2015년, 전 세계의 비디오 책임자들은 넷플릭스가 방금 완료하고 라이브러리 전체에 적용한 연구에 놀라움을 금치 못했습니다. 타이틀별 인코딩 최적화 접근 방식은 각 타이틀을 분석하여 프레임 내 액션의 복잡성에 따라 가장 적합한 인코딩 방법을 결정하는 데 활용했습니다.
비디오 복잡성 고려
간단히 말해서 모든 동영상이 같은 것은 아닙니다. 스포츠는 선수뿐만 아니라 카메라 움직임 등 장면과 장면 사이의 움직임이 많기 때문에 복잡합니다. 반면 에피소드 드라마는 장면 간 움직임이 훨씬 적을 수 있으며 뉴스 및 시사 프로그램의 토크헤드는 일반적으로 움직임이 가장 적습니다.
이 동작은 인코딩 복잡성과 관련이 있습니다: 콘텐츠가 많을수록 인코딩해야 하는 동영상은 더 복잡해집니다. 넷플릭스의 접근 방식은 각 콘텐츠를 살펴보고 고유한 복잡성에 따라 인코딩 방법을 결정하는 것이었습니다. 다른 누구보다 많은 스트리밍을 제공하는 조직의 경우, 비용을 조금만 절약하고 스트리밍을 조금만 최적화해도 엄청난 투자 수익을 얻을 수 있습니다.
이러한 혁신만큼이나 이 분야에는 항상 다른 각도에서 문제를 바라보는 기술자들이 있습니다. 우표 크기의 비디오에서 오늘날의 HDR 4K, DVR 지원 라이브 경험, 그리고 그 이상으로 나아갈 수 있었던 것도 바로 이러한 노력의 결과입니다. 다음 혁신이 아무리 인상적일지라도 더 나은 쥐덫을 만드는 방법을 고민하는 스트리밍 기술자가 또 있을 것입니다.
컨텍스트 인식 인코딩 구축
이 경우 유리 레즈닉 박사가 이끄는 브라이트코브의 비디오 연구팀은 브라이트코브의 최신 비디오 혁신 기술 중 하나인 컨텍스트 인식 인코딩(CAE)을 고안해냈습니다. CAE는 콘텐츠 기반 인코딩 최적화의 개념을 네트워크 상태와 시청자의 디바이스 분포에 대한 추가 정보로 보강한 것입니다.
컨텍스트 인식 인코딩은 압축 전문가가 한 상자 안에 들어 있다고 생각하면 됩니다. 처리되는 모든 타이틀과 그 안의 모든 프레임에 대해 CAE는 소스 자산을 살펴보고 스트림이 전송될 대상 디바이스와 네트워크에 대한 계산도 수행합니다.
이 접근 방식을 사용하면 인코딩 프로세스를 최적화하여 비트레이트뿐만 아니라 비트레이트 래더의 여러 속성을 조정하고 필요하지 않은 렌더링을 절약할 수 있습니다. 평균적으로 이 접근 방식은 대부분의 콘텐츠 유형에서 1/3 정도의 비용을 절감했으며, 프레임 내 활동이 매우 단순한 경우에는 최대 50%까지 절감한 것으로 나타났습니다.
컨텍스트 인식 인코딩 테스트
특히 비디오 업계에서 가장 유명한 비디오 전문가 중 한 명인 얀 오저는 광범위하고 주관적인 테스트를 통해 브라이트코브의 컨텍스트 인식 인코딩의 성능을 평가했습니다.
Jan의 말을 빌리자면:
"CAE가 성공할 수 있었던 이유는 무엇일까요? 이 저모션 합성 비디오를 통해 브라이트코브는 기존 래더보다 낮은 비트레이트의 시청자에게 더 높은 해상도의 비디오를 제공할 수 있었기 때문입니다. 이 결과는 타이틀별 인코딩의 주요 이점인 시청자 만족도 향상, 대역폭 소비 감소, 7단 사다리에서 4단으로 줄어든 스토리지 및 인코딩 비용 절감을 잘 보여줍니다."라고 설명합니다.
이는 컨텍스트 인식 인코딩에 대한 훌륭한 초기 피드백이며, 이제 시작에 불과합니다.
더 많은 퍼블리셔, 네트워크, 방송사와 협력하고 더 많은 콘텐츠를 처리함에 따라 알고리즘은 시간이 지남에 따라 학습하게 될 것입니다. 궁극적으로 이는 전 세계 시청자에게 풍부하고 매력적인 동영상 경험을 제공하고 미디어 경험을 혁신하는 데 드는 비용을 지속적으로 절감할 수 있다는 것을 의미합니다.
