Waarom generieke AI-tagging tekortschiet. En hoe een op maat getraind AI-model ervoor zorgt dat je in een mediabank vol productfoto’s en -video’s alles terugvindt.
Laatst bijgewerkt: september 2026
De meeste DAM’s en fotodiensten in de cloud adverteren met “AI-tagging”. Wat je krijgt, is een generiek model voor beeldherkenning. Meestal is het niet meer dan een dun laagje over de API van een externe partij, zoals Google Vision, AWS Rekognition of een opensourcemodel als CLIP. Die modellen zijn getraind op miljarden afbeeldingen van het open internet. Ze herkennen algemene begrippen als auto, strand, vrouw, laptop en pizza.
Handig voor je privéfoto’s. Voor een bedrijf zo goed als nutteloos.
Generieke AI-tagging is niet nieuw. De techniek is zo’n 15 jaar oud. Toen ze verscheen, was ze een echte doorbraak: begin jaren 2010 was een computer die naar een foto keek en zei “dit is een hond” een stap vooruit. De afgelopen tien jaar is het resultaat nauwelijks beter geworden. Wat wel groeide, is het aantal leveranciers dat de functie meelevert om een vakje op een vergelijkingslijst af te vinken, niet omdat ze goed is. Vaak heet ze nog steeds “AI-gestuurd”, alsof ze nieuw is. Dat is ze niet. En voor elk bedrijf waarvan het team foto’s zoekt op specifieke productnamen, heeft ze nooit gewerkt.
Een voorbeeld. Een retailmerk zoekt “de Aurora Shell-jas in Storm Blue uit het SS26-lookbook”. Met generieke tags vindt het die foto nooit. De generieke AI gaf hem de tags jas, buiten, blauw, persoon, berg. Technisch klopt dat, maar je hebt er niets aan: elke andere jas in de mediabank heeft dezelfde tags. Je zoekt niet zomaar een blauwe jas. Je zoekt die blauwe jas. En generieke AI kan die twee niet uit elkaar houden.
Hoe groter de mediabank, hoe groter het probleem. Door 500 foto’s blader je nog met de hand. Maar 50.000 foto’s met generieke tags zijn erger dan helemaal geen tags. De tags wekken de indruk dat je goed kunt zoeken. Zo verspilt iedereen tijd.
Generieke AI kan maar tot een bepaalde grens specifiek zijn. Hij kent hond, maar geen Aussiedoodle. Hij kent stoel, maar geen Herman Miller Aeron. Hij kent ontbijtgranen, maar niet jouw eigen haverclusters-SKU in de nieuwe kerstverpakking. Bij bijna elk bedrijf is de catalogus specifieker dan wat een openbaar beeldmodel kent. Dan loop je op dag één al tegen die grens aan.
Generieke AI is ook niet consequent bij vergelijkbare beelden. Hetzelfde product, vanuit verschillende hoeken gefotografeerd, kan overlappende maar net andere tags krijgen: shirt op de ene foto, top op de volgende, blouse op de derde. Geen van die tags is fout. Maar zoek je op “shirt”, dan vind je maar een derde van wat je zou moeten vinden.
Wat doen teams als generieke AI niet werkt? Ze geven het op en taggen met de hand. Een ontwerper, marketeer of stagiair zit met een spreadsheet en typt bij elke foto de echte tag in. Neem een catalogus met 5.000 SKU’s en 20 foto’s per SKU: dat zijn 100.000 tagbeslissingen. Zelfs met een minuut per foto kost dat iemand een vol jaar. Geen enkel team doet dat. In plaats daarvan stopt het taggen, raakt de mediabank in verval en komt zoeken neer op: “Vraag het Sarah maar, zij heeft de foto’s gemaakt.”
Custom AI tagging is een heel ander soort product. Je foto’s gaan niet door een algemeen, vooraf getraind model. Je krijgt een eigen model, getraind op jouw producten. Foto’s uit je eigen catalogus dienen als voorbeeld. De AI leert hoe elk product eruitziet en geeft elke nieuwe upload de juiste tag.
