Veel contentproducenten delen mogelijk een vergelijkbare nachtmerrie: ongeorganiseerde stapels afbeeldingen en video’s verspreid over bedrijfsschijven, of… durven we het te zeggen… zipbestanden in een e-mailketen?!
We hopen zeker dat uw situatie met contentbeheer niet zo erg is als het doorzoeken van zipbestanden naar de afbeelding die u nodig heeft. Desalniettemin kan elk bestandsbeheersysteem dat het niet gemakkelijker maakt om te vinden wat u zoekt, buitengewoon frustrerend en een enorme verspilling van tijd zijn.
Vooral wanneer uw digitale bibliotheek groeit, hangt het gemakkelijk zoeken naar bestanden en de consistentie van content op uw websites af van hoe nauwkeurig u alles kunt organiseren. Maar het organiseren van al uw video’s, afbeeldingen en ander materiaal op een manier die het voor iedereen gemakkelijker maakt… vormt een nieuwe, schijnbaar onoverkomelijke uitdaging: Wie heeft daar tijd voor?
Dat is precies waar een Digital Asset Management (DAM) platform met intelligente tagging-functies om de hoek komt kijken!
Wat is een Digital Asset Management (DAM) platform?
Simpel gezegd is een Digital Asset Management (DAM) platform of Digitale Asset Manager een oplossing die is ontworpen om u te helpen de verschillende bestanden van een bedrijf georganiseerd te houden en ervoor te zorgen dat uw teams er gemakkelijk toegang toe hebben.
Deze bestanden kunnen alles zijn wat u gebruikt om een uniforme gebruikerservaring op uw site te bieden, inclusief afbeeldingen, video’s, animaties en documenten.
Waarom een DAM implementeren?
DAM-platforms worden veel gebruikt door merken met grote digitale portfolio’s en zijn essentieel voor het waarborgen van contentconsistentie.
Merken met bijzonder veeleisende bestandsbibliotheken hebben één bron van waarheid nodig waar al hun teams naar kunnen verwijzen bij het creëren van nieuwe content, pagina’s of websites. En een goed georganiseerde DAM, geïntegreerd met het CMS van het merk, voorziet in deze behoefte!
Tagging van assets in een DAM
Om uw team afbeeldingen, video’s en andere inhoud op het DAM-platform te laten vinden, moet u tags opnemen in de metadata van elk item. Tags zijn trefwoorden die helpen een bestand te beschrijven en ervoor zorgen dat het wordt weergegeven wanneer teams op deze trefwoorden zoeken.
Stel bijvoorbeeld dat uw bedrijf een foto heeft van een vrouw die spaghetti eet. Geschikte tags voor zo’n afbeelding kunnen zijn: vrouw, eten, spaghetti, voedsel. Het kan verschijnen wanneer uw team zoekt op “vrouw die eet” of gewoon “spaghetti”.
Onvermijdelijk kunt u inhoud niet (optimaal) beheren zonder deze tags — maar wat als u miljoenen bestanden heeft die moeten worden getagd?
Gelukkig komt hier een DAM met slimme tagmogelijkheden van pas.
AEM Assets: Een geavanceerde DAM-oplossing
Er zijn veel DAM-oplossingen die soortgelijke doelen dienen — ze creëren een gecentraliseerde hub om al uw digitale middelen op te slaan en naar wens te organiseren.
Adobe Experience Manager (AEM) Assets is echter een geavanceerd DAM-systeem dat zich onderscheidt van standaardoplossingen voor bedrijven met complexere behoeften op het gebied van bestandsbeheer.
AEM Assets opent de deuren naar nog meer tools en mogelijkheden. Hier zijn slechts enkele van de vele voordelen:
- Eenvoudig nieuwe versies van content maken met behulp van Photoshop, Lightroom en zelfs AI.
- Diepgaande analyses van de prestaties van elk item in interactie met klanten.
- De mogelijkheid om te bepalen welke teams welke bestanden mogen gebruiken en in welke mate.
Een van de meest nuttige tools (zeker) aangeboden door AEM Assets is het gebruik van Adobe Sensei AI voor het automatisch taggen van nieuwe en bestaande bestanden in het DAM-systeem.
Dit stelt u in staat om miljoenen afbeeldingen, video’s en tekstuele assets onmiddellijk deelbaar en doorzoekbaar te maken voor al uw teams met behulp van de juiste tags. Dit is beslist veel beter dan talloze uren besteden aan het beoordelen van deze digitale assets en handmatig één voor één tags toewijzen.
Hoewel dit een buitengewoon krachtige functie is, is deze niet meteen klaar voor gebruik ‘uit de doos’. Laten we eens nader bekijken wat u kunt verwachten van het configuratieproces!
