Setiap orang yang pernah melakukan streaming video di YouTube pasti pernah mengalami dua masalah yang sangat mengganggu: video berhenti sejenak untuk melakukan buffering atau video tiba-tiba menjadi pecah-pecah.
Kedua masalah ini terjadi sebagai akibat dari algoritma unik yang membagi video menjadi beberapa bagian yang dapat diatur dan diunduh secara bertahap. Artinya, jika Anda mengalami internet yang lambat, YouTube akan merender detik-detik berikutnya dalam video dengan resolusi yang lebih rendah untuk memastikan Anda terus menonton tanpa gangguan, sehingga membuat video menjadi berpiksel atau pecah-pecah.
Ketika Anda mencoba untuk melakukan percepatan (fast-forward) ke bagian selanjutnya dari video yang sama yang belum dimuat, kemungkinan besar video akan terhenti untuk melakukan pramuat pada bagian tersebut.
Algoritma bitrate adaptif (ABR) digunakan oleh YouTube untuk memberikan pengalaman menonton yang lebih andal kepada pengguna dan mengurangi penggunaan bandwidth. Mengingat kebanyakan orang tidak menonton video secara keseluruhan - terutama karena ada miliaran jam konten video yang ditransmisikan setiap hari- maka tidak produktif untuk terus memuat video yang panjang bagi pengguna setiap saat.
Meskipun algoritma ABR sebagian besar telah berhasil, pemirsa terus memiliki ekspektasi yang lebih tinggi untuk streaming video. Akibatnya, ekspektasi sering kali tidak terpenuhi ketika layanan streaming video seperti YouTube dan Netflix, atau platform yang sangat populer untuk streaming langsung olahraga, harus melakukan kompromi yang tidak memuaskan di antara berbagai faktor seperti kualitas video dan frekuensi buffering ulang.
Menurut Mohammad Alizadeh, seorang profesor di MIT, "Studi menunjukkan bahwa pengguna meninggalkan tayangan video jika kualitasnya terlalu rendah, yang menyebabkan kerugian besar pada pendapatan iklan bagi penyedia konten." Untuk menghindari kerugian seperti itu, situs dan platform streaming harus terus mencari pendekatan baru terhadap inovasi.
Studi menunjukkan bahwa pengguna meninggalkan tayangan video jika kualitasnya terlalu rendah, yang menyebabkan kerugian besar dalam pendapatan iklan bagi penyedia konten.
MOHAMMAD ALIZADEH, LABORATORIUM ILMU KOMPUTER DAN KECERDASAN BUATAN (CSAIL) DI INSTITUT TEKNOLOGI MASSACHUSETTS (MIT)
Sebuah solusi yang ada di depan mata
Dalam hal ini, Alizadeh dan timnya di Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL) di MIT telah menciptakan "Pensieve," sebuah sistem kecerdasan buatan berbasis pembelajaran mesin yang memilih algoritma sebagai respons terhadap kondisi jaringan.
Dibandingkan dengan sistem konvensional, telah dibuktikan bahwa dengan melakukan hal ini akan menghasilkan pengalaman streaming yang lebih berkualitas dengan berkurangnya buffering ulang.
Streaming yang lebih lancar yang dihasilkan oleh metode pembelajaran mesin CSAIL memungkinkan streaming beradaptasi lebih baik dengan situasi jaringan. Secara khusus, pengujian tim mengungkapkan bahwa Pensieve mampu mentransmisikan dan melakukan streaming video dengan kecepatan yang dinilai konsumen 10-25% lebih baik pada parameter "kualitas pengalaman" yang krusial, dengan 10 hingga 30% lebih sedikit mengalami buffering ulang daripada metode kompetitor.
A content provider’s priorities can also be taken into account when customising Pensieve. For instance, YouTube may lower the bitrate if a person using it on the subway is going to enter a dead zone so that it can load enough of the video to avoid having to rebuffer during the network outage. This is especially powerful when used in conjunction with other technologies like GIF compressors.
Menurut mahasiswa doktoral Hongzi Mao, yang turut menulis karya serupa dengan Alizadeh dan mahasiswa doktoral Ravi Netravali sebagai penulis utama, mengatakan bahwa Pensieve "serbaguna untuk apa pun yang ingin Anda optimalkan."
"Anda bahkan dapat membayangkan pengguna menyesuaikan pengalaman streaming mereka sendiri berdasarkan seberapa penting resolusi dibandingkan buffering ulang bagi mereka."
Anda bahkan dapat membayangkan pengguna yang menyesuaikan pengalaman streaming mereka sendiri berdasarkan seberapa penting resolusi dibandingkan buffering ulang bagi mereka.
