廣播電視監測監管平臺中的人工智能應用

許津子

摘 要：人工智能的快速發展將改變各行業的發展格局，將其應用于廣播電視監測監管平臺的開發和建設，能夠有效地推動廣播電視行業的發展。文章結合目前人工智能在廣播電視行業的應用情況，討論了監測監管系統中人工智能的應用前景，分析了應用人工智能需要注意的關鍵技術問題。

關鍵詞：人工智能;監測;監管;AI

0 引言

作為新一輪產業變革、科學技術革命的重要驅動力量，人工智能的快速發展將改變各行業的發展格局，人類的生活也將發生顛覆性的變化。目前，人工智能在全球范圍內的競爭發展態勢日趨激烈，歐盟各國家和地區陸續出臺相關指導政策，加快推進人工智能的發展。近幾年，我國也十分重視發展人工智能領域，《促進新一代人工智能產業發展三年行動計劃（2018—2020年）》《新一代人工智能發展規劃》等政策規劃的頒布與實施，圍繞新一代人工智能技術的產業化和集成應用，聚焦新一代人工智能關鍵技術，并把它應用到廣播電視監測監管平臺中，將賦能廣播電視行業的持續健康發展。

1 ? 人工智能在監測監管中的應用分析

1.1 監測監管系統中人工智能（AI）特征分析

人工智能起源于1956年，達特茅斯人工智能夏季研究計劃（The Dartmouth Artificial Intelligence Summer Research Project）開啟了人工智能領域的研究，自此以后新一代的科學家開始了探尋與人類媲美的智慧信息技術。

人工智能包羅萬象，包括自然語言處理、知識表達、智能搜索、規劃、機器學習、人工神經網絡復雜系統、數據挖掘、遺傳算法、模糊控制等。人工智能的目標是創建可以與人類思維相媲美的計算機軟件系統和（或）硬件系統。適用于人工智能來求解的問題主要有3個特征：（1）人工智能問題往往是大型的問題。（2）在計算上非常復雜，并且不能通過簡單的計算解答。（3）人工智能問題及其領域傾向于收錄大量的人類專門知識，特別是通過模擬人類智能行為，使用與人類相同的方法解決問題。

1.2 人工智能（AI）有利于提高內容智能分析效率

計算機視覺、深度學習和自然語言處理等人工智能技術提高了監測監管的效率，主要表現在新媒體監測監管領域內容智能分析的效率。

1.2.1 計算機視覺

計算機的一雙眼睛稱為計算機視覺，主要應用包括視頻分割、光流、目標追蹤、圖像識別、目標監測、圖像分割、圖像生成等。目前常見的計算機視覺工具包有：OpenCV， MATLAB Computer Vision System Toolbox，SimpleCV， CCV，VLfeat，VXL。

1.2.2 深度學習

深度學習是機器學習的一個分支，根植于計算機科學、數學和神經科學。60年前，數字計算機在人工智能的萌芽期問世，深度學習革命的種子也在那時被播種。深度學習與傳統的學習方法相比，深度學習方法預設了更多的模型參數，因此模型訓練難度更大，根據統計學習的一般規律，模型參數越多，需要參與訓練的數據量也越大。深度學習與深度神經網絡密切關聯。通過多元神經網絡，DNN（深度神經網絡）分為多層，可以“自動”產生自適應的特征，最后提供一個人們預期值。尋找“特征工程”的過程非常煩瑣，深度神經網絡也分解成許多不同的網絡拓撲結構，所以有了CNN（卷積神經網絡）、RNN（遞歸神經網絡）、LSTM（長期短期記憶）、GAN（生成敵對網絡）、轉移學習、注意模型（Attention Model）等，所有的這些被統稱為深度學習（Deep Learning）[1]。

1.2.3 自然語言處理（NLP）

自然語言處理是人工智能中一個核心的部分。自然語言處理（NLP）涉及人工智能、計算機科學、語言學等學科，研究的領域是計算機和人類（自然）語言之間的相互作用。

2 監測監管平臺中應用的人工智能技術

人工智能主要應用詳情如表1所示。

2.1 監測監管平臺中的人工智能

廣播電視監測監管事業的跨越式發展，以全媒體綜合監測監管平臺為依托。近幾年，河南廣播電視臺以“河南廣播電視全媒體融合監管平臺”建設為抓手，以實現監測監管平臺內各業務系統的無縫對接，為廣播電視監管部門提供有力的技術支撐和保障。全媒體融合監測監管平臺總體架構設計遵循“五個層次”的邏輯關系，即基礎層、數據采集層、業務層、應用層和展現層。

