Lue, miksi tavallinen automaattinen tagitus pettää. Näet myös, miten omilla tuotteilla opetettu tekoäly tekee tuotekuvien ja -videoiden mediapankista sellaisen, josta löydät etsimäsi.
Päivitetty viimeksi syyskuussa 2026
Useimmat DAM-järjestelmät ja pilvipalvelujen kuvatyökalut mainostavat ”tekoälytagitusta”. Todellisuudessa ne tarjoavat yleiskäyttöisen konenäkömallin. Yleensä se on vain ohut kuori jonkun muun kuvantunnistusrajapinnan päällä, kuten Google Visionin, AWS Rekognitionin tai avoimen lähdekoodin CLIP-mallin. Nämä mallit on opetettu miljardeilla avoimen internetin kuvilla. Ne tunnistavat yleisiä asioita: auto, ranta, nainen, kannettava tietokone, pizza.
Omien kuvien järjestämiseen se kelpaa. Yritykselle se on lähes hyödytön.
Tavallinen automaattinen tagitus ei ole myöskään uutta. Tekniikka on noin 15 vuotta vanhaa. Ilmestyessään se oli aito läpimurto: 2010-luvun alussa kone, joka osasi katsoa kuvaa ja sanoa ”tämä on koira”, oli iso askel eteenpäin. Viimeisen kymmenen vuoden aikana tulokset eivät ole juuri parantuneet. Kasvanut on sen sijaan niiden toimittajien määrä, jotka lisäävät sen tuotteeseensa pelkäksi rastiksi vertailutaulukkoon. Sitä markkinoidaan usein yhä ”tekoälypohjaisena” kuin se olisi uutuus. Uutuus se ei ole. Yritykselle, jonka tiimi hakee kuvia tarkoilla tuotenimillä, se ei ole koskaan toiminutkaan.
Vaatebrändi etsii kuvaa: ”Aurora Shell -takki, Storm Blue, SS26-lookbook”. Tavallisten tunnisteiden avulla kuvaa ei löydy koskaan. Tavallinen tekoäly antoi sille tunnisteet takki, ulkoilu, sininen, henkilö, vuori. Ne ovat teknisesti oikein mutta täysin hyödyttömiä, koska mediapankin jokaisella muulla takilla on samat tunnisteet. Et tarvitse jotain sinistä takkia. Tarvitset juuri sen sinisen takin. Tavallinen tekoäly ei erota niitä toisistaan.
Ongelma pahenee, kun mediapankki kasvaa. Pienen, 500 kuvan mediapankin selaat vielä käsin. Kun kuvia on 50 000 ja tunnisteet ovat tavallisia, tilanne on huonompi kuin ilman tunnisteita lainkaan. Tunnisteet antavat harhaanjohtavan kuvan siitä, että kaikki löytyy, ja se tuhlaa kaikkien aikaa.
Tavallinen tekoäly ei pääse yksityiskohdissa tiettyä tasoa pidemmälle. Se tuntee koiran mutta ei aussiedoodlea. Se tuntee tuolin mutta ei Herman Miller Aeronia. Se tuntee murot mutta ei sitä yhtä kauramurojenne SKU:ta uudessa joulupakkauksessa. Lähes jokaisen yrityksen tuotevalikoima on yksityiskohtaisempi kuin mitä julkinen konenäkömalli tuntee. Raja tulee vastaan jo ensimmäisenä päivänä.
Tavallinen tekoäly on myös epäjohdonmukainen samankaltaisissa kuvissa. Sama tuote eri kulmista kuvattuna voi saada osin päällekkäisiä mutta eri tunnisteita: yhdessä kuvassa paita, seuraavassa toppi, kolmannessa pusero. Mikään niistä ei ole väärin. Silti haku sanalla ”paita” löytää vain kolmanneksen kuvista, jotka sen pitäisi löytää.
Kun tavallinen tekoäly ei toimi, tiimit luovuttavat ja tagittavat käsin. Suunnittelija, markkinoija tai harjoittelija istuu taulukon ääressä ja kirjoittaa oikean tunnisteen jokaiseen kuvaan. Jos tuotekatalogissa on 5 000 SKU:ta ja jokaisesta 20 kuvaa, tagituspäätöksiä on 100 000. Vaikka yhteen kuvaan menisi vain minuutti, siihen kuluu yhdeltä ihmiseltä kokonainen työvuosi. Kukaan ei oikeasti tee sitä. Sen sijaan tagitus loppuu, mediapankki rapistuu ja hakeminen tarkoittaa enää: ”Kysy Sannalta, hän otti kuvat.”
