超越标签化：通用AI助力数据资产管理的高价值应用场景

生成式人工智能（GenAI）已显著改变了营销功能，从自动化客户交互到内容创作。尽管 everyone 都将焦点集中在聊天bots 和创造新博客文章上，但 DAM 中一个安静的革命已在悄然进行中。它始于解决与资产可寻觅性和再利用相关的长期挑战，如今我们正在看到许多令人兴奋的新应用，这些应用将大大提升 DAM 的真正潜力。

标签和检索

DAM 的核心理念是资产再利用。为什么还要花费时间和资源去复制已经存在的资产？几十年来，这一直是难以实现且几乎不可能的目标。原因很简单：图片、视频、音频和其他丰富媒体资产并不自述。与基于文本的对象不同，数字资产依赖于元数据来进行检索。

到目前为止，大多数有意义的元数据仍需由人类手动创建。人们只需查看一个资产并将其手动输入到预先定义的字段中即可，最好是根据组织的标准分类 taxonomy 和本体论进行应用。考虑到一个人很难、更不用说整个团队，能够一致、准确且重复地输入这类信息，大多数组织被迫在 DAM 中完成元数据输入的完整性方面做出权衡。

要么他们要求创意资源将元数据输入到资产被导入 DAM 解决方案时——这种活动几乎总是令人反感且难以执行——或者他们使用图书管理员或团队来正确归类已导入 DAM 的资产。由于用户不情愿或成本原因，大多数组织仍然很难创建足够的元数据以实现精确的资产检索和有效再利用。

生成式人工智能（GenAI）通过两种非常有意义的方式解决了这一问题。首先，借助 GenAI，组织不再依赖人类来正确“标签”或应用元数据到资产。计算机视觉是人工智能（AI）的一个特定方面，使计算机能够解读图片、视频和其他丰富媒体资产。利用计算机视觉，特别是视觉语言模型（VLM），我们现在可以自动生成描述图片和视频的文本。我们还可以轻松将音频（无论是音频文件还是视频中的音频 track）转换为文本。因此，我们可以为数字资产提供一个几乎 limitless、不可耗尽且成本低廉的标签资源。这些模型可以通过微调或微调来增强或定制它们以提供与组织特定分类 taxonomy 和本体论相关的唯一元数据——例如颜色代码、产品 ID 或字符版本。它们还可以受到组织的独特 taxonomy 和本体论的约束。

此外，生成式人工智能（GenAI）也可以对资产检索非常有效，使用户能够利用自然语言快速缩小搜索结果集以获得高度准确和高效的资产检索。

结果：我们现在可以解决资产再利用问题，确保 DAM 用户可以轻松、容易和全面地找到现有资产。

超越标签：简化资产创建

如前所述，GenAI 在解决资产可寻觅性和再利用方面做了很多工作。但您会发现，许多 DAM 平台已经开始采用 GenAI 驱动的功能来智能标记资产并支持自然语言搜索。但我们现在开始看到的是一个全新的集合，这些集合将通过超越标签和检索简化和加速新的资产创建以及资产审查过程。

资产创意

一种更强大的应用是我们现在正在看到的资产创意。通过资产创意，创作者可以上传一组样本资产或知识产权，并使用简单的、自然语言范式提供一组参数用于新资产创意。这些信息将被送到计算机视觉模型中，该模型可以快速生成大量概念。然后，再次使用聊天-like 接口，用户可以进一步精炼结果，快速和轻松地进行创意以找到有效的工作。

值得注意的是，我们在这里强调“概念”这个词，并且 GenAI 适合创意，而不是资产创建。我们发现，虽然计算机视觉模型可以快速创建任何数量的新视觉资产，但大多数消费者很容易识别 AI 生成的资产，并缺乏真实照片和图片的真实性。因此，重点是使用 GenAI 进行其最佳用途：快速生成大量概念以帮助创作者构思新的新闻资产（如广告、拍摄等），然后利用创意团队生产最终资产。GenAI 不是消除创意资源的需要，而是提供它们更有效和高效的方式。

资产定位

我们通常将资产定位简单地视为翻译。然而，这远不止如此。对于全球公司，视觉资产往往需要进行定位以适应地区偏好、文化 nuances 和特定市场或地理区域的功能需求。文本方面，这可能涉及将其翻译为当地语言，但可能还包括调整货币和单位测量。对于图片和视频，您可能需要调整色调 schema 或融入适合资产的当地穿着和环境。

生成式人工智能（GenAI）通过两种不同的方式协助资产定位。首先，它可以通过应用定位政策和指南来处理现有资产，并标记问题，甚至可以识别出应在哪些地区或 demographic 中不使用该资产——这些信息可以添加到元数据中以进一步丰富资产。其次，与上述应用类似，生成式人工智能（GenAI）也可以用于创建定位概念并帮助用户想出新版本的资产，反映其政策和指南的要求。

品牌合规性

另一种在 GenAI 中非常有用的用途是评估资产是否符合品牌合规性。在这种情况下，当新的资产被上传到 DAM 解决方案中时，可以使用 GenAI 模型来应用品牌政策和指南，并评估该资产是否完全合规。如果资产不合规，模型可以识别非合规原因并甚至提出改进建议。

需要注意的是，在资产随后接受审查和批准的过程中，审批人员可以确信资产是完全符合品牌的，这将节省宝贵的时间用于审查和批准。

知识产权

对于利用第三方知识产权（IP）的组织来说，了解其使用的资产中包含哪些第三-party IP 是至关重要的。同样重要的是了解该组织是否拥有使用这些 IP 的权利。这是另一个 GenAI 可以执行的功能，识别出资产包含第三方 IP 并验证该组织对这些 IP 的使用权利。

再次强调，这对于生成有意义的元数据非常有用，并且可以在 DAM 解决方案中将其应用于资产。这是一项自动化任务，可以定期运行现有资产或在新资产被添加到 DAM 解决方案时启动，以确保 IP 权利不会受到损害。

这不是 plug-and-play

最后，作为进一步探讨的主题，生成式人工智能（GenAI）模型的能力受限于它们的训练内容。在人工智能（AI）早期阶段，我们曾认为这意味着我们必须训练自定义 AI 模型来准确标记资产或评估品牌合规性。更近来，借助检索增强生成（RAG），我们可以利用公开可用的商业模型来实现上述所有用途，尽管有些可能仍需微调以优化准确性。

但关键是理解要获得 GenAI 的准确且有意义的结果——即使只是标签化——您必须考虑输入内容和微调，并认识到这不是 DAM 的“黑盒”功能。因此，只有当组织正确实施这一点时，才能真正释放 GenAI 的潜力并充分发挥 DAM 的能力。

了解更多如何在 DAM 中使用生成式人工智能的更多信息，请访问 Vertesia 和 CMSWire 提供的免费白皮书。