Rationalisation du catalogage des actifs numériques à l'aide de l'IA et des données de la chaîne d'approvisionnement des actifs numériques

Aperçu

Jusqu'à récemment, l'utilisation de l'IA dans la gestion des ressources numériques (DAM) se limitait à l'étiquetage automatique, à quelques cas d'utilisation spécialisés comme la reconnaissance faciale et à une certaine intégration avec l'IA générative pour modifier les images. Ces techniques sont toutes basées sur les pixels qui composent l'image et manquent donc de contexte. En effet, la plupart des modèles ont été entraînés sur des ensembles de données génériques ou orientés vers le consommateur, comme les bibliothèques d'images de stock. Par conséquent, de nombreux utilisateurs de DAM dans le monde réel trouvent que les résultats ne sont pas fiables et qu'ils ne sont pas utiles pour leur secteur d'activité ou leur niche, et ils demandent souvent aux fournisseurs de les désactiver.

‍

L'élément du processus DAM qui prend le plus de temps est le catalogage des actifs numériques avec des métadonnées descriptives. Il ne s'agit pas seulement d'étiqueter ou d'ajouter des mots-clés, mais aussi de mettre en place toutes sortes d'autres processus associés, tels que l'intégration en aval avec d'autres solutions, la gestion des droits et les analyses/rapports avancés sur les actifs. Si les métadonnées correctes ne sont pas en place, ces initiatives deviennent beaucoup plus difficiles, voire impossibles à mettre en œuvre avec succès.

‍

Le catalogage entièrement automatisé des métadonnées des actifs numériques reste le Saint-Graal du DAM et l'espoir (sinon l'attente) est que les outils d'IA tels que les LLM (Large Language Models) fourniront une solution qui en fera un jour une réalité. Malheureusement, cette analogie elle-même montre qu'il est peu probable que cet objectif soit un jour pleinement atteint. Cela dit, il existe clairement un potentiel de rationalisation de la tâche de catalogage des actifs et l'IA offre une gamme d'outils et de techniques qui pourraient s'avérer utiles. En outre, à condition que l'IA agisse en tant que conseiller (et que les utilisateurs finaux humains conservent la maîtrise du processus), les risques de générer de grandes quantités de métadonnées inutiles en industrialisant le processus de catalogage pourraient théoriquement être gérés.

Dans cet article, nous souhaitons explorer quelques techniques et tactiques potentielles que les utilisateurs et les fournisseurs de DAM peuvent utiliser pour rationaliser le catalogage des ressources numériques.

‍

Exploiter les atouts de l'IA

Tout d'abord, examinons les domaines dans lesquels la technologie actuelle de l'IA produit les résultats les plus probants. Il existe deux critères spécifiques, qui sont tous deux de bons prédicteurs de la réussite des solutions d'IA :

‍

• Les données traitées sont définies de manière plus explicite. À un niveau simpliste, il s'agit de texte plutôt que de matériel subjectif comme les images. Mais il peut également s'agir de données numériques comme des indices qui représentent des états ou des valeurs, par exemple un vocabulaire contrôlé.
• Le domaine du problème (ou contexte) est plus étroit et/ou a été défini avant que l'IA ne tente d'en tirer des conclusions. Par exemple, la reconnaissance faciale est généralement assez efficace, de même que les jeux aux règles claires comme les échecs, le go, etc.
• ‍

Malgré toute la sophistication et la complexité de ces outils, c'est là où les systèmes d'IA ont le moins à penser (ou du moins à donner l'illusion que c'est ce qui se passe) qu'ils réussissent le mieux. Ces deux faits offrent quelques indices sur la manière d'utiliser l'IA pour rationaliser le processus de catalogage des actifs numériques. 

‍

Entrer dans les chaînes d'approvisionnement en actifs numériques

Les étapes par lesquelles passe un bien numérique, de sa création à son catalogage, puis à sa distribution, constituent sa chaîne d'approvisionnement. Chacun de ces points génère des données. La majorité d'entre elles sont textuelles et il existe des étapes définies au cours desquelles les biens commencent à acquérir des métadonnées normalisées (c'est-à-dire des catégories ou des classifications).

