Проблемы автоматизации вещательно-производственного комплекса

Кузнецов Святослав Сергеевич Технический директор телеканалов San Porto и Torre Ricca ООО «Торре Рикка» 115533, Россия, г. Москва, пр. Андропова, 22 Kuznetsov Svyatoslav Kuznetsov Svyatoslav Sergeevich, Technical Director of San Porto and Torre Ricca TV channels Torre Ricca Limited Liability Company, Moscow 115533, Russia, Moscow, Andropova avenue, 22 svyat.smith@yandex.ru

Введение

Вещательно-производственный комплекс, представляющий собой совокупность технических средств и программной части, обеспечивающих эффективную работу компаний в области телевизионного и радиовещания, является основой рабочего процесса и примером использования прогрессивных технологических методов телепроизводства. Такие комплексы позволяют охватывать все его этапы – начиная от съемок и заканчивая автоматизированным вещанием телевизионных программ (на протяжении последних десяти лет активно используются в телеиндустрии). Вместе с тем, с учетом глобальной цифровизации и возрастающей конкуренции на рынке перед компаниями телевизионной индустрии стоит задача по постоянному совершенствованию вещательно-производственных комплексов. Такое совершенствование в большей степени обеспечивается новыми технологиями, часть из которых направлена на автоматизацию процессов вещания.

Материалы и методы

При написании статьи реализовывался комплексный подход к проблематике исследования, в частности, был рассмотрен перечень вопросов, касающихся внедрения технологий искусственного интеллекта в вещательную сферу. Для выявления проблем автоматизации вещательно-производственных комплексов использовались специальные и общие методы исследования.

Среди используемых в рамках исследования общих методов следует выделить методы системного, количественного и качественного анализа, синтеза, а также формально-логический метод и метод теоретического обобщения. Использование различных методов исследования позволило достичь обоснованности полученных научных выводов.

Результаты и их обсуждение

Автоматизация вещательно-производственных комплексов сама по себе не является новой концепцией и существует уже много лет. Однако вопросы о целесообразности и проблематике автоматизации вещательно-производственных комплексов позволяют оставаться актуальными в сфере телеиндустрии. В частности, возникают вопросы о совершенствовании уже существующих вещательно-производственных комплексов в части автоматизации процесса создания информативного контента, сохраняя при этом высокие производственные показатели.

Так, например, традиционно принятую схему создания телевизионной программы с привлечением высококвалифицированных специалистов, таких, как: режиссер, технический директор, графический оператор, помощник продюсера, звукорежиссеры, режиссеры по свету, можно заменить системой автоматизации. Иными словами, это означает, что вместо целой команды, управляющей всем оборудованием вещательно-производственных комплексов и их программной частью, все процессы будет контролировать только один человек с использованием специального программного обеспечения, обеспечивающего автоматизацию процессов.

Вместе с тем, рассматривая проблематику автоматизации вещательно-производственных комплексов с теоретической точки зрения, необходимо акцентировать внимание на том, всегда ли автоматизация может стать эффективным решением проблемы в области вещания.

Ответ на этот вопрос необходимо сопоставлять с каждой конкретной проблемой, которую пытаются решить за счет автоматизации, а также с тем, что требуется для каждого процесса производства в области вещания и как это вписывается в существующие рабочие процессы и культуру конкретной компании.

В специализированной литературе, посвященной развитию процессов автоматизации в области теле- и радиовещания, как правило, когда исследуются перспективы автоматизации вещательных процессов и преимущества такой автоматизации, указывается на то, что автоматизация вещательно-производственных комплексов направлена на экономию финансовых ресурсов телерадиокомпаний за счет единовременного инвестирования и дальнейшей экономии на высоких эксплуатационных расходах ^{[1, 3]}. Такая экономия достигается, в том числе, и за счет сокращения количества работников, контролирующих процесс вещания и выпуска программ ^[6]. Также в специализированной литературе можно встретить указание на то, что автоматизация в вещании позволяет использовать для контроля за отдельными процессами специалистов с более низкой квалификацией, в частности, продюсера программы можно заменить на любого специалиста, который сможет переключать программы с помощью оборудования ^{[2, 4, 7]}.

Автоматизация рассматривается в качестве перспективного направления в области телерадиовещания, поскольку позволяет создавать более точные, последовательные и более высокие стандарты производства за счет выполнения одной и той же последовательности запрограммированными машинами исключая человеческий фактор любых потенциальных ошибок ^{[5, 7, 9]}.