De belangrijkste toepassing: producten. Een retailmerk laat de AI trainen op elk product in zijn catalogus. Een meubelverhuurder doet dat met elk meubelstuk in zijn verhuurcollectie, een hardwarefabrikant met elke SKU, ook met varianten die sterk op elkaar lijken. Vanaf dat moment krijgt elke nieuwe foto in de mediabank echte productnamen als tag, geen generieke synoniemen.
In de praktijk draait custom AI tagging vooral om producten. Maar dezelfde aanpak werkt ook daarbuiten. Een universiteit kan een model laten trainen op bepaalde gebouwen op haar campus. Een eventbedrijf kan het laten trainen op bepaalde locaties, een sportclub op zijn stadions of trainingscomplexen. Alles wat er steeds hetzelfde uitziet en wat je team op naam moet vinden, komt in aanmerking. De rest van deze gids gaat vooral over producten, want daar zit de meeste waarde. Houd wel in je achterhoofd dat het breder werkt.
Custom AI tagging is niet hetzelfde als met de hand tagopties toevoegen aan een keuzelijst. Dat heet metadatabeheer. Elk DAM-systeem heeft het, en nog steeds moet iemand zelf het taggen doen.
Het is ook geen automatisch taggen op basis van trefwoorden, waarbij het systeem bestandsnamen of beschrijvingen scant en tekst naar tagvelden kopieert. Dat werkt als je bestandsnamen netjes zijn. Zijn ze dat niet, dan faalt het. En dat is meestal zo.
Custom AI tagging is wél een model dat kijkt naar wat er te zien is op een nieuwe foto of in een nieuwe video, en het juiste product herkent. Bij het taggen zelf komt geen mens meer aan te pas.
Custom AI tagging is niet één probleem, maar een hele familie problemen. En die verschillen sterk in moeilijkheid. Twee stoelen die duidelijk verschillen uit elkaar houden, is eenvoudig. Twee bijna identieke tafels onderscheiden kan echt lastig zijn. Op elektronica staat vaak tekst: modelnummers, logo’s, labels. Een goed gebouwd tagsysteem kan die tekst benutten. Bij mode draait het om textuur en silhouet. En verhuurmateriaal heeft vaak serienummers en merktekens die helpen.
Een serieus product voor custom AI tagging gebruikt per type probleem een andere techniek. Verschillende AI-modellen voor verschillende gevallen. Tekstherkenning (OCR) als er op het product zelf tekst staat die het identificeert. Een platform dat op de catalogus van elke klant dezelfde aanpak loslaat, presteert minder goed waar die aanpak niet past.
Je hoeft de techniek niet te begrijpen om een leverancier te beoordelen. Vraag een platform dat je overweegt: “Hoe pakken jullie het taggen aan voor onze productcategorie?” Kan een leverancier uitleggen waarom mode taggen anders is dan elektronica taggen? Dan zit er echte engineering achter. Zegt een leverancier “onze AI doet alles op dezelfde manier”? Dan waarschijnlijk niet.
Een beeldmodel per klant trainen en hosten is duur. Het vraagt om infrastructuur en ML-engineers. En een productteam moet bereid zijn een functie te bouwen die veel kleinere klanten niet gebruiken. De meeste DAM-aanbieders kozen de makkelijke weg: een generieke API voor beeldherkenning aansluiten, het “AI-tagging” noemen en live zetten. Vaak presenteren ze die 15 jaar oude techniek nog steeds als paradepaardje.
Op maat getrainde beeldmodellen bestaan wel, buiten de DAM-wereld. Cloudaanbieders als AWS, Google en Azure hebben allemaal diensten voor beeldherkenning op maat. Maar dat zijn tools voor ontwikkelaars. Je hebt een engineeringteam nodig om ze te integreren, te onderhouden en draaiende te houden. Dat is iets anders dan een eigen AI-model dat in een DAM-systeem zit ingebouwd. Zo’n model gebruikt het team dat de mediabank beheert direct zelf, of dat nu marketing, operations of het evenemententeam is.
Voor zover we weten, is Tagbox.io op dit moment het enige DAM-systeem met custom AI tagging als kant-en-klare functie die je team zelf gebruikt. Geen API voor ontwikkelaars die je eerst zelf moet aansluiten.
