Générer de la valeur avec l'apprentissage automatique

La Radio Télévision Suisse utilise l’expertise d’AdNovum et les nouvelles technologies pour acquérir des connaissances et un avantage compétitif

Ces dernières années, l’apprentissage machine a fait d’énormes avancées dans des domaines tels que la vision machine et le traitement sonore. Des modèles entraînés sont capables d’identifier des schémas et d’extraire des informations que, récemment encore, seuls des humains étaient capables de traiter de manière fiable.

rts_1200x675

Les images, l’audio et la vidéo sont omniprésentes depuis déjà longtemps et les environnements riches en médias se retrouvent à devoir gérer des archives en perpétuelle expansion. Avec l’expansion sans fin du contenu de ces archives, la complexité augmente également. Pour essayer d’extraire des connaissances pertinentes et des nouvelles informations de cette mer de contenu numérique, on aurait besoin d’une armée d’experts en documentation pour relever ce défi.

 

C’est dans ces situations que les capacités de l’intelligence artificielle jouent un rôle très important, en offrant des moyens automatisés de répondre à ces besoins. En apprenant d’exemples annotés et en recherchant des schémas dans les données, de nouveaux types d’information peuvent être extraits. Dans certains cas, cela peut aussi être accompli avec des modèles existants.

 

La RTS, comme beaucoup d’institutions de radio et télévision, est dans cette exacte situation où elle doit gérer des archives énormes. Dans le cadre de leur stratégie pour augmenter la valeur de ces archives, ils ont investi dans le développement d’une plateforme IA pour leurs médias. Un de nos ingénieurs en données, Ireneu Pla, les a aidés à étendre les capacités de leur plateforme et a effectuer de nouvelles analyses.

 

Développer des capacités IA pour atteindre de nouvelles frontières

Travaillant avec la RTS, Ireneu a collaboré avec une équipe dont le but est captivant et ambitieux : révéler le contenu de leurs archives. La voie choisie pour relever cet objectif ambitieux s’articule autour des promesses de l’intelligence artificielle. En revanche, faire comprendre aux machines des contenus que nous pensions précédemment hors de leur portée est seulement un des défis. « Même si les possibilités techniques sont formidables, » partage Ireneu, « le but de ces efforts est de résoudre de réels problèmes et de mettre des solutions entre les mains des utilisateurs. » Pour concrétiser cela dans la réalité, il faut une bonne dose d’ingénierie logicielle et une mise en commun de cerveaux. Trouver un modèle d’apprentissage machine adapté n’est qu’une étape. »

 

Cela doit-il vous faire reconsidérer vos investissements dans le domaine de l’IA ? Simone Comte, Product Owner à la RTS, ne le pense pas. « Tôt ou tard, des investissements doivent être faits pour améliorer des systèmes vieillissants ou obsolète », explique Simone. « Avant la mise en œuvre de la plateforme d’IA, l’identification des personnes dans les archives reposait principalement sur la mémoire de quelques personnes, dont la plupart sont à la retraite. L’identification des locuteurs à l'aide de l’IA aidera énormément à combler cette perte de connaissances sans devoir embaucher des experts pour remplacer ceux qui sont partis. »

 

Tirer le meilleur parti des données

rts_portrait
Simone Comte
Product Owner de RTS-ai

Grâce à notre collaboration, la plateforme d’IA de la RTS dispose désormais de solides capacités d’analyse audio, ce qui lui permet de mettre en lumière des montagnes de contenus audio variés. Cette nouvelle fonctionnalité leur permettra de classer les anciens dossiers en cours de numérisation, de recueillir des statistiques sur le genre pour les programmes radio et d'améliorer d'autres tâches de traitement.

 

« Un autre grand atout de la plateforme est la base de données des personnes. En combinant la reconnaissance faciale, la reconnaissance vocale et le travail humain, elle devient un référentiel unique de données précieuses », affirme Simone. Ces capacités enrichissent également les métadonnées des systèmes de gestion des actifs médiatiques (MAM) de la RTS, améliorant ainsi l'expérience des documentalistes, des archivistes et des journalistes.

 

Le module de contrôle de la qualité est un autre point fort, car il permet à la RTS non seulement de détecter les erreurs dans les fichiers issus du processus de numérisation, mais aussi d'offrir de nouvelles fonctionnalités utiles pour la production, comme la fourniture de codes temporels pour les crédits, et potentiellement pour la gestion du contenu, comme l'identification des programmes avec un jingle.

 

« La plateforme RTS-ai va continuer à évoluer, en recherchant de nouvelles façons d'analyser et d'enrichir les données afin d'augmenter la valeur de nos archives grâce à l'apprentissage automatique », conclut Simone.