El aprendizaje profundo está redefiniendo la industria de la radiodifusión

El aprendizaje profundo se ha convertido en una palabra de moda en muchos empeños, y las organizaciones de radiodifusión también están entre aquellas que tienen que empezar a explorar todo el potencial que tiene para ofrecer, desde la información hasta las películas y programas, tanto en los cines como en la televisión.

Como TechRadar informó, el número de oportunidades que el aprendizaje profundo presenta en el campo de la producción de video, edición y catalogación ya es bastante alto. Pero como se señala, esta tecnología no se limita solo a lo que se considera tareas repetitivas en la radiodifusión, ya que también puede “mejorar el proceso creativo, mejorar la entrega de video y ayudar a preservar los vastos archivos de video que muchos estudios mantienen.”

En cuanto a la generación y edición de video, se menciona que Warner Bros. recientemente tuvo que gastar $25M en reshoots para ‘Justice League’ y parte de ese dinero se destinó a eliminar digitalmente un bigote que el actor Henry Cavill había crecido y no podía afeitarse debido a un compromiso superpuesto. El uso del aprendizaje profundo en procesos tan laboriosos y costosos en la postproducción seguramente será muy útil.

Incluso soluciones ampliamente disponibles como Flo hacen posible utilizar el aprendizaje profundo para crear automáticamente un video solo describiendo su idea. El software luego busca posibles videos relevantes almacenados en una biblioteca determinada y los edita juntos de forma automática.

Flo también puede ordenar y clasificar videos, lo que facilita encontrar una parte determinada de la filmación. Tales tecnologías también permiten eliminar fácilmente footage no deseado o crear una lista de recomendaciones personalizadas basada en un video en el que alguien ha expresado interés.

Google (GOOGL ) ha desarrollado una red neuronal “que puede separar automáticamente el primer plano y el fondo de un video. Lo que antes requería un pantalla verde ahora se puede hacer sin equipo especial.”

El deep fake ya ha hecho un nombre por sí mismo, tanto bueno como malo, pero su posible uso en efectos especiales ya ha alcanzado un nivel bastante alto.

El área donde el aprendizaje profundo seguramente hará una diferencia es en la restauración de películas clásicas, ya que el Archivo de Cine y Televisión de la UCLA, casi la mitad de todas las películas producidas antes de 1950 han desaparecido y el 90% de las copias de películas clásicas están actualmente en muy malas condiciones.

Colorizar footage en blanco y negro sigue siendo un tema controvertido entre los cineastas, pero aquellos que deciden seguir ese camino ahora pueden utilizar herramientas de Nvidia (NVDA ), que acortarán significativamente este proceso tan largo, ya que ahora requiere que el artista coloree solo un cuadro de una escena y el aprendizaje profundo hará el resto desde allí. Por otro lado, Google ha desarrollado una tecnología que puede recrear parte de una escena grabada en video basada en los cuadros de inicio y fin.

El reconocimiento de caras/objetos ya se utiliza activamente, desde clasificar una colección o archivo de video, buscar clips con un actor o presentador determinado, o contar el tiempo exacto de un actor en un video o película. TechRadar menciona que Sky News recientemente utilizó el reconocimiento facial para identificar caras famosas en la boda real.

Esta tecnología ahora se está utilizando ampliamente en la radiodifusión deportiva para, por ejemplo, “seguir el movimiento de la pelota, o identificar otros elementos clave del juego, como el gol.” En el fútbol esta tecnología, con el nombre de VAR, de hecho se utiliza en muchos torneos y ligas nacionales oficiales como una herramienta del árbitro durante el juego.

La transmisión en vivo es otro aspecto de la radiodifusión que puede beneficiarse del aprendizaje profundo. Las redes neuronales pueden recrear cuadros de alta definición a partir de una entrada de baja definición, lo que permite al espectador beneficiarse de una mejor visualización, incluso si la señal de entrada original no está completamente estandarizada.