فناوری رایانش ابری در آرشیو والت دیزنی و شبکه ABC نقش بسزایی را ایفا می‌کند.
به طوری‌که تمام محتوای صد ساله‌ی والت دیزنی بر روی ابر آمازون وب سرویس سوار است.
منظور از محتوا صرفا آرشیوی از فیلم‌ها، سریال‌ها و انیمیشن‌های تولید شده در این کمپانی نیست.
بلکه در این کتابخانه مجازی، تمام عناصر از جمله موسیقی، احساسات و لحن داستان‌ها برچسب‌گذاری‌های خاص خودشان را دارند.
والت دیزنی این اطلاعات را به صورت جزئی‌تر، برای تمام داستان‌ها، صحنه‌ها و شخصیت‌های موجود در آثارش دسته‌بندی می‌کند.
فراداده یا ابرداده، ترجمه فارسی اصطلاح Metadata می‌باشد. در واقع هر کدام از این برچسب‌ها، نشان از یک ابرداده اختصاصی است.
به عنوان مثال، بامبی دارای تگ‌های ابرداده‌ای است که شخصیت‌هایی مانند خرگوش تامپر یا فالین را نیز شناسایی می‌کند.
برای این شخصیت به‌خصوص، ابرداده‌ها شامل نوع حیوان، روابط بین حیوانات و کهن‌الگوهای شخصیتی هر حیوان نیز می‌باشد.
همچنین در توصیف سایر جزئیات این انیمیشن، ابرداده‌هایی درمورد طبیعت از قبیل انواع خاص گل‌های به تصویر کشیده شده، موجود است.
آرشیو والت دیزنی
در یک قسمت از سریال تلویزیونی دیزنی‌لند در سال 1957، والت دیزنی بینندگان را به اعماق استودیوی انیمیشن‌سازی Burbank خود هدایت می‌کند و می‌گوید:
«در سردخانه زیرزمین ما، این قفسه‌ها، میزها و کمدها، تمام تاریخ ما را به‌عنوان یک استودیوی عکس متحرک نگه می‌دارند.»
این نشان می‌دهد که والت دیزنی از همان ابتدا و پیش از سایر استودیوهای انیمیشن‌سازی، به آرشیو تولیدات خود علاقه‌مند بوده است.
زیرا دیزنی اصرار داشت تا آرشیو خود را برای نویسندگان و تصویرگرانی که ممکن است به‌عنوان مرجع یا منبع الهام به آن نیاز داشته باشند، در دسترس قرار دهد.
از آن زمان نقاشی‌ها و آثار هنری و مفهومی متنوعی از کارتون‌های محبوبی همچون دامبو و پیترپن در آرشیو است و دیزنی همچنان به حفظ آنها متعهد مانده است.
امروزه دیزنی با نزدیک به یک قرن تولید محتوا و درصد رو به رشدی از محتواهای دیجیتالی، باید کتابخانه خود را با دقت بیشتری از همیشه سازماندهی کند.
اما برچسب‌گذاری این حجم از محتوا با ابرداده‌های مناسب، با توجه به سرعت رشد بالای والت دیزنی، امری چالش برانگیز است. Miquel Farré، سرپرست فنی تیم می‌گوید:
ما شخصیت‌های جدیدی در برنامه‌های تلویزیونی، بازیکنان فوتبال در حال تغییر تیم‌ها، سلاح‌های جدید برای ابرقهرمانان، برنامه‌های جدید داریم، و همه این‌ها به انبوهی از ابرداده‌های تازه نیاز دارند.
همان‌گونه که قبلا اشاره شد، این چالش مهم با استفاده از رایانش ابری در آرشیو والت دیزنی برطرف شده است.
تیم Miquel Farré با استفاده از خدمات ابری شرکت آمازون وب سرویس (AWS)، در حال ساخت ابزارهای یادگیری ماشینی و یادگیری عمیق هستند.
