The cooperation between DeepVA and VidiNet allows for building individual AI models in the MAM system without any prior technical knowledge. Durch den wachsenden Bestand an Trainingsdaten, die nicht umsonst als das Gold des datengetriebenen Zeitalters gelten, steigt die Erkennungsleistung im Bereich der Personenerkennung rapide an. This results in a more detailed and higher quality tagging of images and videos and as a result in an improved searchability of all content. Zudem werden über das sogenannte Face Indexing (das Vergeben einer individuellen ID für nicht erkannte Personen) weiterführende Analysen sowie eine Rückwärtssuche ermöglicht. This optimizes workflows in the MAM and greatly saves time and costs. Employees must no longer spend their time on monotonous and repetitive manual tagging of media content, but instead create an intelligent and constantly improving visual data management system with just a few clicks.

DeepVA, VidiNet, and the accompanying VidiNet Cognitive Services, create a highly integrated MAM ecosystem that allows users to build their own AI models in a simple and intuitive way. Über die Integration von DeepVA in VidiNet können die dafür benötigten Trainingsdaten effizient angelegt und verwaltet werden. Beispieldaten können manuell eingepflegt oder über ein Tool direkt aus Videos ausgeschnitten und beschriftet werden. Mit der Face Dataset Creation wird sogar die automatisierte Generierung von Trainingsdaten möglich, die aus Interviewszenen Beispielbilder extrahiert und abspeichert. Zusätzlich zur Verwaltung der Trainingsdaten werden diese auch automatisch hinsichtlich ihrer Qualität für die Verwendung in einem KI-Modell geprüft.