Räätälöity tekoälytunnistus on kokonaan eri tuoteluokka. Kuvia ei ajeta valmiiksi opetetun yleismallin läpi. Sen sijaan malli opetetaan tunnistamaan juuri sinun tuotteesi, ja esimerkkeinä käytetään omia kuviasi omasta tuotekatalogistasi. Tekoäly oppii, miltä kukin tuotteesi näyttää, ja merkitsee oikealla tunnisteella jokaisen uuden tiedoston, jonka lataat mediapankkiin.
Tärkein käyttökohde ovat tuotteet. Vaatebrändillä tekoäly oppii tunnistamaan koko tuotekatalogin. Kalustevuokraamolla se oppii tunnistamaan jokaisen vuokrattavan kalusteen. Laitevalmistajalla se oppii tunnistamaan jokaisen SKU:n, myös toistensa näköiset variantit. Siitä eteenpäin jokainen mediapankkiin tuleva uusi kuva saa tunnisteekseen oikean tuotenimen – ei yleisiä synonyymejä.
Käytännössä räätälöity tekoälytunnistus keskittyy tuotteisiin, mutta sama tapa toimii muuallakin. Yliopiston malli voi oppia tunnistamaan tietyt kampusrakennukset, tapahtumayrityksen malli tietyt tapahtumapaikat ja urheiluseuran malli omat stadionit tai muut tilat. Hyvä kohde on mikä tahansa, mikä näyttää aina samalta ja minkä tiimisi pitää löytää nimellä. Tämä opas keskittyy enimmäkseen tuotteisiin, koska niissä on suurin hyöty. Pidä silti mielessä, että sama toimii laajemminkin.
Räätälöity tekoälytunnistus ei tarkoita, että lisäät käsin uusia tunnistevaihtoehtoja pudotusvalikkoon. Se on metatietojen hallintaa. Sitä on jokaisessa DAM-järjestelmässä, ja tagituksen tekee silti ihminen.
Se ei myöskään ole avainsanoihin perustuvaa automaattista tagitusta, jossa järjestelmä lukee tiedostonimet tai kuvaukset ja kopioi niistä tekstiä tunnistekenttiin. Se toimii, kun tiedostonimet ovat siistejä. Kun ne eivät ole, se pettää – ja niin käy useimmiten.
Räätälöity tekoälytunnistus on sen sijaan malli, joka katsoo, mitä uudessa kuvassa tai videossa on, ja löytää siitä oikean tuotteen. Itse tagitukseen ei tarvita ihmistä.
Tärkeä huomio: räätälöity tekoälytunnistus ei ole yksi ongelma vaan joukko ongelmia, joiden vaikeus vaihtelee paljon. Kaksi selvästi erilaista tuolia on helppo erottaa. Kaksi lähes samanlaista pöytää voi olla todella vaikea erottaa. Elektroniikkalaitteissa on usein luettavaa tekstiä itse tuotteessa, kuten mallinumeroita, logoja ja tarroja. Hyvin rakennettu tunnistusjärjestelmä osaa hyödyntää niitä. Muotituotteissa mallin on tunnistettava pinnan rakenne ja siluetti. Vuokravälineissä on usein sarjanumeroita ja valmistajan merkintöjä, jotka auttavat.
Vakavasti otettava räätälöity tekoälytunnistus käyttää eri ongelmiin eri keinoja. Eri tapauksiin on eri tekoälymallit, ja jos tuotteessa itsessään on sen yksilöivää tekstiä, mukaan tulee tekstintunnistus (OCR). Jos alusta käyttää jokaisen asiakkaan tuotekatalogiin samaa menetelmää, tulokset jäävät heikoiksi, kun menetelmä ei sovi tuotteisiin.
Voit arvioida toimittajaa, vaikket ymmärtäisi tekniikkaa. Kysy mahdolliselta alustalta: ”Miten tunnistatte meidän tuoteryhmämme tuotteet?” Hyvä toimittaja osaa selittää, miksi muotituotteet tunnistetaan eri tavalla kuin elektroniikka. Silloin taustalla on oikeaa insinöörityötä. Jos vastaus on ”tekoälymme tekee kaiken samalla tavalla”, sitä tuskin on.
