei der Integration von Benutzer/Abonnement/CDN und Zahlungsgateway einzuleiten.

Agent B - Alert Monitoring Tool-Daten mit KI-Analyse und nächster Aktion:

In einer typischen Medienbetriebspipeline wird ein Alarmüberwachungs-Toolset verwendet, das Alarme von verschiedenen Sonden erhält, die die gesamte Hardware-Infrastruktur und das Software-Ökosystem überwachen. Ein benutzerdefinierter LLM-Agent überprüft alle Alarmdaten und Erkenntnisse, die vom Alarmüberwachungs-Tool/der Plattform bereitgestellt werden, und bestimmt die Korrelation und die wahrscheinlichen nächsten Schritte.

Agenten-Analyse: Auf der Grundlage der von Agent A übermittelten Erkenntnisse (d. h. demografische Daten, Zeitleiste und Daten) analysiert Agent B die Warnmeldungen und ihre Daten, um wahrscheinliche Beziehungen und Muster zu ermitteln und weitere Erkenntnisse zu gewinnen. Dazu gehören:

• Warnmeldungen, die während des Zeitraums von Benutzerberechtigungen und Abonnementkomponenten aus derselben Region eingegangen sind,
• Warnungen von Videokodierungs-/Transkodierungs- und CDN-Bereitstellungskomponenten in diesem Zeitraum und
• Zahlungsausfallwarnungen, die für die Benutzer und die Region in diesem Zeitraum beobachtet wurden.

Nächster Schritt: Die Wiedergabe bestimmter Inhalte scheint bei Nutzern, die versuchen, ein Abonnement für den Videozugang zu erwerben, zu scheitern. Agent B teilt Daten und Erkenntnisse mit dem Command Center Agent und Agent C.

Agent C - Abonnementkomponente und Zahlungsgateway-Daten mit KI-Analyse und nächster Aktion:

Ein benutzerdefinierter LLM-Agent prüft alle Protokolle und Verfolgungsdaten der Abonnement-, Berechtigungs- und Zahlungsintegrationsdaten und bestimmt die Korrelation und die wahrscheinlichen nächsten Schritte.

Agenten-Analyse: Auf der Grundlage der von Agent B übermittelten Erkenntnisse analysiert Agent C die Protokolle und Ablaufverfolgungen, um Fehler oder Ausnahmen im Ablauf zu finden und wahrscheinliche Zusammenhänge, Grundursachen und Muster zu ermitteln, um weitere Erkenntnisse zu gewinnen Er stellt Folgendes fest:.

• Das Gateway des Zahlungspartners meldete einen Fehler für einige wenige Benutzer, die versuchten, eine bestimmte Zahlungsmethode für den Kauf eines Abonnements zu verwenden, und dass
• In den Berechtigungsprotokollen für die neu eingeführten Inhalte wurden Fehler festgestellt, weil auf der TV-Plattform eine falsche content_Id verwendet wurde.

Nächster Schritt: Die Wiedergabefehler scheinen auf zufällige Zahlungsfehler und Berechtigungsprobleme für die neuen Inhalte für die TV-Plattform zurückzuführen zu sein. Agent C teilt Daten und Erkenntnisse mit dem Command Center Agent.

Der Agent in der Kommandozentrale liefert der SRO und anderen Teams Erkenntnisse und Anleitungen für weitere Maßnahmen zur Behebung des Problems und zur Minimierung der Auswirkungen auf die Kundenerfahrung.

Ein Blick in die Zukunft:

KI-Agenten und fortschrittliche Beobachtungsplattformen verändern das Spielfeld in allen Branchen, indem sie die Effizienz steigern, Arbeitsabläufe optimieren und für bessere Kundenerlebnisse sorgen. Indem wir sie für Anwendungsfälle im Medienbereich nutzen, können wir nicht nur die Effizienz steigern, sondern auch neue Wachstumschancen erschließen, wie der Anwendungsfall hier zeigt.

Interessiert - lassen Sie uns ein Gespräch beginnen.