用戶生成內容(UGC)被稱為是營銷人員的天賜之物。根據Adweek的數據，64%的社交媒體用戶在做出購物決定前會查看UGC，而UGC視頻的瀏覽量是品牌視頻的10倍。然而，UGC存在一個問題：營銷人員常常需要花費很多時間來篩選提交的內容，以找到符合給定主題的相關、可重定向的視頻片段。Adobe今天推出的視頻智能標記，利用人工智能對視頻對象、場景、屬性和動作進行分類，可極大地加速這一過程。
視頻智能標記是Adobe內容管理解決方案Experience Manager (AEM)的一項功能，由Adobe Research和Adobe搜索團隊使用Adobe的Sensei機器學習平臺構建，它能為每個剪輯生成兩組標記，其中一個可描述大約150,000類對象、場景和屬性，第二個對應於諸如飲酒、跑步和慢跑之類的動作。
作為視頻基礎技術的智能標籤建立在AEM的圖像自動標記器的基礎上，該標記器針對Adobe Stock的圖像集合進行訓練。系統攝取目標視頻中的單個幀來產生第一組標籤。第二組是標記算法的產物，該算法經過訓練，用於管理帶有附帶標籤的“豐富動作”視頻，這些標籤是從Adobe內部視頻數據集的元數據中提取出來的。它應用於視頻中的多個幀，並將結果聚合在一起，以生成最終的動作標記集。
每個標記都有一個從0到100的分數，這是對系統預測準確度的估計。AEM客戶可以標記系統不正確的標籤，這將從搜索索引中刪除這些標籤，並生成分離的記錄。錯誤標記資產的日誌作為反饋發送給調節器。
據AEM產品經理聖地亞哥·龐博(Santiago Pombo)介紹，智能視頻標記新穎的地方在於，它使用戶能夠基於資產內容創建搜索規則和過濾器，而不僅僅是手動標籤和描述。此外，它允許為特定標記或標記集指定最小置信度閾值，從而確保相關資產選擇的準確性。
設計人工智能系統並非輕而易舉。AEM客戶一般平均每秒執行10次搜索查詢，這對延遲造成了很大的挑戰。Adobe的研究團隊不得不設計一個註釋管道來處理大量的用戶生成的內容。結果相當理想，視頻智能標籤可以在4秒或更短的時間內處理視頻。
視頻智能標記目前已向對企業用例感興趣的精選參與者群體提供，Adobe未來的工作將集中在擴大該系統能夠識別的視頻量上。當前的迭代以60秒的長度對剪輯進行分類。“當我們在權衡利弊的時候，我們認為我們要優化80%的用例……但是我認為下一步是……把它增加到10分鐘。”龐博說。
【數字敘事 黎霧】
閱讀更多 數字敘事 的文章
