Etiquetado automático

También se llama auto-tagging, etiquetado con IA o etiquetado automatizado. En un sistema de digital asset management suele ejecutarse como un paso de la ingesta, junto con la generación de vistas previas y el reconocimiento de texto.

Por qué importa

El etiquetado manual no sigue el ritmo del volumen. Cada imagen necesita que alguien la mire y escriba un conjunto de términos, y una biblioteca que recibe miles de imágenes al mes necesita mucho tiempo de alguien solo para describirlas. En la práctica ese trabajo se hace en parte o no se hace, y las imágenes sin etiquetas solo se encuentran navegando por carpetas.

El etiquetado automático da a cada imagen una descripción básica en el momento en que llega. No sustituye los campos que solo tu organización puede rellenar, pero evita que una imagen entre en la biblioteca sin nada sobre lo que buscar.

Qué produce un modelo de etiquetado con IA

Los modelos actuales, que combinan reconocimiento de imágenes y un modelo de lenguaje, suelen devolver:

• Etiquetas: una lista de términos breves como kitchen towel, herbs, linen, flat lay, green.
• Una descripción: una o dos frases que describen la imagen.
• Texto de la imagen: las palabras impresas en envases, carteles o letreros, leídas mediante OCR.
• Una clasificación: qué tipo de recurso es (foto de producto, foto de estilo de vida, logotipo, documento), elegida de una lista que define la organización.

Los sistemas más antiguos solo devolvían una lista de etiquetas con una puntuación de confianza para cada una. Los modelos que devuelven descripciones y leen texto dan mucho más material a la búsqueda, porque las personas suelen buscar con una frase o con el nombre de un producto, y no con una sola palabra que designe un objeto.

Dónde falla el etiquetado automático

• No conoce tu vocabulario. Un modelo puede ver un sofá. No puede saber que en tu catálogo ese sofá se llama "Nordwik 3-seater", que pertenece a la campaña de otoño o que solo puede usarse en Europa. Los nombres de producto, las campañas, los derechos y el estado de aprobación siguen siendo trabajo humano o basado en reglas.
• Es genérico. Etiquetas como "interior" u "objeto" coinciden con demasiadas imágenes para servir de ayuda. Los buenos sistemas indican al modelo que las evite.
• Puede equivocarse. Los productos de aspecto parecido, los ángulos poco habituales y las imágenes abstractas producen etiquetas erróneas. Las etiquetas deben ser fáciles de corregir.
• Su idioma puede no ser el tuyo. Muchos modelos etiquetan en inglés de forma predeterminada. En una organización multilingüe, comprueba cómo trata el sistema la búsqueda en otros idiomas.
• Cambia con el tiempo. Un modelo más reciente etiqueta la misma imagen de otra forma. Volver a etiquetar toda una biblioteca puede sobrescribir correcciones hechas por personas.

Cómo debe tratarlo un DAM

Cuando evalúes un DAM, comprueba estos puntos con tus propias imágenes:

1. Las etiquetas se generan al importar sin ningún paso manual, para todas las imágenes, sea cual sea la forma en que entran en la biblioteca.
2. Las etiquetas de IA se mantienen separadas de las etiquetas y los campos que introducen las personas, para poder distinguirlas y filtrar por cualquiera de ellas.
3. Las personas pueden corregir o eliminar etiquetas de IA en un recurso y de forma masiva.
4. Las etiquetas de IA, las descripciones y el texto leído en las imágenes se pueden buscar tanto por palabras clave como con la búsqueda semántica.
5. Tus propios campos, palabras clave y vocabularios controlados nunca se sobrescriben con el resultado de la IA.
6. Puedes ver qué modelo se usa y cuánto cuesta el etiquetado.

Etiquetado automático en Freedam

En Freedam, cada imagen, archivo EPS y PDF de una sola página se analiza cuando se importa, se trae desde una fuente conectada o se envía a través de la API. Un solo análisis devuelve de 15 a 20 etiquetas, una descripción, el texto que aparece en la imagen y la clase de recurso. Los resultados aparecen en la pestaña IA del recurso, aparte de las palabras clave y los campos de metadatos que rellenan las personas, que el análisis nunca modifica. Se pueden buscar por palabra clave, por significado y con los filtros Etiquetas de IA, Descripción de IA y Texto OCR. Los administradores eligen el modelo de IA y ven su costo en la página Ajustes de AI.

Detalles: Etiquetado automático en la documentación de Freedam.

Preguntas frecuentes

¿Qué precisión tiene el etiquetado de imágenes con IA?

Los modelos actuales describen con fiabilidad objetos, entornos y colores comunes en fotos nítidas. Son menos fiables con productos de aspecto parecido, ángulos poco habituales e imágenes abstractas, y no pueden conocer nombres internos como líneas de producto o campañas. Trata las etiquetas de IA como un punto de partida que las personas pueden corregir.

¿Cuál es la diferencia entre el auto-tagging y el etiquetado manual?

El etiquetado manual lo hace una persona, normalmente con los términos propios de la organización, y cubre lo que solo la organización sabe: nombres de producto, campañas, derechos. El auto-tagging lo hace un modelo con cada imagen y cubre lo que se puede ver. La mayoría de las bibliotecas usan ambos.

¿Funciona el auto-tagging con videos y documentos?

Depende del sistema. Muchos etiquetan solo imágenes. En un documento, el texto que contiene suele ser más útil para la búsqueda que las etiquetas. En un video, lo es una transcripción del discurso.