Asiakaskohtaisen konenäkömallin opettaminen ja ylläpito on kallista. Se vaatii infrastruktuuria ja koneoppimisinsinöörejä. Lisäksi tuotetiimin on oltava valmis rakentamaan ominaisuus, jota moni pienempi asiakas ei käytä. Useimmat DAM-järjestelmät valitsivat helpomman tien: ne kytkivät mukaan valmiin kuvantunnistusrajapinnan, antoivat sille nimen ”tekoälytagitus” ja julkaisivat sen. Usein sitä esitellään yhä lippulaivaominaisuutena, vaikka tekniikka on 15 vuotta vanhaa.
Asiakaskohtaisesti opetettuja konenäkömalleja on olemassa DAM-maailman ulkopuolellakin. Esimerkiksi pilvipalvelut AWS, Google ja Azure tarjoavat kaikki räätälöitäviä konenäköpalveluja. Ne ovat kuitenkin kehittäjätyökaluja, joiden käyttöönotto, ylläpito ja pyörittäminen vaativat oman kehitystiimin. Ne eivät ole sama asia kuin DAM-järjestelmään rakennettu räätälöity tekoälymalli. Sitä voi käyttää suoraan se tiimi, joka mediapankin oikeasti omistaa: markkinointi, operatiivinen tiimi tai tapahtumatiimi.
Tietääksemme Tagbox.io on tällä hetkellä ainoa DAM-järjestelmä, jossa räätälöity tekoälytunnistus on valmis ominaisuus. Tiimisi käyttää sitä suoraan – kehittäjärajapintaa ei tarvitse kytkeä omin voimin.
Prosessi on yksinkertaisempi kuin moni odottaa. Siinä on neljä vaihetta.
Ensimmäinen vaihe on pelkkä lista asioista, jotka tekoälyn pitää tunnistaa. Useimmille brändeille se on tuotekatalogi: jokainen SKU, tuotesarja, variantti tai malli, jonka haluat löytää haulla. Yliopistolle lista voi olla kampuksen rakennukset, tapahtumayritykselle tapahtumapaikat.
Tuotteille voit mennä pidemmälle ja lisätä rakennetta, kuten värivariantin, sesongin, kuvatyypin tai kampanjan. Pohjimmiltaan lista sanoo vain tämän: nämä asiat tekoälyn pitää tunnistaa.
Jokaisesta listan kohteesta annat esimerkkikuvia. Nykyjärjestelmissä tyypillinen määrä on 25–50 kuvaa kohdetta kohden. Vaikeissa tapauksissa, joissa tuote muistuttaa paljon jotakin toista katalogin tuotetta, kuvia voidaan tarvita jopa 100. Tekniikka kehittyy nopeasti: seuraavan sukupolven mallit laskevat tyypillisen määrän useimmissa tunnisteissa jopa viiteen esimerkkiin.
Jos tunniste on väljempi tai visuaalisesti vaihtelevampi, kuten ”tunnelmakuva” tai ”packshot”, käytä haarukan yläpäätä. Näin malli näkee tarpeeksi erilaisia kuvia ja oppii yleistämään.
Esimerkkikuvien kokoaminen on ainoa varsinainen käsin tehtävä vaihe. Se on kertaluonteinen työ, johon useimmilta tiimeiltä menee noin päivä aikaa – murto-osa siitä, mitä koko vanhan mediapankin tagittaminen käsin vaatisi.
Alusta kouluttaa esimerkkiesi pohjalta räätälöidyn mallin. Yleensä sen tekee alustan oma tiimi osana käyttöönottoa, ei asiakas itse. Koko projekti tuotelistasta koulutuksen ja testauksen kautta käytössä olevaan malliin kestää tavallisesti kahdesta neljään viikkoa. Aikatauluun vaikuttavat kohteiden määrä ja se, kuinka siistiä alkuperäinen opetusaineisto on.
Useimmissa vakavasti otettavissa projekteissa tämä ei ole itsepalvelua. Hyvin toimiva räätälöity malli vaatii yhteistyötä: sovitaan, mitä otetaan mukaan, käydään läpi ensimmäisen mallin tulokset, korjataan kohdat, joissa tagitus onnistuu huonosti, ja tarkistetaan tarkkuus kuvilla, joita ei käytetty koulutuksessa. Jos alusta lupaa räätälöidyn mallin toimivan viisi minuuttia kuvien lähettämisen jälkeen, se lupaa liikoja.
Kun malli on käytössä, se käy automaattisesti läpi jokaisen mediapankkiin ladatun uuden kuvan ja lisää siihen sopivat tunnisteet. Malli käy läpi myös nykyisen mediapankin ja tagittaa vanhan aineiston. Panostus hyödyttää siis kaikkea, mitä sinulla jo on, ei vain uusia kuvia.
