Desarrollo de la Seguridad de Marca para Video Global: Plataforma de IA Sensible al Contexto de PYLER

PYLER garantiza que los avisos de los anunciantes nunca se muestren junto a videos dañinos, lo que ayuda a proteger la imagen de la marca. En su lugar, coloca anuncios en entornos contextualmente relevantes para mejorar el valor de marca y la eficacia de marketing. La solución proporciona una capa de validación neutral y explicable que el mercado necesita.

PYLER opera en la intersección entre la comprensión de video y la confianza de la marca, definiendo las primitivas semánticas (las unidades significativas del contexto de video) y organizándolas en espacios semánticos ricos y sensibles al tiempo. Al componer y evaluar estos espacios en función de las políticas de seguridad y adecuación de la marca, PYLER brinda a las empresas una capa de confianza transparente que funciona en todas las plataformas y formatos, desde YouTube hasta el inventario de CTV emergente.

Las marcas líderes, entre ellas Samsung, LG y Kenvue, confían en PYLER para validar entornos de video en miles de millones de impresiones, y PYLER ya sirve a 20 de las empresas más grandes de Corea y a 10 empresas de Fortune 500. Para sustentar esta huella, el modelo Antares de PYLER procesa aproximadamente 100 GB de video por día, manejando 2 millones de videos y 700 millones de videos acumulativamente, lo que equivale a más de 60 años de contenido todos los días.

Antes de adoptar la plataforma de NVIDIA, el desafío central de PYLER era la escala y la complejidad técnicas: el video es grande, multimodal y extremadamente denso en información, y los pipelines fragmentados existentes no podían seguir el ritmo. El muestreo con intervención humana, los modelos específicos de funciones y la validación basada en reglas crearon un alto nivel de latencia y costos, lo que limita el rendimiento y ralentiza la iteración en nuevas políticas o casos de uso.

PYLER necesitaba una infraestructura que pudiera incrustar, buscar y etiquetar transmisiones de video masivas en tiempo casi real, manteniendo a la vez los costos por video lo suficientemente bajos para la implementación de producción. La pila de computación acelerada de NVIDIA, incluidos los sistemas NVIDIA DGX basados en la arquitectura NVIDIA Blackwell, CUDA y los frameworks de IA, emergió como la única ruta viable para alcanzar el rendimiento y la latencia requeridos para la inferencia y la recuperación multimodales a escala.

PYLER implementó un pipeline de Incrustación de Vectores de Video que asigna una huella digital única a cada momento de video, integrando las entradas multimodales (visual, de sonido, texto y metadatos) en una representación unificada. Estas incrustaciones se almacenan en una base de datos vectorial basada en PostgreSQL con pgvector, complementada por SingleStore para un servicio de alto rendimiento, lo que permite una búsqueda rápida de similitud y coincidencia contextual en millones de videos.

Los sistemas NVIDIA DGX, que cuentan con la arquitectura Blackwell y las interconexiones NVLink de NVIDIA de alto ancho de banda, proporcionan la potencia fundamental para este pipeline de entrenamiento e inferencia de alto desempeño. Al utilizar NVIDIA Mission Control para orquestar cargas de trabajo de entrenamiento complejas y NVIDIA NeMo Curator para automatizar la selección y el filtrado de datos, PYLER aumentó el rendimiento de preprocesamiento de video en 4 veces en comparación con su pipeline interno anterior. Esta sinergia de hardware y software permite a PYLER manejar el análisis y la recuperación de video en grandes conjuntos de datos con una eficiencia sin precedentes.

La transición a DGX B200 también cambió fundamentalmente la velocidad de desarrollo de PYLER. Al aprovechar el aumento de la densidad de computación para lograr un aumento de 5 veces en las capacidades de búsqueda de hiperparámetros, el equipo redujo su ciclo de iteración de entrenamiento de modelos de tres meses a solo uno. Además, el paso a los sistemas basados en Blackwell ofreció una mejora de 3 veces en la velocidad de entrenamiento de modelos multimodales en comparación con la generación anterior, lo que garantiza que los modelos de PYLER se puedan desarrollar e implementar más rápido que nunca.

Al expandir NVIDIA Blueprint para la Búsqueda y el Resumen de Video (VSS) y aprovechar NVIDIA NV-Embed para acelerar la generación de incrustaciones, el sistema maneja el análisis y la recuperación de video en grandes conjuntos de datos de video a escala de manera eficiente. El modelo de PYLER no solo ve "un automóvil"; entiende que "una persona se siente frustrada cuando conduce bajo la lluvia", lo que permite auditorías de seguridad y colocación textual precisas que anteriormente eran imposibles a altos volúmenes.

La ventaja técnica de PYLER radica en el razonamiento contextual basado en vectores y sensible al tiempo que opera a nivel de representación, lo que permite actualizar las definiciones de políticas y seguridad rápidamente sin reentrenamientos completos. Esta arquitectura ha ofrecido resultados claros y cuantificables para los clientes en seguridad e idoneidad de las marcas.

Para la campaña KPOP Demon Hunters (HUNTRIX) de Nongshim, la solución AiD Brand Safety de PYLER redujo la parte del presupuesto gastado en contenido no seguro para marcas de un análisis de referencia del 19.3 % a solo 4.67 % en un mes, lo que validó colocaciones no seguras en más de 2 millones de videos en ese período. Para la campaña Tylenol de Kenvue, la solución AiM Brand Suitability de PYLER redujo el tiempo de validación promedio de alrededor de 30 segundos para los revisores humanos (sobre la base de análisis de referencia de la industria externos) a 0.011 segundos, lo que permite a los administradores de marcas ejecutar estrategias de medios altamente granulares y a nivel de video, a la vez que reduce el costo de revisión en más de un 99.963 %.