Tagging automatique

On parle aussi d’auto-tagging, de tagging par IA ou d’étiquetage automatique. Dans un système de digital asset management (DAM), il s’exécute en général comme une étape de l’ingestion, à côté de la génération des aperçus et de la reconnaissance de texte.

Pourquoi c’est important

Le tagging manuel ne suit pas le volume. Chaque image demande que quelqu’un la regarde et saisisse une série de termes, et une photothèque qui reçoit des milliers d’images par mois exige beaucoup de temps rien que pour les décrire. En pratique, ce travail est fait en partie ou pas du tout, et les images sans tags ne se retrouvent qu’en parcourant les dossiers.

Le tagging automatique donne à chaque image une description de base dès son arrivée. Il ne remplace pas les champs que seule votre organisation peut remplir, mais il garantit qu’aucune image n’entre dans la photothèque sans rien sur quoi chercher.

Ce que produit un modèle de tagging par IA

Les modèles actuels, qui combinent reconnaissance d’image et modèle de langage, renvoient en général :

• Des tags : une liste de termes courts comme torchon, herbes, lin, flat lay, vert.
• Une légende : une ou deux phrases qui décrivent l’image.
• Le texte présent dans l’image : les mots imprimés sur des emballages, des affiches ou des panneaux, lus par OCR.
• Une classification : le type de média dont il s’agit (photo produit, photo lifestyle, logo, document), choisi dans une liste définie par l’organisation.

Les systèmes plus anciens ne renvoyaient qu’une liste d’étiquettes avec un score de confiance pour chacune. Les modèles qui renvoient des légendes et lisent le texte donnent beaucoup plus de matière à la recherche, parce que les gens cherchent souvent avec une expression ou un nom de produit plutôt qu’avec un seul mot désignant un objet.

Où le tagging automatique se trompe

• Il ne connaît pas votre vocabulaire. Un modèle voit un canapé. Il ne peut pas savoir que ce canapé s’appelle « Nordwik 3 places » dans votre catalogue, qu’il appartient à la campagne d’automne ou qu’il ne peut être utilisé qu’en Europe. Les noms de produits, les campagnes, les droits et le statut de validation restent un travail humain ou fondé sur des règles.
• Il reste générique. Des tags comme « intérieur » ou « objet » correspondent à trop d’images pour aider. Les bons systèmes demandent au modèle de les éviter.
• Il peut se tromper. Des produits qui se ressemblent, des angles inhabituels et des images abstraites produisent de mauvais tags. Les tags doivent être faciles à corriger.
• Sa langue peut différer de la vôtre. Beaucoup de modèles taguent en anglais par défaut. Dans une organisation multilingue, vérifiez comment le système gère la recherche dans les autres langues.
• Il évolue avec le temps. Un modèle plus récent tague la même image autrement. Retaguer toute une photothèque peut écraser des corrections faites par des personnes.

Comment un DAM doit le gérer

Quand vous évaluez un DAM, vérifiez ces points avec vos propres images :

1. Les tags sont générés à l’import sans aucune étape manuelle, pour chaque image, quelle que soit la façon dont elle entre dans la photothèque.
2. Les tags IA sont séparés des tags et des champs saisis par des personnes, pour que vous puissiez les distinguer et filtrer sur l’un ou l’autre.
3. Les personnes peuvent corriger ou supprimer les tags IA sur un média et en lot.
4. Les tags IA, les légendes et les textes lus dans les images sont tous recherchés par la recherche par mots-clés et par la recherche sémantique.
5. Vos propres champs, mots-clés et vocabulaires contrôlés ne sont jamais écrasés par la production de l’IA.
6. Vous pouvez voir quel modèle est utilisé et ce que coûte le tagging.

Le tagging automatique dans Freedam

Dans Freedam, chaque image, fichier EPS et PDF d’une seule page est analysé quand il est importé, récupéré depuis une source connectée ou envoyé par l’API. Une analyse renvoie 15 à 20 tags, une légende, le texte trouvé dans l’image et la classe de média. Les résultats apparaissent dans l’onglet IA du média, séparément des mots-clés et des champs de métadonnées que remplissent les personnes, que l’analyse ne modifie jamais. On les retrouve par mots-clés, par le sens, et avec les filtres Tags IA, Légende IA et Texte OCR. Les administrateurs choisissent le modèle d’IA et voient son coût dans la page Paramètres AI.

Détails : Tagging automatique dans la documentation Freedam.

Questions fréquentes

Quelle est la précision du tagging d’images par IA ?

Les modèles actuels décrivent de façon fiable les objets courants, les décors et les couleurs sur des photos nettes. Ils sont moins fiables sur des produits qui se ressemblent, des angles inhabituels et des images abstraites, et ils ne peuvent pas connaître des noms internes comme les gammes de produits ou les campagnes. Considérez les tags IA comme un point de départ que des personnes peuvent corriger.

Quelle est la différence entre auto-tagging et tagging manuel ?

Le tagging manuel est fait par une personne, en général avec les termes propres à l’organisation, et couvre ce que seule l’organisation sait : noms de produits, campagnes, droits. L’auto-tagging est fait par un modèle sur chaque image et couvre ce qui se voit. La plupart des photothèques utilisent les deux.

L’auto-tagging fonctionne-t-il sur les vidéos et les documents ?

Cela dépend du système. Beaucoup ne taguent que les images. Pour un document, le texte qu’il contient est en général plus utile à la recherche que des tags. Pour une vidéo, c’est la transcription de la parole.