HONGZI MAO, LABORATORIUM ILMU KOMPUTER DAN KECERDASAN BUATAN (CSAIL) DI INSTITUT TEKNOLOGI MASSACHUSETTS (MIT)
Bagaimana cara kerja ABR
Algoritma bitrate adaptif (ABR) terbagi dalam dua kategori: algoritma berbasis buffer, yang menjamin bahwa sejumlah video tertentu yang akan datang secara konstan di-buffer, dan algoritma berbasis kecepatan, yang mengukur seberapa cepat jaringan mentransmisikan data.
Karena kedua jenis ini tidak menggunakan informasi tentang kecepatan dan buffering, keduanya dibatasi. Oleh karena itu, algoritma ini sering kali memilih bitrate yang salah, dan harus disetel dengan hati-hati oleh para profesional untuk menyesuaikan dengan berbagai keadaan jaringan.
Alizadeh mengatakan bahwa memodelkan dinamika jaringan merupakan hal yang menantang. Dia mengatakan bahwa dengan teknik yang ada untuk meningkatkan streaming, seperti model prediktif kontrol (MPC), pada dasarnya hanya sebaik model mereka.
Pensieve tidak memerlukan model atau gagasan yang sudah ada sebelumnya mengenai elemen-elemen seperti kecepatan internet. Pensieve terus menguji algoritma ABR sebagai simulasi jaringan saraf dalam berbagai kecepatan jaringan dan kondisi buffering.
Melalui sistem penghargaan dan penalti, sistem ini menyempurnakan algoritmanya. Misalnya, sistem ini dapat menerima bonus setiap kali menawarkan pengalaman resolusi tinggi dan bebas buffer, tetapi penalti ketika harus melakukan buffer ulang.
Menurut Mao, penulis utama makalah ini, Pensieve "mempelajari bagaimana strategi yang berbeda berdampak pada kinerja, dan, dengan melihat kinerja aktual di masa lalu, Pensieve dapat meningkatkan kebijakan pengambilan keputusan dengan cara yang jauh lebih baik."
YouTube dan penyedia konten lainnya dapat mengubah struktur insentif Pensieve untuk mencerminkan metrik yang ingin mereka tekankan kepada pengguna. Algoritmanya dapat disesuaikan untuk memberikan penalti terhadap buffering ulang dari waktu ke waktu, misalnya, mengingat penelitian telah menunjukkan bahwa pengguna lebih toleran terhadap hal tersebut lebih awal saat menonton video daripada di kemudian hari.
Menggabungkan metode pembelajaran mendalam dan pembelajaran mesin
Tim menguji Pensieve di berbagai lingkungan, termasuk pada WiFi kafe dan jaringan LTE di jalan. Penelitian mengungkapkan bahwa Pensieve dapat menyamai resolusi video MPC, dengan pengurangan buffering ulang sebesar 10% hingga 30%.
Pensieve menemukan algoritma ABR yang cukup dapat dipercaya untuk jaringan yang sebenarnya ketika diuji dengan menggunakan data fiktif di lingkungan "boot camp", klaim Mao. Uji coba tekanan semacam ini menunjukkan kemampuannya untuk menggeneralisasi dengan baik pada situasi baru yang ditemui di dunia nyata.
Dia mengatakan bahwa pengujian yang dilakukan oleh para peneliti menunjukkan bahwa Pensieve dapat berfungsi dengan baik bahkan dalam situasi yang belum pernah dihadapi sebelumnya.
Menurut Vyaz Sekar, asisten profesor teknik elektro dan komputer di Universitas Carnegie Mellon yang tidak terlibat dalam penelitian ini mengatakan, "pendekatan sebelumnya mencoba menggunakan logika kontrol yang didasarkan pada intuisi para ahli."
Alizadeh lebih lanjut menunjukkan bahwa hanya video yang diunduh selama satu bulan yang digunakan untuk melatih Pensive. Dia mengklaim bahwa jika tim peneliti memiliki akses ke kumpulan data dengan skala yang sama dengan YouTube atau Netflix, dia akan mengantisipasi peningkatan kinerja yang jauh lebih besar. Upaya timnya selanjutnya adalah menggunakan video realitas virtual (VR) untuk mengevaluasi Pensieve.
"Kami sangat antusias untuk melihat apa yang bisa dilakukan oleh sistem seperti Pensieve untuk hal-hal seperti VR," kata Alizadeh. "Ini hanyalah langkah pertama untuk melihat apa yang bisa kami lakukan".
