Machiina Interación Digital

¿Quieres venir a Villainnova?

Tu mensaje se ha enviado correctamente

Nos pondremos en contacto contigo a la mayor brevedad

#7 Jump DDV- Big Data e IA para la industria del vídeo streaming

imagen de John Pater, CTO de Jump DDV

30 abril, 2019

John Pater

CTO

Logotipo de la empresa Jump DDV

Subscríbete en nuestros canales

Apple Podcast Ivoox Google Podcast Youtube Spotify Podcast

Índice del episodio

49 min
  • 00:00

    Presentación de John Pater

  • 02:30

    El bar de Jon

  • 04:30

    Qué es Jump y qué valor ofrece a sus clientes

  • 11:43

    La evolución y el estado actual del sector del video online

  • 16:08

    ¿Varían las necesidades entre empresas tradicionales de contenido y las nativas digitales?

  • 20:50

    Previsiones sobre el futuro del sector

  • 24:42

    Cómo se aplica el Big Data hoy. ¿Mejorar la experiencia o el negocio?

  • 29:10

    El equipo de Jump y algunas de sus características

  • 33:49

    La experiencia de emprender nada más salir de la universidad

  • 47:10

    Despedida y fin del episodio

Bio de John Pater

Ingeniero de Software especializado en computación distribuida e inteligencia artificial. Cursó el primer ciclo de carrera en la Universidad Complutense de Madrid y completó la ingeniería superior en la universidad Carlos III de Madrid donde además se especializó en computación distribuida, a la vez que trabajaba como becario en un departamento de informática en una empresa de Madrid (Anatronic S.A.).
Anatronic distribuye componentes electrónicos y cuando John terminaba su carrera, la empresa quería ampliar su portforlio y ofrecer soluciones software. Surgió la oportunidad de emprender y no la dejó escapar.
Al terminar sus estudios montó la empresa Bitbotic, donde hacían software a medida. Era el boom de las apps y la movilidad y tuvieron mucho éxito en ese área, y en particular desarrollando aplicaciones para empresas del mundo OTT (video streaming por internet).

Tras varios años dedicándose a servicios profesionales, John y sus dos socios vieron una oportunidad clara en el mundo OTT y se lanzaron a por ella, y así surgió Jump Data Driven Video.

Según nos cuenta John: “la empresa va como un tiro (toco madera) y la proyección es muy internacional, así que, de momento, todo va viento en popa!!”

Sobre Jump DDV

logo Jump DDV en pequeño

Jump DDV desarrolla productos para la industria del video streaming, también llamada OTT (Over The Top) que ayudan a los servicios de video a ofrecer la experiencia más adecuada a los usuarios finales. Sus productos ayudan a los business owners a tomar decisiones basadas en datos e inteligencia artificial y también permiten crear experiencias inmersivas y ultra-personalizadas para los usuarios finales.

Sus productos han sido galardonados internacionalmente en múltiples ocasiones y han demostrado tener una tracción Global trabajando con clientes como la cadena FOX o el proveedor líder en telecomunicaciones en America Latina Claro.

 

 

 

 

 

Contexto sobre Big Data, Inteligencia Artificial y Machine Learning en la industria del vídeo OTT

Jump DDV: Big Data e IA para la industria del vídeo streaming

Jump Data Driven Video es una startup española que desarrolla productos para la industria del video streaming o video OTT(Over The Top). Ayudan a los proveedores de servicios de video a ofrecer la mejor experiencia adecuada a sus usuarios finales. Sus productos han sido galardonados internacionalmente en múltiples ocasiones y han demostrado tener una tracción global trabajando con clientes como la cadena FOX o el proveedor líder en telecomunicaciones en América Latina, América Móvil para su servicio de vídeo OTT, Clarovideo.

Los productos de Jump DDV se basan en la combinación de Big Data, Inteligencia Artificial y Machine Learning y les permiten tomar decisiones basadas en datos, al mismo tiempo que proporcionar de forma automatizada una experiencia ultrapersonalizada a cada cliente.