Hoe de AEM Smart Content Service werkt
De AEM Smart Content Service is een functie binnen AEM Assets die gebruikmaakt van Adobe Sensei AI om te leren en te repliceren hoe u uw digitale assets wilt taggen. Het maakt gebruik van beeldherkenningsintelligentie om uw assets te evalueren en te beslissen hoe deze het beste getagd kunnen worden.
Hier is een overzicht van het proces om u een beter idee te geven van waar u mee zult werken:
- U uploadt uw afbeeldingen, video’s of tekstbestanden naar Adobe Assets, waar de AI van de Smart Content Service deze onmiddellijk automatisch tagt.
- Wanneer u nu de DAM-assetconsole opent, kunt u een trefwoord invoeren dat het type bestand beschrijft dat u nodig heeft. De console toont u dan alle afbeeldingen, video’s, enz. die dit trefwoord in hun slimme tags hebben.
- Als u vervolgens merkt dat bepaalde zoekopdrachten bestanden weergeven die niet lijken te passen bij uw zoekterm, kunt u de slimme tags van die afbeelding bewerken en de tags verwijderen die onnauwkeurig lijken.
De AEM Smart Content Service trainen
De waarheid is dat zelfs functies die als ‘slim’ worden beschouwd, nog steeds enige training vereisen. Hoewel de Smart Content Service toegang heeft tot krachtige beeldherkennings-AI, zal deze niet weten hoe u uw digitale assets moet taggen als u het haar niet leert.
De taxonomie van uw bedrijf
Elk bedrijf heeft een vrij unieke taxonomie – wat betekent dat elk bedrijf specifieke taal, beschrijvingen en classificaties gebruikt om de content te beschrijven die in de bestanden verschijnt.
Een ongetrainde Smart Content Service kan bijvoorbeeld een BMW-motorfiets alleen als een motorfiets herkennen. Het is overbodig om te zeggen dat als u uitsluitend motorfietsen verkoopt… dit geen nuttige tag is voor uw team.
Vanuit zakelijk oogpunt zou BMW weten dat wanneer hun teams toegang krijgen tot bestanden om content te ontwerpen, ze waarschijnlijk zouden zoeken naar afbeeldingen van specifieke modellen.
In dit geval zou uw zakelijke taxonomie de namen van de modellen zijn die u gebruikt om verschillende motorfietsen te beschrijven. En een Smart Content Service zou dit niet vanzelf weten, zonder eerst uw specifieke zakelijke taxonomie te leren.
AI die slimme AEM-tags genereert op basis van uw zakelijke taxonomie
Het trainen van AI om uw zakelijke taxonomie te herkennen, kan theoretisch vrij eenvoudig zijn – u presenteert de AI een map met afbeeldingen die allemaal dezelfde tags gebruiken, met enige variatie tussen visueel vergelijkbare afbeeldingen.
Dit gebeurt zodat de AI kan leren identificeren waarom dezelfde tag van toepassing is op verschillende afbeeldingen. Wanneer de Smart Content Service na de training andere assets evalueert, zal deze kennis haar helpen dezelfde identificatoren te herkennen en dezelfde AEM-tags toe te passen.
Om het trainingsproces met uw afbeeldingen succesvol uit te voeren, heeft u een aantal zaken nodig:
- Minimaal 30 afbeeldingen per tag.
- Visuele gelijkenis tussen afbeeldingen die dezelfde tag hebben. (Bijvoorbeeld, hetzelfde model gekleed in hetzelfde type shirt, in dezelfde pose.)
- Variatie binnen afbeeldingen die dezelfde tag delen. (Bijvoorbeeld, hetzelfde model in dezelfde pose, gekleed in hetzelfde type shirt, maar in diverse kleuren.)
- Afbeeldingen met weinig tot geen afleidende elementen, zoals complexe achtergronden.
- Volledig getagde afbeeldingen met elke relevante tag binnen uw taxonomie.
Trainingsprocessen kunnen zo vaak als nodig worden uitgevoerd, zodat de Smart Content Service een complexer begrip ontwikkelt van uw behoeften voor AEM slimme tags, naarmate deze evolueren.
Echter, eenmaal een trainingsproces is gestart, kan de kunstmatige intelligentie niet ongedaan maken wat het in dat specifieke proces heeft geleerd. Zorg er daarom voor dat de aangeleverde tags en afbeeldingen, vóór het starten van een trainingsproces, nauwkeurig weergeven hoe u wilt dat vergelijkbare assets in de toekomst intelligent worden getagd.
AEM assets en tagbetrouwbaarheidsscores
Zelfs goed getrainde AI-systemen zijn niet perfect. Daarom zal het AI-platform, bij het beoordelen van afbeeldingen, video’s of tekstbestanden voor intelligente tagging in AEM, ook een betrouwbaarheidsscore toekennen aan elke tag.