Siitä eteenpäin kuvaaja lataa erän tuotekuvia mediapankkiin, ja sekunneissa jokaisessa kuvassa on tunnisteet oikeasta tuotteesta, värivariantista, sesongista ja kuvatyypistä – ilman käsityötä. Kun vähittäiskaupan markkinoija hakee ”Aurora Shell Storm Blue packshot”, hän saa juuri ne kuvat eikä 200 satunnaista kuvaa sinisistä takeista.
Tuotekatalogit muuttuvat: uusia tuotteita julkaistaan, uusia kampanjoita käynnistyy ja uudet SKU:t korvaavat vanhoja. Räätälöidyssä tekoälytunnistuksessa mallia voidaan kouluttaa lisää pala kerrallaan, ja siihen voi lisätä uusia tunnisteita. Kun esimerkiksi uudesta SS27-mallistosta lisätään pieni erä kuvia ja malli koulutetaan uudelleen, se oppii uudet tuotteet koskematta muuhun katalogiin.
Kyllä. Koulutuksen ei tarvitse tapahtua englanniksi. Suomalaisen kauppaketjun räätälöity tekoäly voi oppia suomenkieliset tuotenimet ja tuoteryhmien nimet, ja myös tunnisteet tulevat suomeksi. Tämä on isompi asia kuin voisi luulla. Jos kansainvälisen tiimin luokittelu on pakko tehdä englanniksi, mediapankin ja sen käyttäjien väliin jää pysyvä käännöskerros.
Kuvia voi silmäillä. Jos on aivan pakko, avaat kansion, jossa on 500 tuotekuvaa, ja löydät silmäilemällä oikean muutamassa minuutissa. Se on tuskallista, mutta mahdollista.
Video on eri asia. Videota ei voi silmäillä. Tapahtumatallenteessa, joka kestää 60 minuuttia, asiakkaasi tuote voi näkyä vain kahden sekunnin ajan. Lanseerausvideossa tietty SKU voi vilahtaa 38. minuutilla. Pääpuheenvuorossa kuva voi vaihtua brändättyyn diaan 22 minuutin kohdalla. Ilman hakua ainoa keino tietää on katsoa koko video. Kun videoita on satoja tai tuhansia, koko mediapankista tulee käyttökelvoton – ei vaikeakäyttöinen vaan käyttökelvoton.
Juuri tässä räätälöidyn tekoälytunnistuksen hyöty on suurin. Kun malli käy läpi myös videot, löydät haulla jokaisen kohdan, jossa tuote näkyy missä tahansa videossa. Sinun ei tarvitse kelata tuntikausia videota ja toivoa osuvasi oikeaan hetkeen. Hae tuotteen nimellä, niin tuloksissa näkyvät kaikki leikkeet, joissa tuote esiintyy, aikaleimoineen.
Tuotevetoisille brändeille tämä on nykyään perusedellytys. Somesisältö tehdään ensisijaisesti videona. Tuote-esittelyt ja unboxingit ovat videota. Markkinoinnin reelsit, TikTok-sisältö, YouTube Shorts, lanseeraustallenteet ja asiakkaiden suosittelut – kaikki on videota. Jos tagitusalusta käsittelee vain valokuvia, suuri ja kasvava osa mediapankistasi jää näkymättömiin.
Tapahtumayrityksille, vuokrausyrityksille ja kaikille pitkää videosisältöä tuottaville video on vielä tärkeämpi. Jos löydät neljän tunnin tapahtumatallenteesta kohdan ”90 sekunnin otos uudesta loungekalustuksestamme Turun brändiaktivoinnista”, voit käyttää materiaalin uudelleen. Jos et löydä, kaikki on kuvattava alusta asti uudelleen.
Pähkinänkuoressa: jos räätälöity tekoälytunnistuksesi toimii vain kuvissa, olet ratkaissut ongelmasta helpomman puoliskon ja jättänyt vaikeamman koskematta.
Käyttökohteita on paljon muitakin kuin verkkokaupan tuotteiden automaattinen tagitus. Tässä ovat työnkulut, joissa räätälöity tekoälytunnistus muuttaa sitä, miten tiimit oikeasti tekevät työtään.
