91Ô­´´

In Teil 1 dieser zweiteiligen Serie haben wir uns mit den wichtigsten Erfolgsfaktoren f¨¹r ein modernes Medienunternehmen (oder einen Dienstleister) befasst, darunter die Nutzung der neuesten Beobachtungsm?glichkeiten und KI/ML-Funktionen sowie eine Linksverschiebung durch Design. Eine ideale, futuristische Medienoperations-Pipeline sollte daher die folgenden Designgrunds?tze ber¨¹cksichtigen:

• Nicht nur Daten, sondern auch kontextbezogene Erkenntnisse - Filtern Sie das Rauschen heraus und analysieren Sie die Daten kontextbezogen, um Zusammenh?nge zu verstehen und bessere Erkenntnisse zu gewinnen,
• Integriert mit KI - Vorhersage, Pr?vention und Unterst¨¹tzung durch eine einzigartige Kombination und Zusammenarbeit von KI-Tools und -Modellen,
• Automatisierung - Automatisieren Sie die Erkennung von Daten, APIs, Workflows und wichtigen Gesch?ftsprozessen auf intelligente Weise,
• Kollaborative Pipeline - Aufbrechen von Silos zwischen Daten, Tools und Teams mit einer gemeinsamen Datenquelle und intelligenten Erkenntnissen,
• Sicherheit - Die Kritikalit?t der Daten erfordert ein H?chstma? an Sicherheit, wobei solche kritischen Daten und KI-Modelle aufgrund rechtlicher und beh?rdlicher Beschr?nkungen f¨¹r die Ausf¨¹hrung vor Ort empfohlen werden
• Skalierbarkeit - Modulare Komponenten, die sich leicht integrieren und individuell skalieren lassen.

Versuchen wir, uns dies anhand eines detaillierten Anwendungsfalls vorzustellen und zu sehen, wie ein erweitertes Framework f¨¹r den Medienbetrieb, das KI mit Observability nutzt, in einem solchen Szenario funktioniert:

Hintergrund:

Eine neue Webserie wurde auf einer abonnementbasierten OTT-Plattform gestartet. Nach dem Start werden auf den SRO-Dashboards f¨¹r den Medienbetrieb sofort vermehrt Fehlermeldungen zur Videowiedergabe angezeigt. Die SRO- und Support-Teams werden mit Warnmeldungen aus verschiedenen Tests ¨¹berh?uft und sind nicht in der Lage, schnell eine Entscheidung zu treffen, was das ohnehin schon schlechte Kundenerlebnis noch weiter verschlechtert und die Marke des OTT-Dienstes beeintr?chtigt.

Wie ein KI-gest¨¹tztes Media Operations Monitoring Setup hilft:

Das System wird durch Beobachtungsdaten gesteuert, die in mehrere KI-Agenten integriert sind, die zusammenarbeiten, um zu erkennen, was schief l?uft, und Erkenntnisse dar¨¹ber liefern, wie man es beheben kann. Au?erdem verf¨¹gt es ¨¹ber ein Dashboard in der Kommandozentrale, auf dem die SRE/SROs Untersuchungen und Erkenntnisse aus dem System einsehen k?nnen.

In Aktion: Command Center Agents A, B und C

Command Center Agent - Dies umfasst einen KI-Agenten, der kritische Gesch?ftsabl?ufe/szenariobezogene Ereignisse ¨¹berwacht und Untersuchungen durch eine Gruppe individueller KI-Agenten initiiert. Wenn dieser Agent das im oben genannten Kontext erw?hnte Muster identifiziert, leitet er die Untersuchung durch Agent A ein.

Agent A- App/Device Observability Erkenntnisse mit KI-Analyse und n?chster Aktion:

Die App/Device Observability Platform liefert Erkenntnisse ¨¹ber Muster/Demografien der Anomalien in den Trends der Fehleranalyse. Ein benutzerdefinierter LLM-Agent pr¨¹ft alle Analysedaten und Erkenntnisse, die von einem oder mehreren App/Ger?te-Beobachtungstools/Plattformen bereitgestellt werden, und bestimmt die Korrelation und die wahrscheinlichen n?chsten Schritte.

Agenten-Analyse: Es werden mehr Ausf?lle gemeldet, wenn

• Der Benutzer greift auf die Wiedergabe eines bestimmten Inhalts/Titels zu,
• Der Nutzer schaut sich den Inhalt l?nger als XX Stunden an, bevor der Fehler auftritt,
• Der Benutzer versucht hat, das Paket zu abonnieren, bevor er den fehlerhaften Inhalt ansieht, oder
• Der Nutzer aus einer bestimmten Region und mit einem bestimmten Ger?tetyp eine h?here Fehlerquote aufweist.