Deze betrouwbaarheidsscore geeft aan hoe zeker de AI is dat een bepaalde tag zeer nauwkeurig is voor de betreffende asset, en wordt uitgedrukt als een getal tussen nul en één. U kunt de betrouwbaarheidsscore ook zien als een percentage — bijvoorbeeld, een betrouwbaarheidsscore van 0.5 zou betekenen dat Adobe Sensei 50% zeker is dat deze tag relevant is voor de asset.
Tags met hogere betrouwbaarheidsscores zorgen ervoor dat het getagde bestand prominenter verschijnt in zoekresultaten wanneer er wordt gezocht naar trefwoorden die in die AEM-tag zijn opgenomen. Omgekeerd is de kans kleiner dat uw bestanden verschijnen in zoekresultaten voor tags met lagere betrouwbaarheidsscores.
AEM-gebruikers kunnen ook de betrouwbaarheidsscores beoordelen die AI aan tags toekent, om te bevestigen of een tag accuraat is voor een bepaald bestand. Door dit te doen, helpt men AI verder te leren, zodat het in de toekomst kan voorkomen dat onnauwkeurige tags aan vergelijkbare eigenschappen worden toegewezen.
Uitdagingen en beperkingen van slimme tagging
In de meeste gevallen vermindert slimme tagging in AEM aanzienlijk de werklast voor merken, wier digitale bibliotheken momenteel te groot zijn om handmatige tagging te kunnen handhaven.
Echter, net als elke functie, hebben slimme tags in AEM hun beperkingen. Deze beperkingen mogen u er niet van weerhouden om te investeren in AEM Assets en Smart Content Service — maar het is belangrijk om ervan op de hoogte te zijn wanneer u uw optimale automatische tagging-configuratie creëert. Enkele beperkingen van slimme tagging in AEM as a Cloud Service en AEM 6.5 zijn de volgende:
- Kunstmatige intelligentie heeft een grotere kans om afbeeldingen van lagere kwaliteit verkeerd te taggen.
- Kunstmatige intelligentie kan geen tags toewijzen op basis van abstracte concepten, zoals emoties die met een afbeelding geassocieerd worden.
- Kunstmatige intelligentie kan afbeeldingen niet nauwkeurig taggen op basis van kleine visuele verschillen, zoals een klein logo op kleding.
- Slimme tags kunnen alleen worden toegepast in talen die door AEM worden ondersteund.
- Het maximale aantal assets dat per jaar slim getagd kan worden, is twee miljoen.
- Alleen afbeeldingen in JPG- en PNG-formaten kunnen slim getagd worden.
Bovendien, als uw organisatie relatief nieuw is met AEM, kan de implementatie en voorbereiding van assets een aanzienlijke technische uitdaging vormen. U wilt er zeker van zijn dat u de technische documentatie van Adobe met betrekking tot de AEM-configuratie en AEM-assets begrijpt, en dat u de middelen heeft om dit te realiseren.
Samenvatting
Grote merken moeten ervoor zorgen dat al hun digitale assets bruikbaar zijn en dat contentteams gemakkelijk de juiste afbeeldingen kunnen vinden met een eenvoudige zoekopdracht.
Maar zelfs geavanceerde systemen, zoals de Smart Content Service, worden niet vanzelf gebruiksvriendelijke tools. Het trainen van Adobe Sensei om afbeeldingen, video’s en tekstbestanden nauwkeurig te taggen, is gebaseerd op een zorgvuldige configuratie van AEM Smart Tags om de AI-prestaties nauwkeuriger te maken. Dit proces kan veel tijd en toewijding vergen voordat u de AI al het werk kunt laten doen.
Het goede nieuws is: U en uw teams hoeven dit niet alleen aan te pakken.
Bij Axamit zorgen wij ervoor dat AEM klaar lijkt voor gebruik zodra u ermee begint te werken — zonder enige moeite van uw kant. Neem dus contact met ons op om te bespreken hoe we u kunnen ontlasten van de druk van AEM-integratie!
Veelgestelde vragen
Wat is slimme tagging en hoe verschilt het van handmatige tagging?
Slimme tagging is een proces waarbij kunstmatige intelligentie de assets in uw DAM leest en automatisch de tags toewijst die als het meest relevant worden beschouwd aan elk van deze assets. Bij handmatige AEM-tagging is een mens verantwoordelijk voor het beoordelen van de bestanden en het één voor één toewijzen van de juiste tags.
Wat is het verschil tussen metadata en tags in AEM?
In AEM zijn metadata van een asset een dataset die de details ervan beschrijft (bijvoorbeeld het bestandstype). Een tag wordt opgeslagen als een soort metadata voor bestanden in AEM. De functionaliteit van tags is voornamelijk bedoeld om gebruikers te helpen bestanden te vinden met behulp van de trefwoorden die in de tags zijn gebruikt.
Kan slimme tagging worden toegepast op bestaande content in AEM, of alleen op nieuwe?
Ja, slimme tagging kan worden toegepast op zowel bestaande contentmappen in AEM als op nieuwe content.