¿Cómo funcionan los productos de Jump DDV?

Sus soluciones se basan recopilar todos los datos que se generan alrededor del servicio. Los que provienen de las plataformas digitales de distribución y todos los datos de lo que ocurre en el lado del proveedor: suscripciones, cancelaciones, y cualquier otro dato relevante para la relación entre el usuario final y el proveedor del contenido.

Una vez recogidos los datos, la infraestructura de Jump DDV analiza esta ingente cantidad de datos utilizando técnicas de Big Data y  analítica predictiva descriptiva, Machine Learning e Inteligencia Artificial para ofrecer inputs que permiten tomar mejores decisiones de negocio.

El momento actual de la industria del entretenimiento y medios

Jump DDV ha construido su modelo de negocio centrándose en un nicho con un volumen de negocio impresionante y en constante crecimiento: el vídeo en streaming o distribuido a través de internet, también conocido como vídeo OTT (Over the Top).

La industria del entretenimiento está inmersa en lo que los expertos han llamado tercera ola de convergencia o Convergencia 3.0. Se refieren a un contexto en el que las fronteras entre actores se desdibujan y ahora tenemos también a empresas tecnológicas y telcos compitiendo, no sólo en la distribución, sino también en la producción de contenidos para la industria.

Según el informe de PWC Global Entertainment & Media Outlook 2018–2022 , se espera que la industria alcance un 4,4% TCAC (Tasa Compuesta Anual de Crecimiento) en 2022 y se sitúe por encima de los dos trillones de dólares en 2022.

Las claves para comprender el momento actual del sector tienen que ver con lo que demandan los consumidores de estos servicios. La orientación total a la satisfacción del cliente es una lucha común a todos los actores de la industria.

Personalización

O más bien, ultrapersonalización. Esta es la experiencia que busca el usuario hoy día y para ello, técnicas de Big Data para la recopilación y análisis de los datos junto con Inteligencia Artifiicial, para automatizar la personalización de la experiencia son imprescindibles.

Conectividad ubicua

La omnicanalidad que demanda hoy el usuario. Estamos siempre conectados desde diferentes dispositivos y queremos poder disfrutar de nuestra experiencia personalizada independientemente del momento o del dispositivo que utilicemos.

El consumidor móvil

El consumo de contenidos en el móvil es una tendencia global imparable. Según un estudio de Netflix, los españoles somos los europeos que más vemos sus contenidos fuera de casa (OOH) y desde el móvil.

Necesidad de nuevas fuentes de ingresos

Si el tipo de consumo cambia , los modelos de ingresos tradicionales deben cambiar también. Las mayores expectativas de crecimiento están en los segmentos de digitalización y por lo tanto, nuevos modelos de negocio surgirán para aprovechar esta inversión.

Desplazamiento de valor hacia las plataformas

El tipo de consumo ha cambiado y el valor que busca el usuario a cambio de su confianza ha migrando desde la propiedad física hasta el acceso digital, convirtiendo a las plataformas de creación y distribución de contenidos en los nuevos grandes actores de la industria del entretenimiento.

El segmento del vídeo OTT

En este contexto de transformación es perfectamente lógico que el avance del vídeo streaming, también conocido como vídeo OTT (Over the Top) sea uno de los que mayor proyección de crecimiento presenta.

El avance de este tipo de servicios frente a la TV y cine tradicionales es una realidad que la gran mayoría de nosotros ya hemos integrado en su estilo de vida. Según un estudio de Nielsen, seis de cada diez españoles son clientes de alguna plataforma de contenidos en streaming. Por orden de número de suscriptores, Netflix, Movistar y Amazon Prime Video ocupan el podio en nuestro país.