Het proces is eenvoudiger dan de meeste mensen denken. Het bestaat uit vier stappen.
De eerste stap is niet meer dan een lijst van wat de AI moet herkennen. Voor de meeste merken is dat de productcatalogus: elke SKU, productlijn, variant of elk model waarop je wilt kunnen zoeken. Voor een universiteit kan dat een lijst met campusgebouwen zijn, voor een eventbedrijf een lijst met locaties.
Binnen die productlijst kun je per product meer structuur aanbrengen, zoals kleurstelling, seizoen, type opname, campagne enzovoort. Maar in de kern zegt de lijst gewoon: dit zijn de dingen die de AI moet herkennen.
Voor elk item op de lijst lever je voorbeeldfoto’s aan. Bij de huidige systemen zijn 25 tot 50 voorbeelden per item gebruikelijk. Lastige gevallen, zoals producten die sterk op andere producten uit de catalogus lijken, vragen soms tot 100 voorbeelden. De techniek gaat snel vooruit. Modellen van de volgende generatie drukken dat aantal voor de meeste tags terug tot slechts vijf voorbeelden.
Gaat het om vagere tags met meer visuele variatie, zoals “lifestylefoto” tegenover “packshot”? Kies dan voor de bovenkant van dat bereik. Zo dek je de visuele variatie af die het model nodig heeft om te generaliseren.
Voorbeeldfoto’s aanleveren is de enige stap met echt handwerk. Voor de meeste teams kost dat eenmalig ongeveer een dag: een fractie van de tijd die je nodig hebt om je hele bestaande mediabank met de hand te taggen.
Het platform traint een eigen model op je voorbeelden. Meestal doet het team van het platform dat tijdens de eerste inrichting, niet de klant zelf. Het hele traject duurt doorgaans twee tot vier weken: van het opstellen van je productlijst tot training, validatie en livegang. Hoe lang het precies duurt, hangt af van het aantal items en van hoe schoon je eerste trainingsdata is.
In de meeste serieuze trajecten is dit geen selfservice. Een eigen model goed laten werken vraagt wat samenwerking: samen de scope bepalen, de eerste resultaten van het model beoordelen, bijsturen waar tags niet kloppen en de nauwkeurigheid controleren op foto’s die buiten de training zijn gehouden. Belooft een platform dat een eigen model vijf minuten na het uploaden live staat? Dan belooft het te veel.
Zodra het model live staat, beoordeelt het elke nieuwe upload automatisch en voegt het de passende tags toe. Het model loopt ook met terugwerkende kracht door je bestaande mediabank en tagt zo ook het oudere materiaal. De investering betaalt zich dus uit voor alles wat je al hebt, niet alleen voor nieuwe uploads.
Vanaf dan uploadt een fotograaf een reeks productfoto’s, en binnen enkele seconden heeft elke foto de juiste tags: product, kleurstelling, seizoen en type opname. Zonder handwerk. Een retailmarketeer zoekt op “Aurora Shell Storm Blue packshot” en krijgt precies die foto’s. Geen 200 willekeurige foto’s van blauwe jassen.
Catalogi veranderen. Er komen nieuwe producten en campagnes bij, en nieuwe SKU’s vervangen oude. Met een systeem voor custom AI tagging kun je het model stap voor stap laten bijtrainen of tags toevoegen. Je levert bijvoorbeeld een kleine set voorbeelden aan voor de nieuwe SS27-collectie en laat het model bijtrainen. Het model herkent de nieuwe collectie, en de rest van de catalogus blijft onaangeroerd.
Ja. De training hoeft niet in het Engels. Een Nederlandse retailer kan zijn eigen AI-model laten trainen op Nederlandse productnamen en categorienamen. De tags komen dan ook in het Nederlands terug. Dat is belangrijker dan het klinkt. Voor internationale teams betekent een verplicht Engelse taxonomie een permanente vertaalslag tussen de mediabank en de mensen die ermee werken.
Foto’s kun je nog doorbladeren. Open een map met 500 productfoto’s en je vindt op het oog in een paar minuten de foto die je nodig hebt, als het echt moet. Pijnlijk, maar het kan.