Tämä on käyttökohteista tyypillisin. Brändillä on tuhansia SKU:ita, ja valokuvaaja kuvaa joka viikko. Mediapankki kasvaa räjähdysmäisesti: packshotit, tunnelmakuvat, kampanjakuvat, somesisältö, käyttäjien tuottama sisältö ja videoiden pysäytyskuvat. Ilman räätälöityä tunnistusta jokainen uusi kuva tai video katoaa käytännössä näkyvistä heti, kun se tulee mediapankkiin.
Räätälöidyllä tunnistuksella jokainen kuva saa automaattisesti tunnisteikseen oikean tuotenimen, värivariantin, sesongin ja kuvatyypin. Markkinointitiimi hakee kampanjaa rakentaessaan sekunneissa ”kaikki Storm Blue -tunnelmakuvat SS26-mallistosta”. Sometiimi löytää ”kaikki Aurora-malliston yksityiskohtakuvat” kysymättä keneltäkään. Tuotesivuista vastaavat tiimit (PDP) löytävät lanseerauksiin pääkuvat SKU:n perusteella.
Lisähyöty: mediapankki pysyy järjestyksessä, vaikka se kasvaa. Kun brändi kaksinkertaistaa valikoimansa, sisältötiimiä ei tarvitse kaksinkertaistaa.
Sopii erityisesti: muoti- ja vaatealalle | jalkinealalle | kauneus- ja ihonhoitoalalle | kodintarvikealalle | huonekalualalle | asustealalle | monen brändin kauppapaikoille
Tapahtumavuokraamon menestys ratkeaa tarjouksissa. Asiakas pyytää: ”Jotain samanlaista kuin se lounge, jonka teitte viime vuonna Turun brändiaktivointiin, mutta messinkisillä sivupöydillä.” Myynnin on löydettävä referenssikuvat nopeasti. Ilman räätälöityä tunnistusta edessä on kansioiden kaivelua tuhansien tapahtumakuvien joukosta.
Tämän korjaa räätälöity tekoälytunnistus, joka on opetettu tuntemaan jokaisen vuokrattavan kalusteen: tietyt sohvat, baaritiskit, lavarakenteet, loungekalusteet, sivupöydät ja niin edelleen. Uudet tapahtumakuvat saavat automaattisesti tunnisteet niissä näkyvistä tuotteista. Myynti löytää referenssikuvat sekunneissa. Suunnittelutiimit kokoavat tunnelmatauluja oikeista menneistä tapahtumista. Markkinointi saa jatkuvasti kasvavan referenssikirjaston, joka on järjestetty tuotteen eikä tapahtuman mukaan.
Esimerkki oikeasta asiakkaasta: Blueprint Studios on sanfranciscolainen tapahtumatuotanto- ja vuokrausyritys. Se pitää tapahtumakalusteensa ja -somisteensa järjestyksessä tuhansissa tapahtumakuvissa räätälöidyn tekoälytunnistuksen avulla. Tiimin omat tunnisteet, kuten tietyt loungekalusteet, baarityylit ja tuoteperheet, lisätään automaattisesti aina, kun mediapankkiin tulee uusia tapahtumakuvia. Myynti- ja suunnittelutiimit löytävät referenssikuvat uusiin tarjouksiin sekunneissa, eikä kansioita tarvitse enää penkoa.
Sopii erityisesti: tapahtumakalusteiden ja -somisteiden vuokraamoille | hää- ja juhlavuokraamoille | teltta- ja lavarakentajille | yritystapahtumien tuotantoyhtiöille | tapahtumapaikkojen somistajille ja suunnittelijoille
Tähän kuuluvat tuotekatalogit, joissa osanumero ratkaisee: piirilevyjen asettelut, komponentit, kokoonpanoversiot, teollisuuskoneet, laboratoriolaitteet ja auton osat. Kuvattavat tuotteet näyttävät lähes samoilta, kuten rivi identtisen näköisiä palvelimia tai saman piirilevyn kymmenen versiota. Tavallinen tekoäly ei pysty erottamaan niitä toisistaan.
Näissä tapauksissa myös tuotteeseen painettu teksti on tärkeimmillään. Mallinumero, sarjanumero tai tuotemerkin tarra on usein selkein ero tuotteiden välillä. Räätälöity tekoälytunnistus, joka käyttää OCR:ää kuvantunnistuksen rinnalla, merkitsee nämä tuotteet paljon tarkemmin kuin järjestelmä, joka katsoo vain esineen muotoa.
Hyöty on todellinen. Insinöörit ja tuotetiimit löytävät oikean referenssikuvan SKU:n tai osanumeron perusteella. Tekniseen dokumentaatioon päätyy automaattisesti oikean version kuva. Markkinointi ei vahingossa julkaise datalehteä, jossa on väärän mallin kuva.