El mercado de vídeo bajo demanda se fortaleció con el lanzamiento de Netflix en 2015, HBO España y Amazon Prime Video en 2016 y Sky en 2017 y, de cara al 2022, se espera que crezca un 14,8%, hasta llegar a unos ingresos de 234 millones de euros.

Pero no sólo hablamos del mercado de la distribución de contenidos. Estos nuevos actores también están revolucionando la producción de series y películas en nuestro país. Netflix inauguró en 2018 su primer centro de producción en Europa en la llamada Ciudad de la Tele ubicada en Tres Cantos (Madrid). Las instalaciones cuentan con más de 3.600 metros cuadrados de platós insonorizados.

Frente a los productores y distribuidores de entretenimiento tradicionales, las plataformas digitales gozan de una ventaja esencial: la fiabilidad de los datos. Antes de la era digital las mediciones de audiencias extrapolaban estadísticamente los datos de la medición real (los métodos de medición de audiencias han ido variando) al conjunto de la población. Las corporaciones no tenían más opción que aceptar esa escasa fiabilidad de los datos a la hora de tomar decisiones de negocio.

La aparición y la adopción masiva de las plataformas digitales por suscripción ha cambiado el paradigma de la medición y, por lo tanto, aquellos que sepan analizar bien sus ingentes cantidades de datos tomarán decisiones más informadas sobre su negocio.

Análisis de datos y automatización, valores clave para inteligencia de negocio del sector

En este contexto de transformación del sector, la digitalización está siendo clave y aquí es donde empresas como Jump DDV encuentran su oportunidad.

Clustering de audiencias, análisis de performance y business intelligence, prevención del churn (baja de clientes en el servicio) y recomendación personalizada de contenidos son algunos de los productos que ofrecen y que aportan un gran valor.

La capacidad de análisis y automatización marcan la diferencia en un sector que tienen claro que la aplicación de técnicas de Big Data, Inteligencia Artificial y Machine Learning son la vía para conseguir explotar todas las oportunidades de negocio que se abren.

Big Data, Inteligencia Artificial y Machine Learning

Cuando hablamos de Big Data nos referimos a conjuntos de datos o combinaciones de conjuntos de datos que a menudo provienen de distintas fuentes y pueden estar estructurados o no. Es decir, cada fuente de datos presenta su propio formato con sus características y particularidades lo que complica su captura, gestión, procesamiento y análisis mediante tecnologías y herramientas convencionales.

Como nos ha contado John, en una explicación apta para todos los públicos: “Big Data es cuando el volumen y la complejidad de los datos ya no te permiten manejarlos con un método tradicional”. Necesitamos nuevas herramientas para manejar estos datos que, además, crecen exponencialmente a una gran velocidad.

Las soluciones de Big Data, como las de Jump DDV, ofrecen una interfaz que nos permite “hablar” con nuestros datos. Todo se basa en la computación distribuida.

Computación distribuida

La computación distribuida o informática en malla (grid) es un modelo que permite cooordinar computadoras de diferente hardware y software y cuyo fin es procesar una tarea que demanda una gran cantidad de recursos y poder de procesamiento.

Sin este tipo de computación resultaría imposible poder extraer información accionable de estos inmensos volúmenes de datos, que además crecen continuamente y a gran velocidad.

Una vez tenemos la solución para recopilar y manejar los datos, necesitamos recurrir a disciplinas analíticas para poder comprenderlos.

Analítica descriptiva

La análitica descriptiva nos ayuda a comprender qué ha sucedido a través de los datos. Emplea técnicas y herramientas como el análisis estadístico, técnicas de inteligencia de negocio y minería de datos (detección de patrones en grandes volúmenes de datos).

Analítica predictiva

Nos ofrece la capacidad de predecir comportamientos. Cuánto mayor es el histórico de datos del que disponemos, más precisas y fiables serán las predicciones. De nuevo, es necesario aplicar técnicas estadísticas y minería de datos para conseguir estas predicciones, además de técnicas de Big Data cuando el volumen de los datos a analizar excede la capacidad de procesamiento de las herramientas tradicionales.

