意见|为什么DFL依靠AI助手来管理世界上最大的足球视频档案

意见|为什么DFL依靠AI助手来管理世界上最大的足球视频档案
  德国足球联盟(DFL)媒体中心目前管理视频数据等效于27.5亿智能手机照片。经过十五年的仔细存档,DFL策划并记录了足球中一些最重要的时刻 – 最后一分钟的胜利,令人惊叹的目标和个人光彩。

  DFL监督德国俱乐部足球的精英级别,创建了具有超过175,000个小时的内容的视频数据库。由其体育广播子公司DFL Media Hub管理,其中包括德国官方足球档案馆,由德甲,2.Bundesliga,Liga 3,Women’s Bundesliga和德国国际比赛的内容组成。它正在不断增长,每年添加超过12,000个小时的视频。

  该档案是从以前孤立的储存地点汇总的,以最高质量的数字化,并保存为长期存储。这包括全长比赛,亮点和实时广播录音。但是,对于DFL而言,汇总的比赛镜头只是故事的一半。可以搜索此内容,并可以为德甲俱乐部,其全球媒体合作伙伴,赞助商和机构提供人工智能(AI)干预。

  在过去的几年中,DFL与Quontiphi一起使用了视频智能(计算机愿景)和AI-First Digital Transform的领导者来扩大其现有的归档工作。在这里,AI生成了高度详细的视频内容相关元数据,以提高DFL媒体中心中的可搜索性。

  DFL利用Sportcast的官方匹配数据和现场纪录,以提供有关其手表下每个固定装置的描述性信息。尽管如此,DFL Media Hub用户的内容需求是不同的,并且不可能手动标记此内容。

  如果要创建一个著名球员的亮点,那么搜索值得编辑的镜头将意味着观看几个小时的看不见的镜头。 AI通过在视频中产生颗粒状元数据来解决这一挑战。该元数据有助于AI自动识别并捕获有关玩家脸部,情感,所需的相机角度以及红色卡片或目标等特定事件的基本信息。德甲联赛最近透露,这种AI生成的元数据帮助将11次以上的视频数据转换为高度可用的内容的宝库。

  Sportcast的DFL Media Hub负责人克里斯托夫·福斯特(Christoph Forster)表示:“按顺序层面,对人力资源的序列级别进行分类和标记超过100,000小时的历史内容以及全新的视频内容根本不可行。” “这就是为什么我们一直在寻找’技术助理’来做到这一点的原因 – 我们了解到机器学习和AI驱动的技术可能是为此目的的最佳解决方案。”

  元数据消除了搜索正确内容的手动努力。取而代之的是,随着时间的流逝,AI从所选的选择中学习并通过主动学习来改善自己。

  “鉴于单场比赛可以产生的大量信息以及多种运动的不同,足球或任何运动内容都是AI的独特领域。但是,要根据社论或自定义要求搜索运动档案 – 相关的元数据是必不可少的。

  在培训AI模型中,有三个核心方面可以在此规模上协助满足档案需求。

  1.相关性:该模型必须自动识别并捕获档案用户和编辑器的相关元数据。这是通过开发这项运动独有的元数据分类法来完成的。这可以包括:

  - 面部和情感识别

  - 相机角

  - 赞助徽标

  - 自定义比赛事件(目标,红牌等)

  

  适合足球的特殊元数据分类法

  2.元数据质量:并非所有相关的元数据都会有所帮助。元数据必须通过预设的质量标准。例如,捕获的数据应显示玩家的脸部清晰,没有任何运动模糊是有益的。尽管对玩家或情感进行了准确的识别,但不占据中心位置的玩家仍需要丢弃。

  

  上图:该平台通过处理运动模糊来改善元数据质量

  右下方:AI还使用中心性作为参数来确保元数据质量

  

  3.可伸缩性:这意味着AI模型必须可扩展才能管理数十年的过去内容并完美工作,同时在团队的名册中添加新球员。生成的标签必须与现有的媒体资产管理系统集成,并与现有的媒体工作流程兼容。

  最重要的是,开发的解决方案必须遵守控制联盟及其球员的数据隐私和安全规范。

  丰富的存档为全球货币和许可体育内容提供了多种可能性。更全面和详细的元数据条目是,用户更容易,更快地找到合适的视频内容。

  在比赛中,多个实时饲料从不同角度捕获了相同的游戏。编辑团队需要从此大量数据中手动分析和提取相关内容。现在,内容创建者和档案用户可以最大程度地策划运动内容。例如,可以使用从编辑操作中学到的AI-abled编辑工作流来创建快速亮点。对于自定义亮点,这些可以针对不同的用户段,具体取决于粉丝群,兴趣和其他基于同一元数据的业务需求。

  运动中的讲故事现在是主流。多个联赛,广播公司正在将比赛内容和幕后录像融合在一起,并具有引人入胜的叙述,以吸引全球粉丝。 AI还可以帮助识别体育纪录片的正确情绪,定制事件和所需的摄像机角度的录像。

  每项运动都有其自身的编辑要求都不同,但是相关性,质量和可扩展性的核心支柱大致成立。例如,由于快速移动的车辆,像一级方程式赛车这样的Mototsport将需要更高的关注对元数据质量。国家橄榄球联盟(NFL)的内容将有众多单帧球员,这使得对相关球员必须进行标记的要求。

  普遍的贡献是,该模型必须遵守控制球员和联盟的数据隐私规范。

  想要更多关于如何利用AI用于运动内容的想法吗?直接通过qmarketing@quantiphi.com向Quantiphi询问。

  Sankalp Chaudhary