I den snabbt föränderliga digitala världen genomgår system för digital tillgångshantering (DAM) och mediabanker en omvandling, som till stor del drivs av artificiell intelligens (AI). När företag kämpar med stora mängder ostrukturerad data, erbjuder AI ett verktyg för effektivitet, noggrannhet och innovation. Låt oss undersöka hur AI kommer att omdefiniera DAM-arbetsflöden inom en snar framtid och utforska detta genom illustrativa användningsfall.

AI-förbättrade DAM-arbetsflöden via sömlös integration

Tänk dig en marknadsföringsbyrå, "Creative AD Agency", som hanterar tillgångar för många klienter. Varje dag tar de emot en mängd bilder, videor och dokument. Tidigare skulle sortering och taggning av dessa tillgångar vara en manuell och tröttsam process. Här kommer Artificiell Intelligens (AI) till hjälp.

• Automatisk taggning och klassificering: När tillgångarna strömmar in analyserar AI-algoritmer dem omedelbart och taggar dem. En bild av en fridfull strand vid solnedgången taggas automatiskt med "strand", "solnedgång", "fridfull" och "hav". Inget mänskligt ingripande, inga förseningar. Denna funktion är till nytta huvudsakligen vid vanliga fotografier som uppladdas utan metadata och där allmänna taggar som ord behövs för att hitta bilder men inte där specifika företagsspecifikt språk gäller.
• Anpassning: Nyckeln till precision. Varje företag är unikt, och detsamma gäller dess DAM-behov. AI-modeller kan tränas specifikt för ett företags krav, med fokus på de specifika taxonomierna och metadatastrukturerna som ökar sök- och hittprocesserna.
• Anpassade datamodeller: Creative AD Agency, som specialiserar sig på resemarknadsföring, tränar sin AI att känna igen landmärken, kulturella nyanser och regionala festligheter. Detta säkerställer att varje tillgång är kontextuellt relevant.
• Visuell sökning: En klient behöver akut bilder som liknar deras varumärkesloggas färgschema. Istället för att söka igenom tusentals bilder hämtar den AI-drivna visuella sökningen snabbt tillgångar som matchar färgpaletten. Detta gäller likväl då man kan söka bilder genom med exakta textfraser som beskiriver innehållet av  bilder som eftersträvs.
• Kvalitetskontroll: AI handlar inte bara om sortering; det handlar om kvalitet. Bilder med låg upplösning, suddiga videor eller tillgångar med potentiella upphovsrättsproblem flaggas omedelbart. Creative AD Agency säkerställer att endast toppklassiga tillgångar når deras klienter.
• Generativ innehållsskapande: För en kampanj behöver de en unik bild. Istället för att anlita en designer matar de in en textbeskrivning i sitt AI-verktyg, som skapar en perfekt, ny bild på sekunder.

Kolla vår MediaBank som från grunden är konstruerad med ett AI-baserat arbetsflöde.

Metadata: Nyckeln som sammanbinder innehållet

Metadata, informationen som beskriver innehållet, sammanhanget och syftet med tillgångar, är avgörande. Med AI blir inmatning av metadata enkelt. Förutom hur metadata traditionellt matas in (manuellt) med nyckelord och anpassade taxonomier, kan förmågan att automatiskt förbättra beskrivningar bli en nyckelfaktor. Metadatas fördelar:

• Förbättrad organisering: Metadatamatning förbättrar sökbarhet och plats för tillgångar.
• Förbättrad upptäckbarhet: Metadata gör det enklare för andra att hitta och använda filer.
• Bättre samarbete: Metadata kan spåra en fils historia, vilket underlättar samarbete.
• Prestandamätningar: Metadata tillåter spårning av prestanda för mediefiler.
• Rättslig efterlevnad: Metadata säkerställer efterlevnad av rättsliga krav.

Metadata kan vara mycket mer än bara enkla nyckelord. När den används för mer komplexa innehåll kan AI hantera flera uppgifter samtidigt och därmed göra sökresultatet mer meningsfullt.

Förbättrade beskrivningar: En bild laddas upp som visar en livlig Stckholms gata. AI taggar den inte bara med "Stockholm" utan genererar en rik beskrivning: "Livlig Stockholm gata med taxibilar och fotgängare."

Visuell sökning utan metadata: För en ny annons behöver Creative AD Agency en bild av "en kvinna med ett rött paraply i regnet". Istället för att förlita sig på befintliga taggar skannar den AI-drivna visuella sökningen igenom hela biblioteket, känner igen de visuella elementen och hämtar den perfekta matchningen.

Den multitaskande (flera uppgifter) AI-motorn

Den sanna potentialen hos AI i DAM realiseras när den utför flera uppgifter samtidigt.

Hybrida tillvägagångssätt: För en dokumentär behöver Creative AD Agency ett klipp som visar "barn som leker i en park med fåglar som kvittrar i bakgrunden". AI skannar videoklipp för visuella element (barn, park) och ljudsignal (fåglar som kvittrar) för att hämta den perfekta matchningen.

Generativ AI och textintegration: För sin blogg behöver de innehåll om "AI:s påverkan på modern marknadsföring". Med verktyg som ChatGPT genereras en omfattande, välresearchad artikel på minuter. När innehållet laddas upp taggas det automatiskt, kategoriseras och görs sökbart.