Los modelos predictivos que podemos conseguir combinando Big Data y analítica son una de las aplicaciones de Machine Learning o aprendizaje automático. A su vez, el aprendizaje automático es una de las disciplinas que se suelen englobar dentro de la Inteligencia Artificial.

Inteligencia Artificial

La inteligencia artificial, como nos ha explicado John, es un concepto muy amplio y con múltiples aplicaciones. Es tan difícil de describir como lo es la propia inteligencia humana.

Según la RAE “la IA es la disciplina científica que se ocupa de crear programas informáticos que ejecutan operaciones comparables a las que realiza la mente humana, como el aprendizaje o el razonamiento lógico”.

Al igual que dividimos la nuestra en distintos tipos para ayudarnos a comprenderla, lo mismo sucede con la artificial. Podemos encontrar también diferentes versiones.

Los expertos la clasifican en cuatro tipos principales: máquinas reactivas, memoria limitada, teoría de la mente y autoconsciencia.

Máquinas reactivas

El tipo más básico de Inteligencia Artificial se basa en la percepción de la computadora del momento actual. No tienen la capacidad de formar recuerdos, ni almacenan experiencias del pasado las que basar las decisiones actuales de forma automatizada.

Este tipo de inteligencia puede percibir una situación mediante los parámetros que le proporcionamos y es capaz de tomar considerar miles de millones de soluciones lógicas en un entorno conocido.

Sin embargo, las máquinas reactivas no pueden interactuar en un entorno desconocido, o aprender de experiencias pasadas. Debido a esto tampoco pueden realizar juicios de valor o decidir que una opción es mejor que otra teniendo en cuenta parámetros fuera de la lógica.

El ejemplo por antonomasia de máquina reactiva es Deep Blue, el superordenador de IBM que venció al campeón de ajedrez Gary Kasparov en 1996. Se basaba en el procesamiento paralelo masivo para tomar decisiones sobre sus jugadas.

Memoria limitada

Este tipo de máquinas sí tienen la capacidad de mirar al pasado, aunque son “recuerdos” que se utilizan sólo de forma transitoria y no se incorporan a la memoria de la máquina.

Se suele poner el ejemplo de los coches autónomos como uso de algo cercano a este tipo de inteligencia artificial. Se pueden incorporar “experiencias” a la observación del sistema pero no se almacenará durante años al igual que ocurre con las mente humana.

Teoría de la mente

Entramos en el terreno de investigación más que del presente de la inteligencia artificial.

La teoría de la mente, en psicología, implica la comprensión de que las personas, las criaturas y los objetos en el mundo pueden tener pensamientos y emociones que afectan a su propio comportamiento. Esto es básicamente lo que nos permite la interacción social.

Hablamos entonces de construir sistemas que no sólo sean capaces de hacerse una representación del mundo sino también de otros conceptos como los pensamientos o los sentimientos. Y serán capaces de adaptar su comportamiento a estos conceptos igual que lo hacemos los humanos.

Autoconsciencia

La evolución de la teoría de la mente que significará que los sistemas no sólo tendrán conciencia de emociones y sentimientos de otros seres sino también de los suyos propios. Serán conscientes de sí mismos, conocerán sus estados internos y podrán predecir los estados de otros.

La conciencia de sí mismo frente a los demás, la capacidad de generar pensamiento abstracto, de sentir y de comunicar sus sentimientos es una capacidad que hoy día sólo poseemos los humanos. 

En este momento estamos lejos de construir sistemas autoconscientes, pero es sin duda la meta a alcanzar para gran parte de la investigación en Inteligencia Artificial.

Machine Learning

Es uno de los tipos, o de las aplicaciones de la Inteligencia Artificial. Se refiere a la capacidad de la que hemos dotado a las computadoras para detectar patrones con los que realizar distintas acciones que dependen del objetivo para el que se están entrenando.

