Как, по-вашему, связаны монетизация ТВ-каналов, нейронные сети и судоку? На первый взгляд – как программирование с искусством: возможно, но удается далеко не многим. Однако, присмотревшись, наша команда нашла необычный ответ на этот вопрос. Продукт, который разработали инженеры, позволял с помощью разных видов нейронных сетей определять начало и конец рекламных блоков, чтобы они появлялись в правильное время. Сейчас же, он уже трансформировался в универсальное средство для решения широкого круга задач. И мы с удовольствием расскажем, что к чему.
Все началось с того, что основным источником прибыли для американских стриминговых компаний и ТВ-каналов стала монетизация контента с помощью рекламы. Владельцы ТВ-каналов разрешали заменять провайдерам определенную часть рекламы и показывать там рекламу их клиентов. Однако, если рекламные блоки наслаивались друг на друга, то рекламодатели оставляли негативные отзывы. В итоге, реклама на канале отключалась, а доход терялся.
Для решения этой проблемы использовались разные подходы. Свой подход был и у одного из крупных поставщиков видеоконтента в США, который начал работать с EPAM. Однако его точность не превышала шестидесяти процентов. Это значит, что в сорока процентах случаев рекламные ролики перекрывали друг друга, что могло привести к полному отключению рекламы на этих ТВ-каналах.
![](https://habrastorage.org/r/w780q1/webt/cz/ut/zp/czutzpsg4fr85h-sz9nueycpsmw.jpeg)
По словам менеджера проекта Влада Байовского, «как только проект стартовал, инженер Леша Дружинин столкнулся с этой проблемой, и у него возникла идея. Заключалась она в том, чтобы создать продукт, который будет определять начало и конец рекламных блоков. Скажу честно, сначала я был настроен скептически, так как решение было технически сложным, то есть предполагало использование нейронных сетей и машинного обучения. И на тот момент у нас не было соответствующей экспертизы в этих областях.
В целом, все ребята, которые успели принять участие в этом проекте, опробовали разные типы нейронных сетей и разные алгоритмы, связали и синхронизировали разные компоненты. Несмотря на то, что идея родилась в Калифорнии, нам удалось задействовать 70 инженеров из абсолютно разных локаций EPAМ.
В итоге у нас получился отличный продукт, который теперь не только определяет смену рекламы, но является универсальным решением для любых задач, связанных с определением смены видеоконтента, включая потенциальное решение для видео поиска. Иными словами, его область применения не ограничивается лишь рекламой — это могут быть, например, и ТВ-шоу, у которого меняются рубрики, и данные с видеокамер или оцифрованные старые фильмы, у которых нет метаданных о содержании видеоряда».
![](https://habrastorage.org/r/w1560/webt/-j/zm/lw/-jzmlwrthf2ktlo5xxf6wd10_uk.png)
Леша Дружинин, Senior Software Engineer:
«Если бы мы не делали проект, а ставили пьесу, то у нас получилась бы очень хорошая пьеса! У нее постоянно меняются жанры, происходит кардинальная и частая смена действий, есть интрига. Сначала мы пытались решить задачу простым способом, без нейронных сетей, но ничего не получилось. Нам пришлось полностью разобраться с устройством большинства видов нейронных сетей и с нуля обучить их выполнять определенные задачи. Чтобы было понятно – существует множество архитектур нейронных сетей, но нас интересовали те из них, которые обрабатывают визуальную информацию.
Со временем мы заметили, что наш проект стал чемпионом в компании по использованию нейронных сетей: у нас их было более пяти видов. Сейчас мы остановились на двух. Они анализируют каждый кадр и каждый кусочек звука. Когда происходит кардинальная цветовая смена кадров либо тональности звука, сети на это реагируют, предсказывая конец рекламы и затем переход между рекламными блоками. Пока та сеть, которая определяет переход между роликами, точнее той, которая предсказывает конец ролика.
![](https://habrastorage.org/r/w1560/webt/lu/rb/o4/lurbo4rscpv4agtpxskjgclokzy.png)
Каждая из них получает свою копию нарезанных кадров и звуков, однако вместе они обеспечивают 90-процентную точность результата. Мы запустили это решение на реальных каналах, и оно работает. Нам удалось создать бота, который умеет смотреть телевизор. Образно говоря, если после этого проекта к нам придут клиенты с просьбой “А сделайте-ка нам улучшенный Smart TV”, то мы уже готовы к таким задачам. Наше решение — это и есть маленький Smart TV, который уже способен самостоятельно различать контент, только для определенной ниши».
Кстати, об опыте мировых IT-компаний. Во время работы над этим проектом команда EPAM пришла к тому, что уже давно практикуют мировые корпорации, – требования к открытому коду. Так как изменения на проекте возникали очень часто и постоянно подключались новые инженеры, код просто должен быть гибким. Поэтому проводились постоянные проверки его читаемости или, как говорят, meaty (мясистости).