2.1.1 基礎層

基礎層包括3部分：物理資源、監測設備和虛擬資源。基礎層采用虛擬化技術、池化技術搭建平臺的底層服務。通過虛擬化技術實現對整個軟硬件環境的調度、部署和管理，從而降低服務器數量，提高硬件服務器利用率，加強網絡資源的綜合管理建設。通過池化技術，打通原有不同類型節目信號監測板卡不同造成的通信和管理壁壘，提高通道冗余、故障應急處理能力。根據處理內容量、計算量、吞吐量的不同，自動為各業務、各監測前端分配資源。可通過統一配置服務對全局資源進行配置、查看、變更，平臺內的所有物理設備、虛擬化設備均具有網管監控功能，平臺自動記錄設備的運行信息。

2.1.2 數據采集層

數據采集層是根據基礎層提供的硬件和軟件資源，獲取監測監管業務所需的初始數據。

2.1.3 業務處理層

業務處理層主要從傳統的廣播電視傳輸信號的質量監測、視聽節目內容監測以及網絡安全監測3個方面。

2.1.4 應用層

應用層實現廣播電視和新媒體監測監管業務，為監測管理、值班運維、匯報展示業務提供支撐。通過業務系統可以實現對自身負責業務的監管、研判和處理。同時，平臺具備了業務報告定制和工作流定制的功能，負責人可以根據自身需求，設置平臺內的業務處理和工作分發。

2.1.5 展現層

該層主要是綜合展示，可根據需要，將不同業務、不同模塊進行配置展示，支持多類業務在大屏上進行統一展示。

2.2? AI深度學習研判庫方案

AI深度學習研判庫將上報的基礎報警進行綜合研判，推導出報警可能的故障節點以及故障原因，結合節目播出鏈路信息準確定位故障單位以及故障設備。目前，新媒體監測監管業務需要抓取海量的數據，數據經過數據清洗，數據排重、一致性判斷等步驟，集成在大數據平臺中，最終達到高效利用。監測監管數據種類繁雜，一方面包含傳統的廣播、電視、報紙，另一方面包括互聯網新媒體內容如：網絡新聞、視頻、音頻、圖片等，可用價值密度低，可以把人工智能技術與大數據技術二者優勢結合緊密起來。

通過大數據分析對各個監測前端上報的報警數據、信道指標數據、碼流分析數據、頻譜分析數據、碼流錄制數據進行數據分析，結合AI深度學習研判功能將上報的基礎報警進行綜合研判，推導出報警可能的故障節點以及故障原因，結合節目播出鏈路信息準確定位故障單位以及故障設備[2]。

2.3 AI深度學習推理機

AI深度學習推理機主要用于根據監測監管知識庫的相關數據將基礎報警推導出綜合報警結果。AI深度學習推理機具備將多層面的監測監管報警包括信道層面、碼流層面、音視頻層面的報警，將這些報警相互關聯，并對這些關系數據進行匯總分析，推斷出產生報警的根本原因，縮短值班人員的處理時間。

依據監測監管平臺產生的基本報警信息包括：信道失鎖、誤碼率過高、功率過低、信號中斷、解碼異常、同步丟失、同步字節錯、連續計數錯誤、靜幀、黑場、無伴音報警。利用廣播電視監測監管平臺中實時的報警數據、信道指標數據、頻譜數據、碼流分析數據、錄像數據、節目運行圖數據，第三方系統提供的運行維護數據、日凌信息以及知識庫中的規則數據、歷史報警數據等。從信道層面、碼流層面和節目層面進行綜合分析，推斷出引起系統報警可能的故障環節和發生概率。

3 結語

廣播電視監測監管平臺發展迅速，面對無形而又龐大的視頻、文字、圖片等各類型資料的快速發展，依靠肉眼監測監管已經不能滿足于業務發展的需要，相信在不久的將來，人工智能的技術優勢將在廣播電視監測監管領域中得以充分發揮，提高廣播電視的監測監管效率，為廣播電視監測監管技術系統提供有力的技術支撐，為新時代智慧廣電的全面發展提供強有力的保障。

[參考文獻]

[1]特倫斯·塞諾斯基.深度學習革命[M].姜悅兵，譯.北京：中信出版社，2019.

[2]周志華.機器學習[M].北京：清華大學出版社，2015.

（編輯 王雪芬）