N?chster Schritt: Agent A teilt die Daten mit dem Command Centre Agent, Agent B und C, um die Untersuchung von Fehlern bei der Integration von Benutzer/Abonnement/CDN und Zahlungsgateway einzuleiten.

Agent B - Alert Monitoring Tool-Daten mit KI-Analyse und n?chster Aktion:

In einer typischen Medienbetriebspipeline wird ein Alarm¨¹berwachungs-Toolset verwendet, das Alarme von verschiedenen Sonden erh?lt, die die gesamte Hardware-Infrastruktur und das Software-?kosystem ¨¹berwachen. Ein benutzerdefinierter LLM-Agent ¨¹berpr¨¹ft alle Alarmdaten und Erkenntnisse, die vom Alarm¨¹berwachungs-Tool/der Plattform bereitgestellt werden, und bestimmt die Korrelation und die wahrscheinlichen n?chsten Schritte.

Agenten-Analyse: Auf der Grundlage der von Agent A ¨¹bermittelten Erkenntnisse (d. h. demografische Daten, Zeitleiste und Daten) analysiert Agent B die Warnmeldungen und ihre Daten, um wahrscheinliche Beziehungen und Muster zu ermitteln und weitere Erkenntnisse zu gewinnen. Dazu geh?ren:

• Warnmeldungen, die w?hrend des Zeitraums von Benutzerberechtigungen und Abonnementkomponenten aus derselben Region eingegangen sind,
• Warnungen von Videokodierungs-/Transkodierungs- und CDN-Bereitstellungskomponenten in diesem Zeitraum und
• Zahlungsausfallwarnungen, die f¨¹r die Benutzer und die Region in diesem Zeitraum beobachtet wurden.

N?chster Schritt: Die Wiedergabe bestimmter Inhalte scheint bei Nutzern, die versuchen, ein Abonnement f¨¹r den Videozugang zu erwerben, zu scheitern. Agent B teilt Daten und Erkenntnisse mit dem Command Center Agent und Agent C.

Agent C - Abonnementkomponente und Zahlungsgateway-Daten mit KI-Analyse und n?chster Aktion:

Ein benutzerdefinierter LLM-Agent pr¨¹ft alle Protokolle und Verfolgungsdaten der Abonnement-, Berechtigungs- und Zahlungsintegrationsdaten und bestimmt die Korrelation und die wahrscheinlichen n?chsten Schritte.

Agenten-Analyse: Auf der Grundlage der von Agent B ¨¹bermittelten Erkenntnisse analysiert Agent C die Protokolle und Ablaufverfolgungen, um Fehler oder Ausnahmen im Ablauf zu finden und wahrscheinliche Zusammenh?nge, Grundursachen und Muster zu ermitteln, um weitere Erkenntnisse zu gewinnen Er stellt Folgendes fest:.

• Das Gateway des Zahlungspartners meldete einen Fehler f¨¹r einige wenige Benutzer, die versuchten, eine bestimmte Zahlungsmethode f¨¹r den Kauf eines Abonnements zu verwenden, und dass
• In den Berechtigungsprotokollen f¨¹r die neu eingef¨¹hrten Inhalte wurden Fehler festgestellt, weil auf der TV-Plattform eine falsche content_Id verwendet wurde.

N?chster Schritt: Die Wiedergabefehler scheinen auf zuf?llige Zahlungsfehler und Berechtigungsprobleme f¨¹r die neuen Inhalte f¨¹r die TV-Plattform zur¨¹ckzuf¨¹hren zu sein. Agent C teilt Daten und Erkenntnisse mit dem Command Center Agent.

Der Agent in der Kommandozentrale liefert der SRO und anderen Teams Erkenntnisse und Anleitungen f¨¹r weitere Ma?nahmen zur Behebung des Problems und zur Minimierung der Auswirkungen auf die Kundenerfahrung.

Ein Blick in die Zukunft:

KI-Agenten und fortschrittliche Beobachtungsplattformen ver?ndern das Spielfeld in allen Branchen, indem sie die Effizienz steigern, Arbeitsabl?ufe optimieren und f¨¹r bessere Kundenerlebnisse sorgen. Indem wir sie f¨¹r Anwendungsf?lle im Medienbereich nutzen, k?nnen wir nicht nur die Effizienz steigern, sondern auch neue Wachstumschancen erschlie?en, wie der Anwendungsfall hier zeigt.

Interessiert - lassen Sie uns ein Gespr?ch beginnen.