Met video ligt dat anders: video kun je niet doorbladeren. Een evenementopname van 60 minuten laat het product van je klant misschien maar twee seconden zien. In een lanceringsvideo komt een specifieke SKU misschien pas in minuut 38 in beeld. Een keynote kan na 22 minuten overschakelen naar een slide in huisstijl. Zonder zoekfunctie weet je dat alleen door alles te bekijken. Reken dat door naar honderden of duizenden video’s, en je hele mediabank wordt onbruikbaar. Niet lastig - onbruikbaar.
Hier maakt custom AI tagging het grootste verschil. Draait het model naast foto’s ook op video, dan vind je in elke video elk moment terug waarop een product in beeld komt. Je hoeft niet urenlang beeldmateriaal door te spoelen in de hoop dat ene moment te vinden. Je zoekt op de productnaam en ziet elke clip waarin het product voorkomt, met tijdcodes.
Voor merken met veel producten is dit inmiddels een basisvereiste. Op social is video de norm. Productdemo’s en unboxings zijn video. Marketingreels, TikTok-content, YouTube Shorts, opnames van lanceringen, klantverhalen - het is allemaal video. Een platform dat alleen foto’s tagt, laat een groot en groeiend deel van je mediabank onzichtbaar.
Voor evenementen, verhuurbedrijven en iedereen die lange video’s maakt, weegt video nog zwaarder. Zoek maar eens “een shot van 90 seconden van onze nieuwe loungeopstelling bij de merkactivatie in Rotterdam” in een evenementopname van vier uur. Vind je dat fragment, dan hergebruik je het. Vind je het niet, dan moet je alles opnieuw draaien.
Kortom: werkt je custom AI tagging alleen op foto’s, dan heb je de makkelijke helft van het probleem opgelost en de moeilijke helft laten liggen.
De toepassingen gaan verder dan het automatisch taggen van producten voor e-commerce. Hieronder zie je per branche wat custom AI tagging voor teams verandert.
Dit is het schoolvoorbeeld. Neem een merk met duizenden SKU’s en een wekelijkse fotoshoot. Zijn mediabank groeit exponentieel: packshots, lifestylefoto’s, campagnebeelden, social content, user-generated content en videostills. Zonder custom AI tagging is elk nieuw bestand vrijwel onvindbaar zodra het in de mediabank staat.
Met custom AI tagging krijgt elke foto automatisch de echte productnaam, de kleurstelling, het seizoen en het type opname mee. Werkt het marketingteam aan een campagne? Dan heeft het “alle lifestylefoto’s in Storm Blue uit SS26” in een paar seconden gevonden. Het socialmediateam vindt “alle detailfoto’s van de Aurora-lijn” zonder iemand iets te vragen. En productpaginateams (PDP) vinden voor een lancering de belangrijkste hero-afbeeldingen per SKU.
Bijkomend voordeel: de mediabank blijft geordend terwijl hij groeit. Een merk dat zijn catalogus verdubbelt, hoeft niet twee keer zoveel mensen op contentbeheer te zetten.
Ideaal voor: mode en kleding | schoenen | beauty en huidverzorging | woonartikelen | meubels | accessoires | marktplaatsen met meerdere merken
Eventverhuurbedrijven staan of vallen met hun offertes. Een klant vraagt: “Iets zoals jullie lounge van de merkactivatie in Rotterdam vorig jaar, maar dan met de messing bijzettafels.” Iemand van sales moet dan snel referentiefoto’s vinden. Zonder custom AI tagging betekent dat mappen doorspitten, tussen duizenden evenementenfoto’s.
Custom AI tagging lost dit op, met een model dat getraind is op elk stuk uit je verhuurcollectie (specifieke banken, bars, podia, loungemeubels, bijzettafels en meer). Nieuwe evenementenfoto’s krijgen automatisch tags voor de producten die erop staan. Sales vindt referentiefoto’s in seconden. Designteams maken moodboards van echte eerdere evenementen. En marketing heeft een casearchief dat meegroeit, geordend op product in plaats van op evenement.
