Gagner du temps avec des vidéos personnalisées grâce à l’apprentissage automatique AWS

‍

28 janvier 2021

CLIPr aspire à aider à économiser un milliard d’heures de temps de personnes. Nous organisons la vidéo en une source de données de première classe et consultable qui débloque le contenu le plus pertinent pour vos intérêts grâce aux services d’apprentissage automatique (ML) AWS. CLIPr simplifie l’extraction d’informations dans les vidéos, vous faisant gagner des heures en éliminant la nécessité de les parcourir manuellement pour trouver les informations les plus pertinentes. CLIPr offre des outils simples compatibles avec l’IA pour trouver, interagir et partager du contenu à travers les vidéos, dévoilant ainsi votre trésor enfoui en convertissant des informations non structurées en données et analyses exploitables.

Comment CLIPr utilise les services AWS ML

Chez CLIPr, nous misons sur le meilleur de ce qu’AWS et la pile ML offrent pour ravir nos clients. Au cœur, CLIPr utilise les derniers principes de conception ML, serverless et infrastructure as code (IaC). AWS nous permet de consommer les ressources infonuagiques juste au moment où nous en avons besoin, et nous pouvons déployer un tout nouvel environnement client en quelques minutes avec un seul script. Le deuxième avantage est l’échelle. Le traitement vidéo nécessite une architecture capable de s’étendre verticalement et horizontalement en exécutant plusieurs tâches en parallèle.

En tant que startup en démarrage, le délai de mise sur le marché est crucial. Construire des modèles à partir de zéro pour des fonctionnalités clés de CLIPr comme l’extraction d’entités, l’extraction de sujets et la classification nous aurait pris beaucoup de temps à développer et à entraîner. Nous avons rapidement livré des capacités avancées en utilisant les services d’IA AWS pour nos applications et flux de travail. Nous avons utilisé Amazon Transcribe pour convertir l’audio en transcriptions consultables, Amazon Compren pour la classification et l’organisation des textes par sujets pertinents, Amazon Compren Medical pour extraire des ontologies médicales pour un client du secteur de la santé, et Amazon Rekognition pour détecter les noms, visages et types de réunions des gens pour notre premier MVP. Nous avons pu itérer assez rapidement et obtenir des gains rapides qui nous ont aidés à conclure notre ronde de pré-amorçage avec nos investisseurs.

Depuis, nous avons commencé à moderniser nos flux de travail et nos pipelines de données pour construire des modèles d’apprentissage automatique propriétaires en interne, en utilisant les données recueillies lors de notre processus de formation. Amazon SageMaker est devenu une partie essentielle de notre solution. C’est un tissu qui nous permet de fournir du ML dans un modèle serverless avec une mise à l’échelle illimitée. La facilité d’utilisation et la flexibilité d’utiliser n’importe quel cadre d’apprentissage automatique et d’apprentissage profond de choix ont été un facteur déterminant. Nous utilisons les carnets TensorFlow, Apache MXNet et SageMaker.

Parce que nous utilisions des frameworks open source, nous avons pu attirer et intégrer des data scientists familiers avec ces plateformes dans notre équipe et les faire évoluer rapidement de manière rentable. En seulement quelques mois, nous avons intégré nos algorithmes et flux de travail ML internes avec SageMaker pour améliorer l’engagement client.

Pour découvrir notre architecture des services AWS, les fonctionnalités avancées de CLIPr et plus encore, continuez à lire cet article sur AWS