Omdefiniering av befintliga processer inom medieverksamheten

I del 1 av denna tvådelade serie fördjupade vi oss i de viktigaste framgångsfaktorerna för en modern mediadrift (eller tjänsteleverantör), bland annat hur man utnyttjar de senaste möjligheterna inom observabilitet och AI/ML, tillsammans med ”shift left by design”. En idealisk, framtidsinriktad pipeline för mediadrift bör därför bygga på följande designprinciper:

• Inte bara data utan även kontextuella insikter – filtrera bort brus och analysera data i sitt sammanhang för att förstå samband och få bättre insikter,
• Integrerad med AI – Förutse, förebygg och stödja med en unik kombination och samverkan mellan AI-verktyg och -modeller,
• Automatisering – Automatisera upptäckten av data, API:er, arbetsflöden och viktiga affärsprocesser på ett intelligent sätt, 
• Samarbetsinriktad pipeline – Bryt ner silor mellan data, verktyg och team med en gemensam datakälla och intelligenta insikter,
• Säkerhet –Dataens kritiska natur kräver högsta möjliga säkerhetsnivå, och med tanke på sådana kritiska data och AI-modeller rekommenderas lokal drift på grund av juridiska och regulatoriska begränsningar, samt
• Skalbarhet – Modulära komponenter som enkelt kan integreras och skalas individuellt.

Låt oss försöka föreställa oss detta genom ett detaljerat användningsfall och se hur ett förbättrat ramverk för medieverksamhet som utnyttjar AI med observabilitet fungerar i ett sådant scenario:

Bakgrund: 

En ny webbserie har lanserats på en prenumerationsbaserad OTT-plattform. Omedelbart efter lanseringen börjar varningar om fel vid videouppspelning att dyka upp i allt större omfattning på SRO-dashboarden för medieverksamheten. SRO- och supportteamen blir överväldigade av varningar från olika prober och kan inte snabbt avgöra hur de ska prioriteras, vilket förvärrar en redan dålig kundupplevelse och påverkar OTT-tjänstens varumärke negativt.

Hur en AI-förbättrad övervakningslösning för medieverksamheten hjälper: 

Systemet drivs av insikter från observabilitet som är integrerade med flera AI-agenter som samarbetar för att identifiera vad som går fel och ge insikter om hur man kan åtgärda det. Det har också en kommandocentral-dashboard där SRE/SRO:erna kan se utredningar och insikter från systemet.

I praktiken: Kommandocentrets agenter A, B och C

Kommandocentralens agent – Detta inkluderar en AI-agent som övervakar kritiska affärsflöden/scenarierelaterade händelser och initierar utredningar genom en grupp av enskilda AI-agenter. När denna agent identifierar det mönster som nämns i sammanhanget ovan initierar den en utredning via agent A.

Agent A – Insikter om app- och enhetsövervakning med AI-analys och nästa åtgärd:

Plattformen för app- och enhetsövervakning ger insikter om mönster och demografiska data för avvikelserna i trenderna för felanalys. En anpassad LLM-agent granskar all analysdata och alla insikter som tillhandahålls av ett eller flera verktyg eller plattformar för app- och enhetsövervakning och fastställer korrelationer samt troliga nästa steg.

Agentanalys: Fler fel rapporteras när

• användaren öppnar ett specifikt innehåll eller startar uppspelningen av en titel, 
• användaren tittar på innehållet i mer än XX tid innan ett fel uppstår, 
• användaren försökte prenumerera på paketet innan hen tittade på det felaktiga innehållet, eller
• användare från en viss region som använder en eller flera specifika enhetstyper har högre felfrekvens.

Nästa steg: Det verkar förekomma uppspelningsfel för specifikt innehåll. Agent A delar data med agenterna vid kommandocentret, agent B och C, för att inleda en utredning av felen i användar-/prenumerations-/CDN-systemen samt integrationen med betalningsgatewayen.

Agent B – Data från verktyget för övervakning av varningar med AI-analys och nästa åtgärd:

I en typisk mediehanteringspipeline används en uppsättning verktyg för övervakning av larm, som tar emot larm från olika prober som övervakar den övergripande hårdvaruinfrastrukturen och mjukvaruekosystemet. En anpassad LLM-agent granskar alla larmdata och insikter som tillhandahålls av verktyget/plattformen för larmövervakning och fastställer samband samt troliga nästa steg.

Agentanalys: Baserat på insikter som överlämnats av agent A (dvs. demografi, tidslinje och data) analyserar agent B larm och dess data för att fastställa troliga samband och mönster samt samla in ytterligare insikter. Detta inkluderar:

• Varningar som mottagits från användarrättigheter och prenumerationskomponenter under samma tidsperiod från samma region, 
• Varningar från komponenter för videokodning/transkodning och CDN-leverans under samma period, samt 
• Varningar om misslyckade betalningar som observerats för användarna och regionen under den tiden.

Nästa steg: Uppspelningsfel för specifikt innehåll verkar inträffa för användare som försöker köpa ett abonnemang för att få tillgång till video. Agent B delar data och insikter tillbaka till agenterna vid kommandocentret, Agent A och Agent C.

Agent C – Data från prenumerationskomponenten och betalningsgatewayen med AI-analys och nästa åtgärd:

En anpassad LLM-agent granskar alla loggar och spårningsdata för prenumerationen, behörigheterna och betalningsintegrationsdata och fastställer samband samt troliga nästa steg.

Agentanalys: Baserat på insikter som överlämnats av agent B analyserar agent C loggarna och spårningsdata för att hitta eventuella fel eller undantag i flödet och fastställa troliga samband, grundorsaker och mönster för att samla in ytterligare insikter. Man observerar att:

• Betalningspartnerns gateway rapporterade fel för några användare som försökte använda en specifik typ av betalningsmetod för att köpa prenumerationen, och att 
• fel observerades i behörighetsloggarna för det nyligen lanserade innehållet på grund av att felaktigt content_Id användes på TV-plattformen. 

Nästa steg: Uppspelningsfel verkar bero på sammanfallande betalningsfel och behörighetsproblem för det nya innehållet på TV-plattformen. Agent C delar data och insikter tillbaka till agenten i kommandocentret.

Agenten vid kommandocentret ger insikter och vägledning till SRO och andra team för ytterligare åtgärder för att lösa problemet och minimera påverkan på kundupplevelsen.

Framtiden:

AI-agenter och avancerade övervakningsplattformar förändrar spelplanen inom olika branscher genom att öka effektiviteten, optimera arbetsflöden och skapa bättre kundupplevelser. Genom att använda dem i medieverksamheten kan vi inte bara öka effektiviteten utan också öppna upp nya tillväxtmöjligheter, vilket illustreras i användningsfallet här.

Intresserad? Låt oss inleda en dialog.