Een echt voorbeeld: Blueprint Studios, een eventproductie- en verhuurbedrijf uit San Francisco, ordent met custom AI tagging de eigen collectie eventmeubilair en decor, verspreid over duizenden evenementenfoto’s. De AI kent de tags van het team (specifieke loungemeubels, soorten bars, productfamilies) automatisch toe zodra er nieuwe evenementenfoto’s bijkomen. Zo vinden sales- en designteams in een paar seconden relevante referentiebeelden voor nieuwe offertes, in plaats van mappen door te spitten.
Ideaal voor: verhuur van eventmeubels en decor | verhuur voor bruiloften en feesten | tentverhuur en podiumbouw | productie van zakelijke evenementen | styling en aankleding van locaties
Hier gaat het om productcatalogi waarin elk onderdeelnummer telt: PCB-layouts, componenten, assemblagevarianten, industriële machines, laboratoriumapparatuur en auto-onderdelen. De gefotografeerde items lijken sterk op elkaar, zoals een rack vol identiek ogende servers of tien varianten van dezelfde PCB. Generieke AI kan ze niet uit elkaar houden.
Juist hier telt de tekst op het product het zwaarst. Modelnummers, serienummers en merklabels zijn vaak het duidelijkste verschil. Custom AI tagging die naast beeldherkenning ook OCR kan inzetten, tagt deze catalogi veel nauwkeuriger dan een systeem dat alleen op de vorm van het object let.
Dat levert echt iets op. Engineering- en productteams vinden de juiste referentiefoto op SKU of onderdeelnummer. Technische documentatie krijgt automatisch de foto van de juiste variant. En marketing stuurt niet per ongeluk een datasheet de deur uit met een foto van het verkeerde model.
Ideaal voor: elektronicafabrikanten | industriële apparatuur | auto-onderdelen | laboratoriumapparatuur en wetenschappelijke instrumenten | halfgeleiders en componenten
Evenementen hebben op twee manieren baat bij custom AI tagging. De eerste: logodetectie voor sponsoren. Een congres met 20 sponsoren levert duizenden foto’s op. Elke sponsor wil binnen 48 uur na het evenement een selectie foto’s waarop zijn merk staat. Custom AI, getraind op het logo, het standontwerp of het merkteken van elke sponsor, stelt per sponsor automatisch een fotoset samen uit de algemene evenementenbeelden. Wat vroeger drie dagen handmatig sorteren kostte, gaat nu vanzelf.
De tweede: terugkerende elementen. Specifieke podiumonderdelen, sjablonen voor bewegwijzering en opstellingen voor activaties kunnen bij elk evenement dat je organiseert dezelfde tags krijgen. Zo ontstaat een archief waarin je terugvindt wat je eerder hebt gebouwd.
Sportevenementen passen er bijzonder goed bij. Voor uitzend- en sponsorrechten moet je precies weten wanneer en waar welk sponsorlogo in beeld is, in elke minuut beeldmateriaal. Custom AI brengt dat automatisch in kaart, vooral bij video.
Ideaal voor: congressen met meerdere sponsoren | sportevenementen met sponsoruitingen | beurzen | zakelijke evenementen met merkactivaties | prijsuitreikingen
Voedingsmerken lopen tegen hetzelfde probleem aan als mode: generieke AI tagt alles als eten, kom of bord, en daar heb je niets aan. Custom AI die getraind is op echte SKU’s, productlijnen, verpakkingsvarianten en receptstijlen, zorgt ervoor dat je in de hele mediabank echt vindt wat je zoekt.
Voedingsmerken hebben ook vaak beelden die bij één campagne horen: kerstverpakkingen, smaken in beperkte oplage, regionale varianten. Met custom AI tagging vind je die beelden terug, ook lang nadat de campagne is afgelopen. Haal je een campagne weer van stal, dan heb je de fotoshoot van twee jaar geleden zo te pakken.
