AI怎么牛，到底是怎么用在视频中的？

AI、ML和DL的区别

最近几年人工智能这个词很火，在百度的搜索词条上居高不下，电影中的那些硬核高科技也逐渐出现在我们身边。但是什么是人工智能呢？

要搞清楚这个问题，就得先理解人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）这三个词。

人工智能

人工智能这个词早在1956就被人提出，旨在用当时的计算机来构建复杂的，并且拥有人类智慧特征的机器。之后的几十年，对待人工智能分为两种态度，一是认为这是人类文明发展的未来，另一派认为这是技术疯子的狂想。

直到2012年，随着数据量的剧增，机器学习和深度学习的出现，人工智能出现了前所未有的发展，研究的领域也不断的扩大，包括但不限于：机器学习、推荐系统、模糊逻辑、进化计算等。

人工智能按照能力可以分为弱人工智能和强人工智能，弱人工智能是让机器具备观察和感知能力，可以做到一定程度的理解和推理，例如人脸识别、车辆识别；强人工智能是让机器能够获取自适应能力，能自动处理一起没偶遇遇到过的问题，就像电影中描绘的人工智能。

要在人工智能方向有突破，就得依赖机器学习。

机器学习

机器学习是人工智能的一个分支，它的主要目的是“训练机器”，按照指定的步骤向系统输入大量数据信息，这些能够被系统算法不断学习，并不断积累经验实有效的决策和预测。

下图便是决策树算法的一个简单示例，判断一个瓜的好与坏，决定在该父节点中要以哪个维度向下生成子树。

决策树

在我们生活周边游很多机器学习算法的应用，除了上面提及的人脸识别，还有指纹识别，监控物体检测等，这些应用都非常成熟，但是要有更深的应用，就得用到深度学习。

深度学习

机器学习在于解决实际的问题，而不会有进一步的想法。深度学习旨在模仿人类决策的神经网络，用来解决需要思考的问题。

也正是因为这些研究，诞生了深度神经网络，并在语音识别和图像处理领域有重大的突破。与神经网络不同的是，可以将原始信号直接输入深度神经网络，而不需要创建任何域特定的输入功能。通过多层神经元，深度神经网络可以“自动”通过每一层产生适当的特征，最后提供一个非常好的预测。

机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术，可以用一张图来展示他们的关系

三者之间的关系

AI在视频中的应用

视频指纹

视频指纹的特征跟人的DNA特征很像，通过AI处理对视频中的每一帧做视觉特征提取、编码、压缩，是根据视频内容生成一串可唯一标识当前视频的指纹字符，可用于视频相似查重、视频版权、广告识别等多种场景。

视频指纹处理流程

自编码器

通过自编码器来压缩和降噪，来提取图片的稳定特征。

自编码器

图片的表征向量计算

计算的流程如下：

（1）训练自编码器后，舍弃解码器；

（2）用编码器对原始图和失真图进行计算，生成新的自编码器的输入和输出；

（3）反复（1）和（2）操作后，将编码器叠加在一起作为图片的特征提取。

图片表征向量计算

关联各帧的表征向量

视频推荐

前一阵子，抖音的日活用户已经突破6亿，数据非常可观，这在个优秀的数据之后，视频推出了很大的力。抖音需要根据不同的用户兴趣推荐不同的短视频，才能吸引大家不断的观看，倘若给一个喜欢美女的用户不断推荐糙汉子，那这个用户很快就失去兴趣。

在推荐系统中，还是拿抖音来举例，其面对海量视频和用户，数据量非常大，一方面，视频和用户更新的速度也非常快，每时每刻都会有新的视频产生，不仅有热点问题，还得平衡新视频和库存视频的观看量；另一方面，用户的喜好也可能会转变，今天喜欢做饭，名他可能喜欢摄影，需要实时追踪用户的兴趣。

Youtube推荐模型

拿Youtube的推荐模型来做个简单分析，它可以分成两部分：

（1）生成候选项模型，从百万数量级的视频中进行初筛，选出用户可能感兴趣的百数量级的视频。

（2）精排操作，从百数量级的视频中选出用户最可能观看的几十数量级的视频，并且进行排序。

生成候选项模型

精排模型

总结

本文主要简单介绍人工智能的基础知识和视频网站的视频推荐系统，这点篇幅是没法讲清人工智能，真正要深入研究这块，还得需要积累大量的数学和算法知识

参考资料：

《Deep Neural Networks for YouTubeRecommendations》