L’apprendimento profondo sta ridisegnando l’industria della radiodiffusione

L’apprendimento profondo è diventato un termine di moda in molti campi, e le organizzazioni di radiodiffusione sono tra quelle che devono iniziare a esplorare tutte le potenzialità che offre, dalla cronaca alla produzione di film e programmi, sia al cinema che in televisione.

Come TechRadar ha riportato, il numero di opportunità che l’apprendimento profondo presenta nel campo della produzione video, della modifica e della catalogazione è già abbastanza alto. Ma come si nota, questa tecnologia non è limitata solo alle attività ripetitive nella radiodiffusione, poiché può anche “migliorare il processo creativo, migliorare la consegna del video e aiutare a preservare i vasti archivi video che molti studi conservano”.

Per quanto riguarda la generazione e la modifica del video, si menziona che Warner Bros. ha recentemente speso 25 milioni di dollari per le riprese di “Justice League” e parte di quel denaro è stato utilizzato per rimuovere digitalmente i baffi che l’attore Henry Cavill aveva cresciuto e non poteva rasare a causa di un impegno sovrapposto. L’utilizzo dell’apprendimento profondo in processi così lunghi e costosi nella post-produzione sarà certamente utile.

Anche soluzioni facilmente disponibili come Flo rendono possibile utilizzare l’apprendimento profondo per creare automaticamente un video semplicemente descrivendo la propria idea. Il software cerca quindi video possibili e pertinenti archiviati in una certa libreria e li modifica insieme automaticamente.

Flo è anche in grado di ordinare e classificare i video, rendendo più facile trovare una parte specifica del girato. Tali tecnologie rendono anche possibile rimuovere facilmente scene indesiderate o creare un elenco di raccomandazioni personalizzate in base a un video in cui qualcuno ha espresso interesse.

Google (GOOGL ) ha creato una rete neurale “che può automaticamente separare il primo piano e lo sfondo di un video. Ciò che un tempo richiedeva un schermo verde può ora essere fatto senza attrezzature speciali”.

Il deep fake ha già fatto il suo nome, sia nel bene che nel male, ma il suo utilizzo potenziale negli effetti speciali ha già raggiunto un livello abbastanza alto.

L’area in cui l’apprendimento profondo farà certamente la differenza è nella restaurazione dei film classici, poiché l’UCLA Film & Television Archive, quasi la metà di tutti i film prodotti prima del 1950 sono scomparsi e il 90% delle stampe di film classici sono attualmente in condizioni molto povere.

La colorizzazione di footage in bianco e nero è ancora un argomento controverso tra i filmmaker, ma coloro che decidono di procedere possono ora utilizzare gli strumenti Nvidia (NVDA ), che ridurranno notevolmente un processo così lungo, poiché richiede che l’artista colori solo un frame di una scena e l’apprendimento profondo farà il resto da lì. D’altra parte, Google ha creato una tecnologia in grado di ricreare parte di una scena registrata in video in base ai frame iniziale e finale.

Il riconoscimento di volto/oggetto è già attivamente utilizzato, dalla classificazione di una collezione o archivio video, alla ricerca di clip con un attore o una persona famosa, o al conteggio del tempo esatto di un attore in un video o film. TechRadar menziona che Sky News ha recentemente utilizzato il riconoscimento facciale per identificare volti famosi al matrimonio reale.

Questa tecnologia sta diventando ampiamente utilizzata nella radiodiffusione sportiva per, ad esempio, “tenere traccia dei movimenti della palla, o identificare altri elementi chiave del gioco, come il goal.” Nel calcio questa tecnologia, chiamata VAR, è effettivamente utilizzata in molti tornei ufficiali e leghe nazionali come strumento dell’arbitro durante la partita.

La trasmissione in streaming è un altro aspetto della radiodiffusione che può trarre vantaggio dall’apprendimento profondo. Le reti neurali possono ricreare frame ad alta definizione da input a bassa definizione, rendendo possibile per l’utente beneficiare di una visione migliore, anche se il segnale di input originale non è completamente conforme allo standard.