‍

Les DAM modernes peuvent être comparés à des aéroports. Ce qui se passe dans les aéroports est remarquablement similaire à l'activité des DAM. Les passagers arrivent, sont contrôlés, dirigés et regroupés vers des destinations spécifiques desservies par des compagnies aériennes, où ils décollent ensuite dans des avions pour se rendre à destination. Chacune de ces étapes consiste à classer les passagers dans des groupes de plus en plus spécifiques afin de les acheminer vers les destinations souhaitées. 

‍

En termes de DAM, les passagers sont analogues aux actifs ; l'étape de vérification et de regroupement peut être comparée au flux de travail d'approbation et aux métadonnées ; les compagnies aériennes et les avions sont des connecteurs d'intégration et des API vers des plateformes telles que les WCM, les applications mobiles, les CRM, les médias sociaux, etc.

Bien avant que les passagers ou les marchandises n'arrivent à l'aéroport, il y a un important travail de préparation, de prise de décision et de planification afin de rationaliser le processus et de le rendre aussi efficace que possible. C'est le contexte ou la raison pour laquelle la décision de voyager a été prise en premier lieu - et c'est ce qui manque dans la plupart des tentatives précédentes d'utiliser avec succès l'IA dans la DAM.

‍

Utiliser les données dès le début de la chaîne d'approvisionnement des biens numériques

Le cycle de vie de tous les actifs numériques commence en fait bien avant qu'ils n'existent. Avant que les actifs ne soient créés, il y a généralement des courriels, des réunions et des discussions sur des plateformes telles que Slack, Teams, Zoom, etc. au sujet d'un projet spécifique, d'une initiative, du lancement d'un nouveau produit ou d'un service.

‍

 Chacun de ces éléments génère des données que les outils d'intelligence artificielle peuvent analyser. Dans le cas des réunions, il est désormais simple de les faire enregistrer et les logiciels de transcription de la parole en texte sont généralement assez fiables pour être utilisés en production. Les courriels sont évidemment déjà du texte et fournir à un agent d'IA une adresse électronique pour qu'il puisse assimiler des conversations est assez trivial à mettre en œuvre. 

‍

Comme on peut le voir, il est facile de donner à un outil d'IA tel qu'un LLM l'accès au contexte, aux discussions et à l'arrière-plan des décisions prises à l'origine pour commander la production de ressources numériques. Ainsi, il devient plus facile pour les LLM de commencer à faire des déductions et des prédictions sur les mots-clés qui seront utilisés à des fins de catalogage. Si cela est associé à une taxonomie d'entreprise, par exemple le type utilisé dans les solutions de gestion des données de référence (ou toute autre forme de vocabulaire contrôlé) sur les termes acceptables à des fins de catalogage, il est alors possible de voir comment les LLM pourraient commencer à être en mesure d'automatiser une partie du travail de catalogage. Le LLM propose des balises à partir des données source du texte, qui sont comparées à une liste de valeurs approuvées et la suggestion n'est acceptée qu'en cas de correspondance.

‍

Il s'agit d'un moyen remarquablement rapide et relativement facile d'utiliser une maîtrise en droit de la propriété intellectuelle combinée à une technologie d'intelligence artificielle de base, comme des outils de transcription, afin de se décharger d'une partie du travail de catalogage.

‍

Agents autonomes

L'un des domaines émergents de l'IA qui présente un intérêt direct et croissant pour le DAM est l'utilisation d'agents autonomes. Ces agents sont dotés de capacités avancées d'apprentissage automatique et de raisonnement et peuvent fonctionner de manière semi-indépendante au sein d'un système de DAM afin d'effectuer des tâches de routine et d'assurer une gouvernance proactive. 

‍

Si le DAM conserve une piste d'audit complète qui enregistre toutes les activités des utilisateurs, telles que les téléchargements, les modifications, les approbations et les événements de partage, il devient relativement simple pour un agent d'analyser les modèles de comportement, de détecter les anomalies, de faire des prédictions et de recommander des interventions axées sur la gouvernance. 

‍

Par exemple, un agent pourrait signaler les métadonnées manquantes ou incohérentes, avertir les administrateurs lorsque les actifs sont en retard de révision, ou déclencher automatiquement des flux de travail prédéfinis pour maintenir la conformité ou les normes de la marque. 

