Ottenere la sicurezza del marchio per i video globali: la piattaforma IA basata sul contesto di PYLER

PYLER garantisce che gli annunci degli inserzionisti non vengano mai visualizzati insieme a video dannosi, il che aiuta a proteggere l'immagine del marchio. Invece, posiziona gli annunci in impostazioni contestualmente rilevanti per migliorare il valore del marchio e l'efficacia del marketing. La soluzione fornisce un livello di convalida neutrale e spiegabile necessario al mercato.

PYLER opera all'intersezione tra comprensione dei video e fiducia del marchio, definendo le primitive semantiche, ovvero le unità significative del contesto video, e organizzandole in spazi semantici ricchi e consapevoli del tempo. Componendo e valutando questi spazi in base alle policy di sicurezza e idoneità del marchio, PYLER offre alle aziende un livello di fiducia trasparente che funziona su piattaforme e formati, da YouTube all'emergente inventario CTV.

I principali marchi tra cui Samsung, LG e Kenvue si affidano a PYLER per convalidare gli ambienti video su miliardi di impression, con PYLER che già fornisce servizi a 20 delle più grandi aziende coreane e a 10 aziende Fortune 500. Per supportare questa impronta, il modello Antares di PYLER elabora circa 100 GB di video al giorno, gestendo 2 milioni di video e 700 milioni di video cumulativamente, l'equivalente di più di 60 anni di contenuti ogni giorno.

Prima di adottare la piattaforma di NVIDIA, la sfida principale di PYLER era la scala tecnica e la complessità: il video è di grandi dimensioni, multimodale ed estremamente denso di informazioni e le pipeline frammentate esistenti non erano in grado di tenere il passo. Il campionamento human-in-the-loop, i modelli specifici per funzione e la convalida basata su regole hanno creato un'elevata latenza e costi, limitando il throughput e rallentando l'iterazione su nuove policy o casi d'uso.

PYLER aveva bisogno di un'infrastruttura in grado di incorporare, cercare ed etichettare enormi flussi video in tempo quasi reale, mantenendo i costi per video abbastanza bassi per la distribuzione in produzione. Lo stack di calcolo accelerato di NVIDIA, tra cui i sistemi NVIDIA DGX basati sull'architettura NVIDIA Blackwell, CUDA e i framework IA, è emerso come l'unico percorso fattibile per raggiungere il throughput e la latenza necessari per l'inferenza e il recupero multimodali su scala.

PYLER ha implementato una pipeline di embedding vettoriale video che assegna un'impronta digitale univoca a ogni momento del video, integrando gli input multimodali (visivi, audio, testuali e metadati) in una rappresentazione unificata. Questi embedding sono archiviati in un database vettoriale basato su PostgreSQL con pgvector, integrato da SingleStore per la distribuzione ad alto throughput, consentendo una rapida ricerca delle similitudini e una corrispondenza contestuale in milioni di video.

I sistemi NVIDIA DGX, con architettura Blackwell e interconnessioni NVIDIA NVLink ad alta larghezza di banda, forniscono la potenza di base per questa pipeline di addestramento e inferenza ad alte prestazioni. Utilizzando NVIDIA Mission Control per orchestrare complessi carichi di lavoro di addestramento e NVIDIA NeMo Curator per automatizzare la selezione e il filtro dei dati, PYLER ha aumentato il throughput di pre-elaborazione video di 4 volte rispetto alla precedente pipeline interna. Questa sinergia hardware-software consente a PYLER di gestire l'analisi video e il recupero di set di dati di grandi dimensioni con un'efficienza senza precedenti.

La transizione verso il DGX B200 ha anche modificato fondamentalmente la velocità di sviluppo di PYLER. Sfruttando l'aumento della densità di calcolo per un aumento di 5 volte delle capacità di ricerca degli iperparametri, il team ha ridotto il ciclo di iterazione dell'addestramento dei modelli da tre mesi a un solo mese. Inoltre, il passaggio ai sistemi basati su Blackwell ha garantito un miglioramento di 3 volte della velocità di addestramento dei modelli multimodali rispetto alla generazione precedente, garantendo che i modelli di PYLER possano essere sviluppati e distribuiti più rapidamente che mai.

Espandendo il Blueprint NVIDIA per la ricerca e il riepilogo video (VSS) e sfruttando NVIDIA NV-Embed per accelerare la generazione di embedding, il sistema gestisce in modo efficiente l'analisi e il recupero di set di dati video di grandi dimensioni su scala. Il modello di PYLER non vede solo "un'auto"; comprende che "una persona si sente frustrata mentre guida sotto la pioggia", consentendo un posizionamento contestuale preciso e controlli di sicurezza che prima erano impossibili ad alti volumi.

Il fossato tecnico di PYLER risiede nel ragionamento contestuale basato su vettori e attento al tempo che opera a livello di rappresentazione, consentendo di aggiornare rapidamente le definizioni di policy e sicurezza senza re-addestramenti completi. Questa architettura ha offerto risultati chiari e quantificabili per i clienti in termini di sicurezza e idoneità del marchio.

Per la campagna KPOP Demon Hunters (HUNTRIX) di Nongshim, la soluzione AiD Brand Safety di PYLER ha ridotto la quota di budget spesa per i contenuti non sicuri per il marchio da un benchmark del 19,3% a solo il 4,67% entro un mese, convalidando i posizionamenti non sicuri in più di 2 milioni di video in quel periodo. Per la campagna Tylenol di Kenvue, la soluzione AiM Brand Suitability di PYLER ha ridotto il tempo medio di convalida da circa 30 secondi per i revisori umani (in base a benchmark di settore esterni) a 0,011 secondi, consentendo ai brand manager di eseguire strategie multimediali altamente granulari e a livello di video, riducendo al contempo i costi per i revisori di oltre il 99,963%.