Maschinelles Lernen funktioniert über Algorithmen, die aus Erfahrung und Beobachtung induktive Schlüsse auf allgemeine Gesetz- und Regelmäßigkeiten ziehen. Das System kann somit auch unbekannte Daten in einen größeren Kontext einordnen, was den Vorteil hat, dass dieser Lernprozess nicht immer von Neuem programmiert werden muss. Das Verfahren des Maschine Learning ist demnach selbstlernend.

In der Praxis zeigt sich dies wie folgt: Deep-Video-Analysen erkennen Verhaltensweisen im Videokonsum der Nutzer, z. B. welche Geräte häufig verwendet, in welcher Umgebung bestimmte Videos vorwiegend konsumiert werden, oder wie sich die Komplexität eines bevorzugten Videoinhalts zusammensetzt. „So entsteht ein benutzerdefiniertes Codierungsprofil, auf dessen Grundlage Videos und Streams angepasst werden können. Mit Hilfe dieser erworbenen Erkenntnisse können Videos schließlich so angepasst werden, dass das Video qualitativ höherwertig gestaltet wird, schneller startet und weniger zwischenspeichert. Die Daten, welche durch die Nutzung der Konsumenten entstehen, werden folglich zur Optimierung des Videoerlebnisses eingesetzt“, berichtet Mark Blair, Vice President EMEA von der Videoplattform Brightcove.

Ein weiterer Vorteil vom Einsatz maschinellen Lernens richtet sich vor allem an die Broadcaster: Deren Herausforderung ist es, hunderte Videos und Millionen von Streams zu verwalten. Dabei ist die Kosteneinsparung im Bereich Speicher und Bandbreite ein wichtiger Faktor. „Durch Machine Learning kann jedes Video einzeln analysiert und auf das jeweilige Zielgerät sowie die Bandbreitenprofile angepasst werden“, sagt Blair. Anschließend optimiert die Technologie Videoparameter, wie Auflösung und Bildrate, Codec-Parameter wie Bitrate, Codec-Profil und -Level, und erstellt daraufhin die durchschnittliche Bitraten (ABR)-Abstufung. Inhaltsbasierte Konzepte hingegen vollziehen Analysen, um eine optimale Bitrate von einer bereits bestehenden ABR-Abstufung zu wählen.

„Aufgrund dieser automatischen Anpassung und Reduzierung von Bitrate und Wiedergaben, können Schätzungen zufolge Kosteneinsparungen um 50 Prozent bei der Speicherung und um 40 Prozent bei der Bandbreite erreicht werden“, resümiert Blair.

Nicht grundlos ist Maschine Learning eine Technologie, in die viel investiert wird. Der selbstlernende Algorithmus kann sowohl quantitative also auch qualitative Eigenschaften erfassen, auswerten und anpassen. Videostreaming ist deshalb ein attraktives Anwendungsgebiet, da auf der Nutzerseite ständiger Optimierungsbedarf des Videoerlebnisses herrscht und zudem Broadcaster mit den steigenden Kapazitäten haushalten müssen.