Automatisierung & Künstliche Intelligenz

Content durch Verwendung von Automatisierung und KI smarter verarbeiten, wodurch Menschen nur die Arbeiten erledigen müssen, für die Maschinen nicht gut geeignet sind.

Riesiges Potential

Während die Menge an Content, die in dezentralen Systemen erstellt und verwendet wird, beständig wächst, bleiben die menschlichen Ressourcen zur manuellen Verwaltung von Content beschränkt. Das führt direkt zur Notwendigkeit, Content immer häufiger automatisch zu verarbeiten.

Durch Automation und künstliche Intelligenz (KI) können grosse Datenmengen tausendfach schneller verarbeitet werden als durch Menschen.
Durch Automation und künstliche Intelligenz (KI) können grosse Datenmengen tausendfach schneller verarbeitet werden als durch Menschen. Dieses Vorgehen enthält ein riesiges Potential an Kostenersparnis und schnellerer Markteinführung.

 

Zudem wird Arbeit, die vorher nur teilweise oder gar nicht erledigt wurde (z.B. das Tagging von grossen Mengen an Content), endlich getan, was die allgemeine Verfügbarkeit von Content erhöht.

Beispiele für KI & Automation

  • Automatisches Tagging von Bildern, Videos, Dokumenten und virtuellem Content
  • Durchsuchbar machen von Audio und Video durch Transkription
  • Finden von Content auf Basis von Produkt- oder Personennamen
  • Gruppieren und Kategorisieren von Content basierend auf Ähnlichkeiten
  • Verbindung von z.B. Bildern mit Dokumenten, in denen sie verwendet werden
  • Auffinden von sensitivem Content (z.B. persönlichen Daten) zur Genehmigung
  • Auffinden von dupliziertem Content zur einfacheren Konsolidierung
  • Anreicherung von Content mit zusätzlichen Kontext-Informationen
  • Bereitstellung von Kontext beim Suchen oder Taggen
  • Vorschlagen von verwandtem Content auf Basis von Suchvorgängen
  • Veröffentlichung von genehmigtem Content oder dessen Archivierung
  • Verarbeitung oder Konvertierung von Content basierend auf bestimmten Aktivitäten

Grenzen der Automatisierung

Auch wenn Automatisierung, Künstliche Intelligenz (KI) und Machine Learning (ML) sehr vielversprechend sind, ist ihnen das menschliche Gehirn immer noch überlegen, wenn es um das Lösen von Problemen geht, die sich nicht wiederholen oder kreatives “um-die-Ecke-Denken” erfordern.

So kann das automatische Taggen mit allgemeinen Keywords sehr akkurate Treffer für bestimmte Content-Kategorien, wie etwa Archivbilder (“Stock Images”) liefern. Bei speziellerem Content schlagen diese Techniken jedoch häufig fehl, z.B. bei bestimmten Produkten eines Herstellers oder Content, der bestimmten Kontext benötigt, wie “CEO von Unternehmen X experimentierte schon im Alter von 10 Jahren mit Technologie”.

Es ist relativ einfach, Content mit einer grossen Menge generischer Begriffe zu taggen. Sollen diese Begriffe aber mit einem relevanterem und spezifischeren Vokabular abgeglichen werden, ist die Herausforderung schon deutlich grösser: Ein Bild enthält einen Turm und eine Brücke, aber woher weiss der Algorithmus, dass der Turm aus einem Spezialstahl mit der SKU-Nummer 562789 eines bestimmten Unternehmens gebaut wurde?

Allgemein kann die falsche Verwendung von Automatisierung und KI zu inkorrekt getaggtem Content und damit zu falschen Entscheidungen führen, was wiederum das Vertrauen in eine Content-Sammlung unterminieren kann.

Ausgeglichener Ansatz

Wir sind davon überzeugt, dass effektive und nachhaltige Automatisierung deutlich über den Hype um künstliche Intelligenz (KI), Machine Learning (ML) und ein paar APIs hinausgeht. Grundpfeiler des Erfolgs ist eine intelligent entwickelte Informations-, Prozess- und Systemarchitektur mit gut organisierten und hoch strukturierten Daten. Denn künstliche und menschliche Intelligenz müssen dort eingesetzt werden, wo sie ihre jeweiligen Stärken am besten ausspielen können.

So ist es beispielsweise in Ordnung, “Stock Content” automatisch zu taggen, damit Benutzer ihre “Blauer Himmel”-Bilder leichter finden können. Produktähnlicher Content erhält seine Daten dagegen besser aus dem Dateinamen oder eingebetteten Metadaten und bezieht diese Informationen auf existierende Produktlisten. Hierfür wird allerdings ein Standard für Dateinamen oder XMP-Konventionen am Anfang der digitalen Content-Supply Chain benötigt. Das funktioniert nicht, wenn in einem späteren Stadium volle Automatisierung ohne jegliche manuelle Interaktion erreicht werden soll.

Picturepark Artificial Intelligence Workflow

Ein guter Einsatz von Automatisierung verringert den Bedarf an menschlicher Arbeitskraft auf ein Minimum, beispielsweise indem “Big Data” bei der Verarbeitung gefiltert wird, damit der Content vor der Veröffentlichung durch einen Menschen verifiziert werden kann. So muss für Bilder mit Gesichtern eventuell die Erlaubnis der abgebildeten Personen eingeholt werden. Oder automatisch getaggter Content muss von einem Menschen verifiziert werden, indem die falschen Assoziationen entfernt und bei Bedarf die richtigen Tags hinzugefügt werden.

Für die Automatisierung entwickelt

Die Picturepark Content Platform wurde für die Verwendung von künstlicher Intelligenz (KI)- und Machine Learning (ML)-Technologien entwickelt. Das funktioniert nicht mit einem einzelnen Feature, sondern mit einer Reihe von ineinander greifenden Fähigkeiten:

  • Strikt strukturierter Ansatz für Content und Metadaten
  • Adaptive Metadata für relevant beschriebenen und kontrollierten Content
  • Semantische Beziehungen für kontextreiche Informationen und Führung
  • “API-first”-Design und Microservice-Architektur für Konnektivität und Interoperabilität
  • Einhaltung und Durchsetzung von Standards — auch solcher, die vom Benutzer definiert wurden
  • REST API und SDKs mit Livestream und Service Provider-Framework

Bei Bedarf können beliebige andere Systeme in die Picturepark Content Platform eingebunden werden und hoch automatisiert zusammenarbeiten.

Picturepark stellt ausserdem vorgefertigte Workflows zum automatischen Taggen und Verarbeiten von Bildern, Videos und Dokumenten, sowie Standard-Konnektoren für den Datenaustausch mit anderen Systemen oder Workflow-Engines zur Verfügung.