Изначально задачей команды было «поразить, удивить и завоевать доверие заказчика». Однако в процессе работы над решением стартовая концепция улучшилась до такой степени, что получился универсальный продукт, который после определенной доработки можно предлагать многим компаниям, бизнес которых связан с видеоконтентом.
Над статьей работали: Дарья Прокопович, Ольга Нечаева
Все началось с того, что основным источником прибыли для американских стриминговых компаний и ТВ-каналов стала монетизация контента с помощью рекламы. Владельцы ТВ-каналов разрешали заменять провайдерам определенную часть рекламы и показывать там рекламу их клиентов. Однако, если рекламные блоки наслаивались друг на друга, то рекламодатели оставляли негативные отзывы. В итоге, реклама на канале отключалась, а доход терялся.
Для решения этой проблемы использовались разные подходы. Свой подход был и у одного из крупных поставщиков видеоконтента в США, который начал работать с EPAM. Однако его точность не превышала шестидесяти процентов. Это значит, что в сорока процентах случаев рекламные ролики перекрывали друг друга, что могло привести к полному отключению рекламы на этих ТВ-каналах.
![](https://habrastorage.org/webt/cz/ut/zp/czutzpsg4fr85h-sz9nueycpsmw.jpeg)
По словам менеджера проекта Влада Байовского, «как только проект стартовал, инженер Леша Дружинин столкнулся с этой проблемой, и у него возникла идея. Заключалась она в том, чтобы создать продукт, который будет определять начало и конец рекламных блоков. Скажу честно, сначала я был настроен скептически, так как решение было технически сложным, то есть предполагало использование нейронных сетей и машинного обучения. И на тот момент у нас не было соответствующей экспертизы в этих областях.
В целом, все ребята, которые успели принять участие в этом проекте, опробовали разные типы нейронных сетей и разные алгоритмы, связали и синхронизировали разные компоненты. Несмотря на то, что идея родилась в Калифорнии, нам удалось задействовать 70 инженеров из абсолютно разных локаций EPAМ.
В итоге у нас получился отличный продукт, который теперь не только определяет смену рекламы, но является универсальным решением для любых задач, связанных с определением смены видеоконтента, включая потенциальное решение для видео поиска. Иными словами, его область применения не ограничивается лишь рекламой — это могут быть, например, и ТВ-шоу, у которого меняются рубрики, и данные с видеокамер или оцифрованные старые фильмы, у которых нет метаданных о содержании видеоряда».
![](https://habrastorage.org/webt/-j/zm/lw/-jzmlwrthf2ktlo5xxf6wd10_uk.png)
Леша Дружинин, Senior Software Engineer:
«Если бы мы не делали проект, а ставили пьесу, то у нас получилась бы очень хорошая пьеса! У нее постоянно меняются жанры, происходит кардинальная и частая смена действий, есть интрига. Сначала мы пытались решить задачу простым способом, без нейронных сетей, но ничего не получилось. Нам пришлось полностью разобраться с устройством большинства видов нейронных сетей и с нуля обучить их выполнять определенные задачи. Чтобы было понятно – существует множество архитектур нейронных сетей, но нас интересовали те из них, которые обрабатывают визуальную информацию.
Со временем мы заметили, что наш проект стал чемпионом в компании по использованию нейронных сетей: у нас их было более пяти видов. Сейчас мы остановились на двух. Они анализируют каждый кадр и каждый кусочек звука. Когда происходит кардинальная цветовая смена кадров либо тональности звука, сети на это реагируют, предсказывая конец рекламы и затем переход между рекламными блоками. Пока та сеть, которая определяет переход между роликами, точнее той, которая предсказывает конец ролика.
![](https://habrastorage.org/webt/lu/rb/o4/lurbo4rscpv4agtpxskjgclokzy.png)
Каждая из них получает свою копию нарезанных кадров и звуков, однако вместе они обеспечивают 90-процентную точность результата. Мы запустили это решение на реальных каналах, и оно работает. Нам удалось создать бота, который умеет смотреть телевизор. Образно говоря, если после этого проекта к нам придут клиенты с просьбой “А сделайте-ка нам улучшенный Smart TV”, то мы уже готовы к таким задачам. Наше решение — это и есть маленький Smart TV, который уже способен самостоятельно различать контент, только для определенной ниши».
Кстати, об опыте мировых IT-компаний. Во время работы над этим проектом команда EPAM пришла к тому, что уже давно практикуют мировые корпорации, – требования к открытому коду. Так как изменения на проекте возникали очень часто и постоянно подключались новые инженеры, код просто должен быть гибким. Поэтому проводились постоянные проверки его читаемости или, как говорят, meaty (мясистости).
Изначально задачей команды было «поразить, удивить и завоевать доверие заказчика». Однако в процессе работы над решением стартовая концепция улучшилась до такой степени, что получился универсальный продукт, который после определенной доработки можно предлагать многим компаниям, бизнес которых связан с видеоконтентом.
Над статьей работали: Дарья Прокопович, Ольга Нечаева