Framtiden: Utmaningar och överväganden

Även om AI lovar effektivitet, är det inte utan utmaningar. Det finns risk för snedvridningar, potentiella rättsliga problem, särskilt kring integritet, och behovet av kontinuerlig träning och anpassning. Det är avgörande för företag att hitta en balans mellan automatisering och mänsklig tillsyn. Låt oss peka ut några utmaningar med AI:s visuella sökning.

• Överbetoning: Enbart förlitande på AI för visuell sökning kan missa nyanserade taggar som mänsklig expertis kan tillhandahålla.
• Potentiella fel: Ingen AI är perfekt; det kan finnas fall där AI missförstår eller misslyckas med att känna igen vissa visuella element.
• Förlust av sammanhang: Metadata tillhandahåller ofta sammanhang som går utöver de visuella elementen. Att enbart förlita sig på visuell sökning kan missa detta sammanhang.

AI:s visuella sökning är ett steg mot mer automatiserade och effektiva DAM-system. Genom att minska behovet av manuell metadatataggning kan organisationer spara tid och minska fel. Även om AI:s visuella sökning erbjuder många fördelar, är det väsentligt att balansera dess användning med andra metadataverktyg för att säkerställa ett omfattande och nyanserat tillvägagångssätt till digital tillgångshantering.

Specificera dina mål först innan du omdefinierar dina DAM-arbetsflöden

Framtiden för DAM, med AI inkluderat, lovar ett sömlöst, effektivt och innovativt arbetsflöde. När AI-teknologier som automatisk taggning, visuell sökning och generativ innehållsskapande blir sammanflätade med DAM-processer, står företag inför oöverträffad effektivitet och precision. Nyckeln ligger i att utnyttja AI:s potential samtidigt som man säkerställer anpassning, kvalitet och efterlevnad.

När man implementerar AI i DAM-arbetsflöden verkar vara rätt fram på sak, men resultaten och fördelarna kan vara riskabla när man använder AI-verktyg på grund av flera orsaker som:

Snedvridningsrisker: AI-system kan producera felaktig data om inte vältränad med absolut korrekt data.
Utbildningskrav: AI-systemet måste tränas tillräckligt för att korrekt kunna känna igen och kategorisera visuella element.
Juridiska frågor: Organisationer måste vara medvetna om juridiska frågor som omger AI, särskilt när det gäller datasekretess och säkerhet. Dessa är av yttersta vikt vid användning av AI-verktyg.
Implementeringsutmaningar: ChatGPT och liknande teknologier kräver anpassning och träning för specifika DAM-system.

Läs mer på engelska om olika AI-verktyg för DAM: AI-assisted classification in DAM 

Det är avgörande att först sätta mål för vad du vill uppnå med arbetsflöden som assisteras av AI-verktyg och att sätta regler för hur man hanterar arbetsflöden för att säkra ett fördelaktigt resultat. Det är kritiskt att förstå hur djupt AI bör eller har integrerats i ett DAM-system. Om artificiell intelligens ska lägga värde till digitalt innehåll bör du ställa frågan dig själv hur slutanvändare kan tillämpa det användbart i sina arbetsflöden.

Fungerar färdiga AI-datamodeller?

Medan spridningen av generiska färdigtränade offentliga AI-modeller verkar vara ett attraktivt sätt att implementera en AI-lösning inom en organisation finns det många faktorer som kan göra framgångsrik implementering till en svår uppgift. Vissa företag kan tycka att dessa modeller erbjuder resultat som är tillräckligt bra. Men generellt är en färdig modell inte tillräckligt noggrann för de flesta innehållen. De är byggda med offentligt tillgängliga data som kanske inte är helt verifierade och datan kommer inte från den egna organisationen.

Företag måste vara medvetna om att förtränade modeller varierar mycket i resultatens noggrannhet baserat på specifika företagsbehov och måste ofta finjusteras för att uppnå den nödvändiga noggrannheten. För att göra AI till ett meningsfullt och pålitligt verktyg som skapar relevanta insikter specifika för just din organisation måste troligtvis egna modeller byggas. Att inte göra detta löper risken att producera opålitliga resultat och vidta potentiellt skadliga åtgärder.

Sök efter ett modernt DAM för att hantera innehåll

DAM-system behöver integrera AI-tjänster djupt i sina datamodeller, metadatascheman och arbetsflöden för att möjliggöra effektiv klassificering av innehåll och därigenom omvandla ostrukturerad information (dokument, bilder, ljud, video etc.) till strukturerad data, vilket gör all information sökbar och åtgärdbar.

För företag samt för kreativa reklambyråer kan detta resultera i att man levererar förstklassiga, tidseffektiva tjänster till kunder och sätter nya branschstandarder.

Fråga oss för mer detaljer gällande ditt speciella användningsfall.

Kolla vår MediaBank som från grunden är konstruerad med ett AI-baserat arbetsflöde.

Författare Rolf Koppatz Rolf är grundare och VD för Communication Pro, DAM-konsult, marknadsförings- och IT-professionell med 35 års erfarenhet. Säg hej på LinkedIn.. www.communicationpro.com