Sopii erityisesti: elektroniikkavalmistajille | teollisuuslaitteiden valmistajille | auton osien toimittajille | laboratorio- ja tiedeinstrumenttien valmistajille | puolijohde- ja komponenttivalmistajille
Tapahtumissa räätälöidystä tekoälytunnistuksesta on hyötyä kahdella tavalla. Ensimmäinen on yhteistyökumppanien logontunnistus. Konferenssi, jolla on 20 yhteistyökumppania, tuottaa tuhansia kuvia. Jokainen kumppani haluaa 48 tunnin kuluessa tapahtumasta oman kuvavalikoiman, jossa sen brändi näkyy. Räätälöity tekoäly, joka on opetettu tunnistamaan kunkin kumppanin logo, osaston ilme tai tunnus, kokoaa kumppanikohtaiset kuvasarjat automaattisesti kaikkien tapahtumakuvien joukosta. Ennen lajitteluun meni kolme päivää käsityötä. Nyt lajittelu hoituu automaattisesti.
Toinen hyöty koskee toistuvia elementtejä. Tietyt lavarakenteet, opastepohjat ja brändiaktivointien kokonaisuudet saavat samat tunnisteet jokaisessa yrityksen järjestämässä tapahtumassa. Näin syntyy arkisto, josta löydät kaiken aiemmin rakennetun.
Urheilutapahtumiin tämä sopii erityisen hyvin. Lähetys- ja sponsorioikeuksien takia pitää tietää tarkalleen, milloin ja missä tietyt kumppanien logot näkyvät videon jokaisella minuutilla. Räätälöity tekoäly, etenkin videolla, tuo tämän tiedon esiin automaattisesti.
Sopii erityisesti: monen yhteistyökumppanin konferensseihin | vahvasti brändättyihin urheilutapahtumiin | messuille | osastoaktivointeja sisältäviin yritystapahtumiin | palkintogaaloihin
Ruokabrändeillä on sama ongelma kuin muodissa: tavallinen tekoäly jää liian yleiselle tasolle. Se merkitsee kaiken tunnisteella ruoka, kulho tai lautanen, eikä siitä ole mitään hyötyä. Kun tekoäly opetetaan tunnistamaan oikeat SKU:t, tuotelinjat, pakkausversiot ja reseptityylit, löydät etsimäsi koko mediapankista.
Lisäksi ruokabrändeillä on usein kampanjakohtaisia aineistoja: joulusesongin pakkauksia, rajoitetun erän makuja ja alueellisia versioita. Räätälöidyn tunnistuksen ansiosta löydät ne vielä pitkään kampanjan päätyttyä. Kun kampanja herätetään henkiin, kaksi vuotta vanha kuvaus löytyy yhä.
Sopii erityisesti: pakattujen elintarvikkeiden ja välipalojen valmistajille | monen tuotelinjan juomabrändeille | ravintolaketjuille | ateriakassipalveluille ja suoraan kuluttajille myyville ruokabrändeille | kauneus- ja hygieniatuotteiden päivittäistavarabrändeille
Mainostoimistot kuvaavat asiakkaidensa puolesta. Mediapankki on järjestetty asiakkaittain, mutta kunkin asiakkaan sisällä tarvitaan sama tuotetason yksityiskohtaisuus. Kun tekoäly opetetaan erikseen jokaiselle asiakkaalle, toimiston yhteisestä mediapankista tulee asiakaskohtainen aineisto, josta löydät etsimäsi.
Lisäksi aineistot voi merkitä käyttöoikeuksien, hyväksynnän tai käyttötarkoituksen mukaan, esimerkiksi hyväksytty someen, viestinnän hyväksymä tai juridisesti tarkistettu. Kun merkintä riippuu kuvan sisällöstä, kuten tietystä henkilöstä tai tavaramerkistä, räätälöity tekoäly voi lisätä sen automaattisesti. Käyttöoikeuksien hallinta ei ole enää käsityötä.
Sopii erityisesti: mainostoimistoille | tuotantoyhtiöille | useiden asiakkaiden mediapankkeja hallinnoiville sisältötoimistoille
Useimmille brändeille, joilla on yli 10 000 kuvaa, räätälöity tekoälytunnistus on ainoa taloudellisesti järkevä vaihtoehto. Tagitus käsin ei pysy kasvun perässä. Tavallista tekoälyä myydään yhä kärkiominaisuutena, vaikka sen läpimurrosta on kulunut viisitoista vuotta. Sen tunnisteet eivät ole edes viemänsä levytilan arvoisia. Räätälöity tekoäly on ainoa tie, jolla tunnistus on niin yksityiskohtaista kuin liiketoimintasi vaatii – olipa mediapankkisi kuinka suuri tahansa.