اینگونه هر محتوا به طور خودکار با ابرداده‌های توصیفی برچسب گذاری می‌شود و فرآیند بایگانی سریع‌‌تر و کارآمدتر می‌گردد.
در نتیجه، نویسندگان و انیماتورها می‌توانند به سرعت هر محتوایی، از میکی ماوس گرفته تا فیل دانفی از خانواده مدرن را جستجو کرده و با آنها آشنا شوند.
تیم DTCI والت دیزنی
در واقع Miquel Farré سرپرست فنی تیم (DTCI) می‌باشد و وظیفه حفظ نظم و نظافت کتابخانه مجازی والت دیزنی بر عهده آنان است.
این تیم کوچک در سال 2018 از مهندسان تحقیق و توسعه و دانشمندان فناوری اطلاعات از سراسر شرکت والت دیزنی تشکیل شد.
هدف از تشکیل (DTCI)، همسو کردن فناوری برای پشتیبانی از مجموعه عظیمی از محتوا و نیازهای تجاری منحصر به فرد در دیزنی بود.
(DTCI) شکل مخفف عبارت Direct-to-Consumer & International می‌باشد. اساس سیستم سازمانی آنها، ابرداده است.
هسته مرکزی این تیم در سال 2012 به عنوان بخشی از گروه تلویزیونی دیزنی و ABC شکل گرفت و با گذشت سال‌ها رشد نمود.
تلاش‌های این تیم منجر به ایجاد شاخص و پایگاه دانش سبک‌ها و قراردادهای دنیای دیزنی شد. (مثلاً در بامبی حیوانات صحبت می‌کنند – در سفید برفی، صحبت نمی‌کنند).
مزایای ابرداده یا Metadata
اعضای تیم (DTCI) برای تولید ابرداده‌ها از همکاری با نویسندگان و انیماتورها سود می‌برند.
این همکاری منجر به تغذیه یادگیری ماشین، با توضیح دقیق ویژگی‌های سبکی هر محتوا می‌گردد.
پس از برچسب‌گذاری دقیق هر محتوا، هر فرد قادر خواهد بود به سرعت آنچه را که نیاز دارد از طریق یک رابط جستجو پیدا کند.
به عنوان مثال، یک نویسنده از سریال پزشکی Grey’s Anatomy را تصور کنید که قصد دارد برای جلوگیری از حشو، سایر قسمت‌ها را بررسی نماید.
مثلا می‌خواهد بداند که چند بار در طول چند قسمت، جراحی ویپل در این سریال نمایش داده شده است تا از تکرار زیاد بپرهیزد.
همچنین می‌توان هنرمندی را تصور کرد که قصد دارد زندگی زیر آب را برای کارتون جدیدی که در زیر دریا اتفاق می‌افتد ترسیم کند.
وی ممکن است به منظور الهام گرفتن، از یک ژست شخصیت یا یک موقعیت خاص در کارتون‌های در جستجوی نمو و یا پری دریایی کوچک استفاده نماید.
نحوه ایجاد ابرداده یا Metadata
برچسب‌گذاری همه چیز با ابرداده مناسب کار آسانی نیست. مخصوصا زمانی که تمام فرآیند آن به صورت دستی انجام می‌گرفت.
اگرچه برچسب‌گذاری دستی بخش مهمی از فرآیند بود، اما تیم فناوری DTCI زمان کافی برای دسته‌بندی دستی هر فریم نداشت.
به همین دلیل تیم Farré ابتدا یادگیری ماشینی و اخیرا یادگیری عمیق را به وظیفه تولید ابرداده درآورده است.
هدف نهایی آنها ساخت الگوریتم‌های یادگیری عمیق است که بتوانند به‌طور خودکار به انجام وظیفه بپردازد.
فناوری یادگیری عمیق موردنظر باید قادر به شناسایی اجزای یک صحنه و برچسب‌گذاری آنها به‌صورت سازگار با بقیه پایگاه دانش دیزنی باشد.