С указанным мнением невозможно согласиться в целом, поскольку автоматизация производственных процессов будет эффективной и экономичной технологией только при правильной настройке программной части и тщательном подсчете перспектив автоматизации. Ошибочным, по мнению автора настоящей статьи, является и имеющееся в специализированной литературе указание на то, что системой и программой может управлять любой работник с любым образованием. Так, например, если в рамках эфира концепция программы не меняется, то для переключения кнопки перехода к следующему сегменту действительно нет необходимости привлекать специалиста, имеющего какие-то особые познания в области телерадиовещания. Однако вышесказанное не применимо к тем программам, которые идут в прямом эфире, поскольку наполняемость программ прямого эфира может завесить от многих факторов, таких, как последние новости, репортажи с мест событий, прямое подключение корреспондентов из мест, где не обеспечено хорошее качество связи и так далее. Все вышеперечисленное может вызвать целый ряд технических проблем в процессе производства программы, которые невозможно спрогнозировать с помощью простых средств автоматизации.

В традиционном рабочем процессе продюсеры программы могут изменить ее порядок и поставить в известность об этом режиссера, который сообщит о проблемах съемочной группе. Когда в рамках автоматизации программное обеспечение заменяет съемочную группу, режиссер должен убедиться, что заданы соответствующие команды кодировки, направленные на выход последующих сегментов в эфир. В условиях неопределенной ситуации проще с помощью команды, обеспечивающей выпуск программы, оперативно среагировать на какие-либо события, чем вводить соответствующую команду в программное обеспечение. Кроме того, лицо, вводящее команду в программное обеспечение, должно обладать определенными техническими навыками и знаниями, чтобы выполнить все настройки и кодировки в соответствии со стандартом вещания прежде, чем выходить в эфир.

Вопрос о затратах на автоматизацию тоже является весьма актуальным. Так, например, если в процессе производства программы необходимо какое- либо дополнительное оборудование типа носимой системы стабилизации Steadicam на производство программы съемки, для которой работа осуществляется в постоянном движении, то затраты на соответствующее оборудование оправданы. Но если в рамках программы осуществляется съемка только сидящего ведущего, то траты на Steadicam излишни, поскольку можно использовать предварительно сохраненные снимки.

Вышеобозначенные практические проблемы не единственные, которые возникают в рамках автоматизации вещательно-производственных комплексов, но только исходя из рассмотренных проблем можно прийти к выводу о том, что автоматизация в области вещания требует проведения дополнительных исследований. Системы автоматизации, безусловно, обеспечивают возможность выполнения отдельных задач в области вещания, но пока они не настолько совершенны, чтобы можно было говорить о замене специалистов в области вещания на автоматизированные программы. Все существующие решения в области автоматизации вещания сводятся к двум возможным вариантам – новой системе автоматизации или полуавтоматической системы с использованием существующего оборудования ^[10].

Второй вариант с точки зрения обеспечения организационных целей в современных условиях видится более приемлемым. Так, при наличии уже функционирующего вещательно-производственного комплекса доработка технических решений за счет автоматизации возможна без ущерба для производственных команд.

Каждый проект, который разрабатывается в области телерадиовещания, отличается от другого проекта на микроуровне, поэтому работники, участвующие в реализации проекта, могут выбрать тот объем автоматизации, который они хотят включить. Но на макроуровне результаты проектов часто очень похожи. При объединении двух составляющих – макроуровня и микроуровня можно получить две эффективные системы, которые могут масштабироваться в соответствии с потребностями телевизионного производства и бизнеса. И такая эффективность достигается именно за счет того, что анализируется и учитывается специфика работы и только потом подбирается программное обеспечение, необходимое для автоматизации и только в том объеме, который позволяет облегчить труд работника при подготовке конкретной программы.

В будущем с учетом глобальной цифровизации всех производственных процессов, границы между редакционным и техническим производством в рамках вещания будут продолжать стираться. И в данной связи можно определить те области автоматизации вещательно-производственных комплексов, которые действительно позволят упростить работу специалистов и сэкономить при этом организационные ресурсы. По мнению автора настоящей статьи, среди перспективных областей автоматизации - голосовое управление, в основу которого положен искусственный интеллект, базирующийся на различных алгоритмах обучения искусственных нейронных сетей.

В частности, голосовое управление может заменить ряд механических действий, выполняемых оператором, на простое управление с помощью голоса, а распознавание команды и приведение ее в действие будет осуществляться по заранее определенному алгоритму для обученной нейронной сети.

Сегодня искусственные нейронные сети являются неотъемлемой частью большинства систем интеллектуального анализа данных, способных влиять на процессы, происходящие в различных системах за счет взаимосвязи между данными о конкретном событии и возможности прогнозирования аналогичных событий в будущем ^[8].

Технологии обучения нейронных сетей многообразны, однако для целей голосового управления в области производственного вещания наиболее перспективной видится технология глубокого обучения, за счет которой становится возможным решение большого спектра роботизированных задач в областях восприятия и управления. Возможности глубокого обучения нейронных сетей позволяют анализировать сложные разрозненные данные и строить сложные концепции из более простых. Все алгоритмы глубокого обучения используют разные типы нейронных сетей для выполнения определенных задач. Алгоритмы глубокого обучения обучают машины, базируясь на примерах, которые задаются в качестве параметров обучения.

