Video++视频人工智能AI商用产品架构特点

以视觉识别为基础的视频结构化数据平台, 通过人工智能技术（明星识别，场景识别，语音识别，文字识别，品牌识别，商品识别等），自动识别出视频中可以投放广告的位置。

例如识别到视频中出现周杰伦则自动投放周杰伦代言的商品广告，识别到出现聚餐场景则自动投放啤酒广告等。

1、算法部署插件化管理

目前人工实验室各个识别算法(明星识别、物体识别、品牌识别、场景识别等)已经进入产品化阶段,需要把实验室的研究推进到工程化开发,我们通过docker将每个算法封装部署,使得每个算法都能单独更新快速迭代。同时我们也能通过这种方式更加方便扩展,随时增加算法类型。比如我们以后的商品识别、语音识别等,无论外部接入还是原创算法都能很好扩展.

2、灵眸分析算法调度及与前段应用解耦

在实际生产环境中,算法分析与应用是两套完全独立的系统。由于视频分析计算资源占用非常多,因此必须跟前端应用解藕。目前的架构中有独立的调度系统,使用任务队列的方式使得算法部分独立于前端应用。所有分析任务从前端发出后都不是直接调用算法,而是通过调度系统从队列中去消费,启动相应的算法分析,最後由调度系统反馈到应用层。在后续开发中,调度系统不仅承担系统解藕的作用,还会加入监控、资源调配等模块,使得资源最大化利用.

3、灵眸视频分析与VideoOS视频互动平台的深度结合

灵眸视频智能分析平台能够输出视频的结构化数据,这些数据本身价值巨大,如何实现这些价值需要与OS的视频互动深度结合。灵眸与OS的视频数据可以天然互通,无论是内部api方式或者数据库层面都能很好的支持。目前已经打通videoOS中的视频(即芒果、乐视等视频平台中的视频)与灵眸分析视频的关联,使得分析的视频数据能够直接应用到视频互动资源上,让投放更加精准和多样化,同时效率也更高。灵眸早期工程版本(仅有明星识别)中针对芒果节目的辅助运营已经证明,视频智能化分析能带来效率和投放效果的极大提升,随着os中应用数量不断增加,分析得到的数据也将有更丰富的输出形式.

4、样本管理系统和运营反馈机制

优质的训练样本对于提高识别精度非常重要,因此我们设立有专门的数据采集团队,负责训练样本采集、标注等工作,以保证样本质量,同时提供样本的管理系统,方便录入、筛选和管理。除了样本的管理,灵眸还设立有运营反馈机制。运营人员会根据系统在运营中产生的实际识别结果进行抽样审核,及时反馈到算法团队,以便调整优化算法。有了及时的反馈机制,在大面积投入使用之后,随着反馈规模的扩大,将能够更快提高识别准确率.