‍

En outre, lorsque ces agents ont accès à un ensemble plus large de données provenant de la chaîne d'approvisionnement des actifs numériques, y compris les notes de projet, les historiques d'approbation, les mesures d'utilisation du contenu et les calendriers de campagne, ils peuvent tirer des conclusions plus riches, apprendre à partir de modèles historiques et optimiser en permanence leur prise de décision et l'exécution de leurs tâches au fil du temps. Le DAM passe ainsi d'un référentiel passif à un système intelligent et adaptatif qui prend en charge la gestion du cycle de vie du contenu en temps réel.

‍

LLMs Raisonnement 

Les grands modèles de langage tels que le GPT-o3 d'OpenAI ou le Claude 4 d'Anthropic sont de plus en plus capables de raisonner de manière sophistiquée sur des données d'entreprise non structurées et semi-structurées. Cela ouvre une opportunité dans la chaîne d'approvisionnement des actifs numériques, avant même que les actifs n'existent (comme décrit précédemment).

‍

En intégrant ces modèles à la taxonomie structurée de l'entreprise, y compris les vocabulaires contrôlés, les organisations peuvent mettre en place un balisage de plus en plus contextuel qui relie les actifs à leur finalité plutôt que de simplement décrire leur contenu superficiel.

‍

Par exemple, au lieu d'étiqueter une image comme "femme sur la plage au coucher du soleil", un LLM informé par des données en amont pourrait l'étiqueter comme "images de style de vie du troisième trimestre 2025 pour le produit X, ciblant le public de bien-être de la génération Z, dans le cadre de la campagne de rafraîchissement de la marque pour l'été". Ces métadonnées approfondies pourraient accompagner l'actif tout au long de son cycle de vie, facilitant la recherche, la gestion des droits, l'analyse des performances et la réutilisation future.

Cette forme d'enrichissement sémantique (fondée sur l'intention humaine et le contexte commercial) peut être beaucoup plus significative que les métadonnées générées uniquement par des modèles d'IA basés sur les pixels. Le DAM n'est plus seulement une solution de stockage, mais une couche de narration intelligente qui comprend le "pourquoi" de chaque actif.

‍

La valeur des schémas de métadonnées et de la gestion avancée des métadonnées dans les DAM

Une tendance récente commune à certains fournisseurs de DAM moins éclairés a été d'essayer d'inciter les utilisateurs à simplifier à l'extrême les schémas de métadonnées et à s'appuyer davantage sur des données non structurées telles que des champs de texte. Le raisonnement sous-jacent est que les métadonnées complexes ne sont plus nécessaires car les outils d'intelligence artificielle se chargeront de tout le catalogage.

Pour que l'IA soit efficace, il faut investir encore plus de temps et d'efforts dans la conception des schémas de métadonnées. Il est de loin préférable que les entrées de métadonnées soient contrôlées plutôt que sous forme de texte libre. Comme indiqué précédemment, l'IA fonctionne mieux lorsqu'elle doit moins réfléchir, ce qui présuppose que les êtres humains doivent en faire davantage. 

‍

L'objectif est d'exploiter au maximum le "temps de réflexion" de l'être humain plutôt que de l'abrutir pour s'adapter à des choix technologiques mal mis en œuvre. Une stratégie de métadonnées soigneusement étudiée peut permettre une utilisation plus importante et plus efficace de l'IA, de sorte que les êtres humains aient à effectuer beaucoup moins de travail de catalogage manuel et à consacrer plus de temps à la stratégie plus large de l'organisation en matière de ressources numériques.

‍

Conclusion

Des métadonnées descriptives de haute qualité, à la fois littérales et spécifiques à un sujet, resteront essentielles pour le DAM d'entreprise. Les initiatives de gestion des actifs numériques avec des métadonnées de faible qualité sont presque toujours celles qui ont un mauvais retour sur investissement. Peu importe la quantité d'IA que vous ajoutez au mélange, si vous ne pouvez pas trouver un actif important - même avec des fonctions d'IA générative qui pourraient tenter de générer une alternative pour vous, alors l'adoption (et donc le ROI) en souffrira sans aucun doute.

‍

Cela dit, il existe clairement un potentiel pour que la technologie DAM exploite à la fois l'IA et les données qui sont déjà générées dans les chaînes d'approvisionnement des actifs numériques pour rationaliser progressivement le catalogage. Il est difficile de prédire à quoi tout cela ressemblera dans 10 (ou même 20) ans, mais même si les saints graals sont exceptionnellement difficiles à trouver, cela ne signifie pas qu'une recherche rentable et basée sur la science ne vaut pas la peine d'être poursuivie.

‍