Ideaal voor: verpakte levensmiddelen en snacks | drankenmerken met meerdere productlijnen | restaurantketens | maaltijdboxen en D2C-voedingsmerken | beauty- en verzorgingsproducten (FMCG)
Bureaus fotograferen voor hun klanten. De mediabank is per klant ingedeeld, maar binnen elke klant draait het net zo goed om details op productniveau. Custom AI tagging, per klant getraind, zorgt dat je in de gedeelde mediabank van het bureau per klant alles terugvindt.
Nog een toepassing: bestanden markeren op rechten, goedkeuring of gebruik. Denk aan goedgekeurd voor social, pr-akkoord of juridisch gecontroleerd. Hangen die markeringen af van wat er op de foto staat, zoals een specifieke persoon of een beschermd merkelement? Dan kan custom AI ze automatisch toekennen. Rechtenbeheer is dan geen handwerk meer.
Ideaal voor: creatieve bureaus | productiestudio’s | contentbureaus met mediabanken van meerdere klanten
Voor de meeste merken met meer dan 10.000 foto’s is custom AI tagging de enige optie die economisch klopt. Handmatig taggen is op die schaal niet bij te houden. Generieke AI wordt vijftien jaar na de doorbraak nog altijd als paradepaardje verkocht. Maar de tags die eruit komen, zijn de schijfruimte niet waard. Custom AI is de enige aanpak die net zo specifiek is als je bedrijf en toch de omvang van je mediabank aankan.
Een op maat getraind model hoeft niet in het DAM-systeem te blijven. Hetzelfde model kan via een API beschikbaar zijn. Dan kan de tagging die in een paar weken voor je catalogus is opgebouwd, ook het zoeken en ordenen aansturen op elk platform dat je team al gebruikt.
Een paar voorbeelden uit de praktijk:
De mediabank in het DAM-systeem wordt de centrale bron van waarheid. Het model dat op die mediabank is getraind, wordt iets waardevols dat in al je systemen meewerkt. Dat is het argument om te kiezen voor een DAM-systeem met custom AI tagging én een API, in plaats van een gesloten DAM-functie of een kale API voor ontwikkelaars: je krijgt de kant-en-klare interface en het bereik over al je platforms.
Niet elke leverancier die zijn “AI-tagging” als maatwerk verkoopt, levert ook echt maatwerk. Met de vragen hieronder weet je waar je in de praktijk op let en waar je voor oppast.
Is het een DAM-functie of een tool voor ontwikkelaars?
AWS, Google en Azure bieden allemaal API’s voor eigen beeldherkenningsmodellen. Die zijn krachtig, maar het zijn geen platforms voor fotobeheer - jij of je engineeringteam moet ze integreren, onderhouden en de interface bouwen die je marketingteam gebruikt. Voor de meeste merken is het juiste antwoord custom AI tagging die in een DAM-systeem is ingebouwd, niet een tool voor ontwikkelaars die doet alsof hij er een is.
Is het model echt getraind op jouw data, of is het een gedeeld model met een trefwoordfilter?
Een echt eigen model leert de visuele kenmerken van je producten kennen. Een trefwoordfilter verbergt alleen tags die niet op je lijst staan - het werkt dus alleen met termen die het generieke model al herkent.
Hoe gaat de leverancier om met je eigen productcategorie?
Vraag het direct: “Hoe pakken jullie het taggen aan voor ons soort producten?” Kan een leverancier uitleggen waarom je mode anders tagt dan industriële onderdelen? Of hoe zijn systeem tekst op elektronica gebruikt? Dan zit er echt technisch werk achter. Zegt hij “onze AI doet alles op dezelfde manier”? Dan niet.
Hoeveel trainingsvoorbeelden heb je per product nodig?
Systemen die met 25 tot 50 voorbeelden per item werken, horen bij de huidige stand van de techniek. Systemen die duizenden voorbeelden vragen, schuiven de kosten naar jou door.
Kun je het model stap voor stap laten bijtrainen of producten toevoegen?
Je catalogus verandert. Moet het model voor elk nieuw product helemaal opnieuw getraind worden, dan groeit het systeem niet mee.
Hoe lang duurt de onboarding?
Voor een serieus traject met custom AI tagging is twee tot vier weken realistisch. Duurt het veel langer? Dan levert de leverancier maatwerk als dienst waar hij allang een product van had moeten maken. Gaat het veel sneller? Dan belooft hij te veel.