Räätälöidyn mallin ei tarvitse jäädä DAM-järjestelmän sisälle. Samaa mallia voi käyttää myös API:n kautta. Näin tuotekatalogillesi muutamassa viikossa rakennettu tunnistus voi hoitaa haun ja järjestämisen kaikilla alustoilla, joita tiimisi jo käyttää.
Käytännössä tämä toimii esimerkiksi näin:
DAM-järjestelmän mediapankista tulee luotettava päälähde. Sen pohjalta koulutetusta mallista tulee voimavara, joka toimii kaikissa työkaluissasi. Siksi kannattaa valita DAM-järjestelmä, jossa on räätälöity tekoälytunnistus ja API. Se on parempi valinta kuin suljettu DAM-ominaisuus tai pelkkä kehittäjille tarkoitettu API. Saat sekä valmiin käyttöliittymän että mallin käyttöön kaikilla alustoilla.
Kaikki räätälöitynä markkinoitu ”tekoälytagitus” ei ole oikeasti räätälöityä. Alla olevat kysymykset auttavat näkemään, mitä palvelulta kannattaa vaatia ja mistä kannattaa olla tarkkana.
Onko kyse DAM-ominaisuudesta vai kehittäjätyökalusta?
AWS, Google ja Azure tarjoavat kaikki räätälöitäviä kuvantunnistusrajapintoja. Ne ovat tehokkaita, mutta ne eivät ole kuvienhallinta-alustoja. Integrointi, ylläpito ja markkinointitiimin käyttöliittymän rakentaminen jäävät sinun tai kehitystiimisi harteille. Useimmille brändeille oikea valinta on DAM-järjestelmään rakennettu räätälöity tekoälytunnistus – ei kehittäjätyökalu, joka esittää DAM-järjestelmää.
Onko malli oikeasti koulutettu sinun aineistollasi, vai onko se kaikille yhteinen malli, jossa on avainsanasuodatin?
Aito räätälöity malli oppii tuotteidesi visuaaliset tuntomerkit. Avainsanasuodatin vain piilottaa tunnisteet, jotka eivät ole listallasi – se voi toimia vain termeillä, jotka tavallinen malli jo tunnistaa.
Miten toimittaja hoitaa juuri teidän tuoteryhmänne?
Kysy suoraan: miten hoidatte tagituksen meidän kaltaisillemme tuotteille? Hyvä toimittaja osaa selittää, miksi muodin tagitus eroaa teollisuusosien tagituksesta. Se osaa myös kertoa, miten järjestelmä hyödyntää elektroniikassa tuotteeseen painettua tekstiä. Silloin taustalla on oikeaa insinöörityötä. Jos vastaus on ”tekoälymme käsittelee kaiken samalla tavalla”, sitä ei ole.
Montako opetusesimerkkiä tarvitaan tuotetta kohden?
Nykytekniikan kärkeä ovat järjestelmät, jotka toimivat 25–50 esimerkillä tuotetta kohden. Jos järjestelmä vaatii tuhansia esimerkkejä, se sälyttää kustannukset sinulle.
Voiko mallia kouluttaa lisää tai täydentää uusilla tuotteilla vähitellen?
Tuotekatalogisi muuttuu. Jos jokainen uusi tuote vaatii mallin kouluttamisen alusta asti, järjestelmä ei pysy kasvun perässä.
Kuinka kauan käyttöönotto kestää?
Realistisesti kahdesta neljään viikkoa, kun räätälöity tekoäly toteutetaan kunnolla. Jos se kestää paljon pidempään, toimittaja tekee konsulttityötä, joka sen olisi pitänyt jo tuotteistaa. Jos se kestää paljon vähemmän, toimittaja lupaa liikoja.
Millaista tarkkuutta voin odottaa?
Hyvin koulutettujen mallien tarkkuus on tyypillisesti yli 90 %. Todellinen luku riippuu siitä, kuinka selvästi kohteet eroavat toisistaan, sekä opetusaineiston ja tunnistettavien kuvien laadusta.
Toimiiko se kuvien lisäksi myös videoissa?