Digamos que, a diferencia de las máquinas reactivas, estos sistemas sí son capaces de evaluar en base a un histórico de experiencias pasadas y determinar la mejor opción para el objetivo para el que han sido programadas. Podríamos decir que el aprendizaje automático parte de las máquinas reactivas y las convierte en proactivas.

En la actualidad es una de las aplicaciones de Inteligencia Artificial que más implantación tiene en la empresas a nivel global. Predecir comportamientos en base a un histórico, como el churn o baja del cliente, y emprender acciones definidas para esa situación de forma automatizada, como por ejemplo enviarle al cliente una campaña personalizada, es un uso que genera importantes beneficios económicos y por lo tanto, mayor retorno de la inversión.

También podemos hablar de diferentes tipos de aprendizaje automático según el tipo de datos que estamos proporcionándole al sistema para aprender.

Aprendizaje supervisado

Se denomina así al tipo de aprendizaje en el los datos que le proporcionamos al sistema para aprender están previamente etiquetados o categorizados. De esta forma el algoritmo aprende de situaciones que ya han sido resueltas, y el objeitivo es que a partir de millones de ejemplos pueda resolverlas por sí solo sin la intervención humana.

Este tipo de aprendizaje es el que usan las aplicaciones de detección de spam, por ejemplo.

Aprendizaje no supervisado

Este es un tipo de aprendizaje más exploratorio. El sistema no dispone de unos datos categorizados previamente y asociados a un resultado del que pueda aprender. Dispone de descripciones o características de la estructura de los datos pero no tiene inputs de salida predefinidos.

Es el tipo de aprendizaje que se utiliza para labores de clustering. El Clustering es una tarea que consiste en agrupar un conjunto de objetos (no etiquetados) en subconjuntos de objetos llamados Clusters. Cada Cluster está formado por una colección de objetos que son similares (o se consideran similares) entre sí, pero que son distintos respecto a los objetos de otros Clusters.

Hallar correlaciones en volúmenes masivos de datos es tarea de este tipo de aprendizaje muy valorada hoy en la empresa. La búsqueda de insights relevantes, imposibles de encontrar por otros métodos, sobre sus clientes otorga una ventaja competitiva difícil de igualar.

Aprendizaje de refuerzo

Simplificándolo mucho, es el tipo de aprendizaje que se basa en el método prueba-error. No es un aprendizaje supervisado porque no tiene por qué disponer de un conjunto de datos previamente etiquetados. Su aprendizaje se basa en los resultados de acciones que han sucedido en el pasado

Tampoco es un aprendizaje no supervisado porque sí conoce cuál es el resultado de salida. Lo que aprende es la mejor forma de llegar al resultado, detectando los patrones de éxito y sus variaciones para perfeccionarlos.

Los usos en los que se está empleando incluyen a los sistemas de navegación y toma de decisiones de un vehículo autónomo.

Esperamos que el intento de describir, muy por encima, estas disciplinas de las que tanto se habla os haya ayudado a ver la dimensión de los productos que ofrece Jump DDV.

No están en Silicon Valley, ni en Shenzhen, aunque no les faltan premios, reconocimientos y clientes fuera de nuestras fronteras. Son parte de nuestro presente más esperanzador y representan a la Marca España de la que nos gusta hablar en Villainova.

Una muestra de lo bien que lo pasamos en la grabación con John Pater, CTO de Jump DDV

Música de cabecera: Time Piece – Silent Partner https://youtu.be/vd-zX2Oyjo0
Música sección final: Keep Walking – Rodrigo Vicente https://www.audiolibrary.com.co/rodrigo-vicente/keep-walking

 

Comentarios 0

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

    ¿Quieres venir a Villa Innova?

    Ven y comparte tu experiencia o escríbenos si conoces a alguien a quien deberíamos invitar a visitarnos.

    Participa