Welke nauwkeurigheid kun je verwachten?
Goed getrainde modellen halen meestal meer dan 90% nauwkeurigheid. Het echte resultaat hangt af van drie dingen: hoe duidelijk de items visueel van elkaar verschillen, de kwaliteit van de trainingsdata en de kwaliteit van de foto’s die je laat taggen.
Werkt het naast foto’s ook op video?
Voor de meeste bedrijven met veel producten valt of staat de keuze inmiddels met deze vraag. Een systeem dat alleen foto’s tagt, laat een groot en groeiend deel van je mediabank onzichtbaar.
Welke talen ondersteunt het?
Custom AI die op Engelse tags is getraind, heb je alleen iets aan als je team in het Engels werkt. Meertalige merken hebben een platform nodig met een zoekfunctie die over talen heen werkt. Zo vindt elk team de tags in zijn eigen taal.
Is er een API?
Wil je met hetzelfde getrainde model ook zoeken in je webshopbackend, PIM-systeem, marketingautomatisering of interne tools? Dan is API-toegang onmisbaar. Zonder API zit de waarde van het model opgesloten in één platform.
Wat als de AI het mis heeft?
Let op twee dingen. Ten eerste kun je op de meeste platforms tags corrigeren in de interface. Die correcties worden trainingsdata voor de volgende trainingsronde van het model. Ten tweede hoort het systeem een tag pas toe te kennen boven een betrouwbaarheidsdrempel. Zo belanden twijfelgevallen nooit ongemerkt als tag in je mediabank.
Hoe zit het met privacy?
Serieuze platforms trainen op de data van elke klant in een afgeschermde omgeving. Je trainingsvoorbeelden en het model dat daaruit voortkomt, gebruiken ze niet om de modellen van andere klanten te verbeteren.
Wat als je nog geen getagde voorbeelden hebt?
De meeste platforms helpen je die te maken. Veelgebruikte startpunten: exporteer productfoto’s die al gelabeld zijn in je webshopbackend (Shopify, Magento, een eigen PIM-systeem). Gebruik de spreadsheet die je bij je laatste fotoshoot hebt gekregen. Of vraag de fotograaf hoe die de bestanden heeft geordend.
Custom AI tagging is geen kleine productiviteitswinst. Het is het verschil tussen een mediabank die meer waard wordt naarmate hij groeit, en een die juist minder waard wordt naarmate hij groeit.
Een merk dat vanaf dag één goed tagt, kan zes jaar later nog steeds de SKU, de kleurstelling en de lifestylefoto terugvinden. De mediabank wordt echt kapitaal: een geïndexeerd archief van de visuele geschiedenis van het merk. Marketing, social, sales, pr en klantenservice kunnen er binnen seconden uit putten. Omdat hetzelfde model ook video tagt en via een API in elke tool bereikbaar is, werkt dat archief overal waar het team werkt.
Een merk dat niet tagt, of alleen met generieke AI-labels, eindigt waar de meeste teams eindigen. Een harde schijf vol foto’s. Het collectieve geheugen van de organisatie in het hoofd van één persoon. En elke week een nieuwe shoot voor beelden die het merk al heeft, maar niet kan vinden.
De technologie erachter bestaat al jaren. Toch is ze nog niet overal ingeburgerd. Dat komt doordat bijna geen enkel platform haar zo bouwde dat ze werkt voor klanten buiten de wereld van grote ondernemingen met een eigen ontwikkelteam. Daar komt nu verandering in. Voor bedrijven met veel producten verschuift custom AI tagging van een luxe voor grote ondernemingen naar een praktische vereiste. Denk aan retail, verhuur, hardware, evenementen, voeding en de bureaus die voor hen werken.
Onderdeel van de Tagbox.io-gidsen over mediabankbeheer.
Meer gidsen: DAM-software vergelijken · Beste DAM-software voor e-commerce · Beste DAM-software voor videoanalyse · Voordeligste DAM-software · DAM-migratiegids
Lees ook: Eigen beelden gebruiken in AI-content - laat AI je foto’s voor je vinden en plaatsen.