Useimmille tuotevetoisille yrityksille tämä ratkaisee nykyään koko valinnan. Jos tagitusjärjestelmä käsittelee vain valokuvia, suuri ja kasvava osa mediapankista jää näkymättömiin.
Mitä kieliä se tukee?
Englanninkielisillä tunnisteilla koulutettu räätälöity tekoäly hyödyttää vain, jos tiimisi työskentelee englanniksi. Monikielinen brändi tarvitsee alustan, jonka haku toimii kielestä toiseen. Silloin jokainen tiimi löytää tunnisteet omalla kielellään.
Onko alustassa API?
Jos haluat, että sama koulutettu malli hoitaa haun myös verkkokaupan taustajärjestelmässä, PIM-järjestelmässä, markkinoinnin automaatiossa tai sisäisissä työkaluissa, API-pääsy on välttämätön. Ilman sitä mallin arvo jää yhden alustan sisälle.
Entä jos tekoäly tekee virheen?
Tarkista kaksi asiaa. Ensinnäkin useimmissa alustoissa voit korjata tunnisteet käyttöliittymässä. Korjauksista tulee opetusaineistoa, kun malli seuraavan kerran koulutetaan uudelleen. Toiseksi tunniste pitäisi lisätä vain, kun mallin varmuus ylittää asetetun kynnyksen. Näin epävarmat arvaukset eivät koskaan päädy tunnisteiksi huomaamatta.
Entä tietosuoja?
Luotettavat alustat kouluttavat mallit kunkin asiakkaan aineistolla erikseen: esimerkkikuviasi ja niistä syntyvää mallia ei käytetä muiden asiakkaiden mallien parantamiseen.
Entä jos minulla ei vielä ole tunnisteilla merkittyjä esimerkkejä?
Useimmat alustat auttavat tuottamaan ne. Tavallisia lähtökohtia on kolme: vie verkkokaupan taustajärjestelmästä (Shopify, Magento tai oma PIM) valmiiksi luokitellut tuotekuvat, käytä viimeisimmän kuvauksen toimitustaulukkoa tai kysy valokuvaajalta, miten hän järjesti tiedostot.
Räätälöity tekoälytunnistus ei ole pieni tuottavuusparannus. Se ratkaisee, tuleeko mediapankista kasvaessaan arvokkaampi vai rapistuuko se kasvaessaan.
Brändi, jonka kuvat saavat oikeat tunnisteet ensimmäisestä päivästä alkaen, löytää vielä kuuden vuoden päästä oikean SKU:n, värivariantin ja tunnelmakuvan. Mediapankista tulee todellinen voimavara: indeksoitu arkisto brändin visuaalisesta historiasta. Markkinointi, some, myynti, viestintä ja asiakaspalvelu löytävät siitä tarvitsemansa sekunneissa. Koska sama malli lisää tunnisteet myös videoihin ja toimii API:n kautta kaikissa työkaluissa, voimavara on käytössä kaikkialla, missä tiimi työskentelee.
Brändi, joka ei lisää tunnisteita – tai lisää vain tavallisen tekoälyn yleisiä tunnisteita – päätyy samaan tilanteeseen kuin useimmat tiimit: kiintolevy on täynnä kuvia, organisaation muisti on yhden ihmisen päässä, ja joka viikko kuvataan uudelleen sisältöä, joka on jo olemassa mutta jota ei löydä.
Taustalla oleva tekniikka on ollut olemassa jo vuosia. Se ei ole yleistynyt, koska lähes mikään alusta ei ole tehnyt siitä toimivaa pienemmille toimijoille. Käytännössä se on vaatinut suuryrityksen mittakaavan ja oman kehitystiimin. Tämä on nyt muuttumassa. Tuotevetoisille yrityksille – vähittäiskaupalle, vuokraamoille, laitevalmistajille, tapahtuma-alalle, ruoka-alalle ja niitä palveleville mainostoimistoille – räätälöity tekoälytunnistus on siirtymässä suuryritysten ylellisyydestä käytännön välttämättömyydeksi.
Osa Tagbox.io:n opassarjaa mediapankin hallinnasta.
Aiheeseen liittyvät oppaat: DAM-järjestelmien vertailu · Parhaat DAM-järjestelmät verkkokaupalle · Parhaat DAM-järjestelmät videon sisällön analysointiin · Parhaat edulliset DAM-järjestelmät · Opas aineiston siirtoon
Aiheesta lisää: Omat kuvasi tekoälyn tekemään sisältöön – anna tekoälyn löytää ja sijoittaa ne puolestasi.