یادگیری عمیق به انیمیشن هویت می‌بخشد
یکی از مزایای یادگیری عمیق و فراداده، حل مشکلات موجود در روند تشخیص انیمیشن توسط یادگیری ماشین بود.
در یک فیلم لایو اکشن یا برنامه تلویزیونی، برای یک ماشین، جدا کردن یک شخصیت از محیط اطرافش آسان است.
اما دنیای انیمیشن همه چیز را پیچیده‌تر می‌کند. فرآیند تشخیص خودکار انیمیشن برای یادگیری ماشین دشوار بود.
به عنوان مثال، یک انیمیشن متحرک را در نظر بگیرید که در آن یک شخصیت هم در بدن و هم در پوستر ظاهر می‌شود.
منظور از این مثال می‌تواند یک شخصیت جنایتکار باشد که تصاویر تحت تعقیب بودن وی در سراسر شهر نصب شده است.
Farré توضیح می‌دهد که برای یک الگوریتم یادگیری ماشین، تشخیص و تمایز این نما بسیار پیچیده است.
اما این روش یادگیری عمیق جدید می‌تواند شخصیت‌های متحرک را از بازنمایی‌های ایستا آنها تشخیص دهد.
همچنین قادر است آنها را در میان انبوهی از همزادها شناسایی کند مانند انیمیشن DuckTales (ماجراهای داک)، که در آن بسیاری از شخصیت‌ها تقریباً یکسان هستند.
از دیگر ویژگی‌های این یادگیری عمیق، تشخیص شخصیت‌ها را در صحنه هایی با نورپردازی عجیب و غریب است.
مانند آلیس در سرزمین عجایب، زمانی که برای اولین بار با گربه چشایر ملاقات می‌کند و تنها پوزخند چشایر قابل تشخیص است.
الگوریتم یادگیری عمیق پس از تصمیم گیری در مورد اینکه یک عنصر برای چیست، می‌تواند صحنه‌ها را با ابرداده مناسب برچسب گذاری کند.
دلیل مهاجرت به فضای ابری
پیش از این تیم DTCI با الگوریتم‌های سنتی‌تر یادگیری ماشین کار می‌کرد که به داده‌های کمتری نسبت به رویکرد یادگیری عمیق نیاز داشت.
در نتیجه با نتایج محدودتر و انعطاف‌پذیری کمتری همراه بود. اما این روند مناسب داده‌های دیزنی که به صورت تصاعدی رشد می‌کند نبود.
بنابراین یادگیری عمیق تفاوت بزرگی ایجاد می‌کرد. دیزنی به همین منظور به ابر آمازون وب سرویس روی آورد.
ابتدا DTCI یک شبکه عصبی را با هزاران تصویر تنظیم نمود تا مطمئن شود که مفهوم «شخصیت متحرک» را درک می‌کند.
سپس، برای هر نمایش خاص، یک شبکه عصبی با استفاده از چند صد تصویر از چندین اپیزود دوباره تنظیم می‌شود.
اینگونه هوش مصنوعی یاد می‌گیرد که چگونه «شخصیت‌های متحرک» را باید در هر نمایش خاص شناسایی و تفسیر کند.
سرویس های ابری ابر فردوسی
شرکت ابر فردوسی ارائه دهنده سرویس‌های ابری متنوع با بهترین قیمت و کیفیت است. از جمله این سرویس‌ها می‌توان به:
- سرور ابری
- سرور محاسبات سنگین
- سرور گرافیکی
- سرور ژوپیتر لب
- سرور اختصاصی و…
اشاره کرد. به عنوان مثال می‌توانید از سرویس ژوپیتر نوت بوک این شرکت، برای کاربردهای مشابه در این مقاله بهره برد. جهت آشنایی و یا استفاده کلیک نمایید:
