圖片來源: 

MIT

麻省理工學院電腦科學和人工智慧實驗室(CSAIL)近日開發了AI系統Pensieve,可依照用戶網路頻寬的情況,挑選處理影片的演算法,讓YouTube或是Netflix的用戶觀看影片時,可以不受影片緩衝停頓干擾,同時又可以確保影片保有高畫質。

研發團隊表示,用戶看影片時,若是在低頻寬的條件下,常常遇到兩個問題,不是影片變得模糊,就是影片因為緩衝而停止播放,這兩個問題都是因為用了特定的演算法,將影片細分為多個小區塊,讓影片可以在播放的同時,一邊下載,若是用戶的網路速度緩慢,YouTube就可能會降低下個幾秒影片的解析度,確保用戶可以持續觀看影片,若是用戶跳過尚未下載的影片,影片就會中斷來緩衝未下載的部分。

YouTube採用自適性串流(Adaptive Bitrate,ABR)技術,試圖給予用戶較流暢的觀看體驗,自適性串流技術就是在低頻寬的情況下,在影片的品質和緩衝次數之間取捨,但是有些用戶會因為影片畫質太低而不繼續觀看影片,有些則是因為影片中斷而不繼續觀看,隨著用戶量持續攀升,YouTube無法精準地預測用戶的偏好,且該演算法需要專家用人工的方式調整演算法,來符合不同的網路狀況。

若是為了保持影片不中斷而降低畫質,麻省理工學院電腦科學和人工智慧實驗室(CSAIL)的教授Mohammad Alizadeh指出,研究結果顯示用戶會因為畫質太低而停止觀看影片,這樣的原因會導致影片創造者的廣告收入,受到很大的影響。

Mohammad Alizadeh表示,ABR演算法有兩種,一種是根據測量的網路速度決定要降低畫質繼續播放影片,還是要中斷影片緩衝下載,另一種方法則是會確保接下來有一定固定的秒數,是已緩衝後的影片,不過,這兩種方式都因為要從影片品質和緩衝之間擇一而受到限制,因此,這些演算法通常會做出不夠好的決策,且為了符合不同的網路狀況,需要專家人工調整演算法中的參數。

因此,Mohammad Alizadeh和他的團隊開發的AI系統Pensieve,利用機器學習技術,根據用戶網路的條件,來挑選適合的演算法,不但可以減少影片停頓的次數,還能同時保有較高的影片品質。

在實驗中,結果顯示,相比其他方法,採用Pensieve的方法可以讓影片減少10%~30%的停頓機率,影片的品質經過用戶評價,提升了10%~25%。

卡內基美隆大學的研究人員過去也有用模型預測控制(Model Predictive Control)的方法,嘗試將兩項方法結合,藉由預測網路狀況的變化,來優化影片處理的結果,Mohammad Alizadeh表示,即使這是一項相當大的突破,但仍然有許多問題,像是由於網路的速度是動態的,因此很難建立預測模型。

Pensieve則不需要預測的網路的模型,或是對網路速度既有的假設,Pensieve透過類神經網路演算法執行ABR技術,在需要緩衝影片的網路狀態下,重複訓練及測試演算法。

Pensieve藉由獎懲制度來訓練演算法,舉例來說,若是系統解決一個緩衝停頓的狀況,並提供高畫質的觀看影片,就可以得到一個獎勵,但是影片若是停頓則會得到懲罰。

研發團隊將會在下週於洛杉磯舉行的SIGCOMM會議上發表此項研究,之後也會將Pensieve的程式碼開源釋出。

熱門新聞

Advertisement