Например, у нас может быть три функции соединенные в цепочку, чтобы сформировать. Эта цепь структур является наиболее часто используемой структурой нейронных сетей. В этом случае называется первым уровнем сети, - вторым уровнем сети и так далее. Общая длина цепочки дает представление о модели в целом. Именно из этой терминологии возникает название «глубокое обучение».

Исходя из такого принципа работы нейронных сетей вытекает их способность обнаруживать скрытые структуры внутри неструктурированных данных, которые составляют подавляющее большинство данных в мире. К необработанным данным в области телерадиовещания можно отнести необработанные носители информации – изображения, тексты, видео- и аудиозаписи. Поэтому одна из проблем, которую глубокое обучение решает лучше всего, заключается в обработке и кластеризации необработанных, немаркированных носителей, обнаружении сходств и аномалий в данных, которые не способен обработать человек.

Например, нейронная сеть глубокого обучения может, анализируя миллион изображений, сгруппировать их в соответствии со сходством: животные в одну группу, спорт в другую группу, а в третью группу личные фотографии пользователя.

Аналогичная идея применяется и ко всем другим типам данных. Отсюда следует предположение о том, что нейронная сеть может сгруппировать голосовые команды, которые подаются в рамках производства телевизионных программ и с помощью автоматизации процесса обеспечить работу системы без действий оператора.

На примере элементарной схемы можно представить, как будет работать нейронная сеть по распознаванию аудиофайла. Предположим, что имеется аудиофайл в формате, пригодном для обработки, и загрузим его в нейронную сеть глубокого обучения. Входными данными для нейронной сети будут 30-ти миллисекундные звуковые фрагменты. Для каждого фрагмента звука нейронная сеть должна будет определить букву, соответствующую произносимому в конкретный момент времени звуку. Для того, чтобы в дальнейшем сеть смогла распознавать голос и звуки, полученные от других источников, используем рекуррентную нейронную сеть, поскольку такая сеть обладает памятью и способна влиять на прогнозирование процессов (рисунок 1).

Рисунок 1 – Элементарная схема обучения нейронной сети распознаванию звуков

В представленной на рисунке 1 схеме рекуррентная нейронная сеть, обладающая памятью, будет влиять на прогнозирование процессов таким образом, что каждая буква, которая распознается сетью, будет влиять на «вероятное» прогнозирование сетью следующий буквы. Например, если будет произнесено три буквы «при», то сеть может спрогнозировать «вероятное» появления следующих букв «вет», чтобы получить законченное слово «привет». Гораздо менее вероятным для сети будет просто набор букв «адт».

После того, как весь аудиофайл будет пропущен через нейронную сеть, на выходе получится сопоставление каждого аудиофайла с буквами, которые, скорее всего, произносятся во время конкретного фрагмента.

В теоретической литературе о работе нейронных сетей отмечается, что в процессе глубокого обучения нейронные сети учатся распознавать корреляции между определенными релевантными признаками и оптимальными результатами – они рисуют связи между сигналами признаков и тем, что эти признаки представляют ^[8]. При этом сеть глубокого обучения, построенная на определенных структурированных данных, может быть затем применена к неструктурированным данным, предоставляя им доступ к гораздо большему количеству входных данных, чем сети машинного обучения. Таким образом, чем больше данных сеть может обучать, тем более точным будет результат.

Адаптируя теорию обучения нейронных сетей к решению конкретной задачи автоматизации вещательно-производственных комплексов, можно констатировать, что при разработке соответствующей модели обучения нейронной сети и выборе эффективного механизма обучения возможно упрощение отдельных процессов производства программ, например, за счет замены физических действий оператора или режиссера на управление голосовыми командами. Вместе с тем, данное предположение требует дополнительного изучения и разработки соответствующей модели, адаптированной под конкретную задачу.

Выводы

Подводя итог настоящему исследованию, необходимо отметить, что существующие проблемы в области автоматизации вещательно-производственных комплексов в настоящий момент обусловлены стремлением телерадиокомпаний заменить традиционный подход к выпуску программ с использованием команды специалистов на программное обеспечение. Однако такой подход будет эффективным только в том случае, если выпуск программ не связан с работой в прямом эфире, где в условиях неопределенной ситуации оперативно среагировать на какие-либо события с помощью введения команды в программное обеспечение не представляется возможным. Отсюда автоматизация производственных процессов становится эффективной и экономичной технологией только при правильной настройке программной части и тщательном подсчете перспектив автоматизации.

Реальные же перспективы автоматизации вещательно-производственных комплексов в настоящий момент находятся в практически не изученных областях для телевизионной сферы – областях голосового управления, в основу которого положен искусственный интеллект, базирующийся на различных алгоритмах обучения искусственных нейронных сетей, что требует дополнительного изучения и разработки соответствующей модели, адаптированной под конкретную задачу.