大模型时代的内容治理

内容治理业务分析

现有媒体行业内容治理存在以下痛点：

• 缺乏全域内容管理：内容应用受技术和数据限制，导致“烟囱式”系统架构，重复建设，数据割裂。
• AI应用局限：ASR、翻译等生产场景应用有限，内容检索、运营中AI处理结果与业务需求差异明显，检索方式和召回不足，已建AI平台不满足多业务调用。
• 特色内容需求：需要进一步盘活、挖掘内容价值，生产、管理、运营特色内容，但现有系统智能化水平不足，无法支撑特色内容生产范式。
• 可信数据基础：大模型和Agent技术应用后，需要“可信内容数据”基础，进一步建设媒体生产模型、高质量数据集基座，打造媒体数据飞轮。

内容治理技术发展

内容治理技术发展历程：

• 人工阶段：传统人工处理方式。
• AI原子能力阶段：语音识别、翻译、人脸识别、文字识别等单点AI应用。
• 小模型智能应用阶段：智能编目、智能审核等小模型应用，跨模态能力弱，落地场景不全。
• 大模型工作流阶段：更强的语义理解、音视频理解模型，更灵活接入媒体AI处理插件，实现全面、灵活、聪明的治理。

内容治理方案建设

内容治理方案建设方向：

• 音视频治理：
  • 新闻类、赛事类、资讯类视频治理：基于口播内容进行理解和切片。
  • 纪录片、电视剧类治理：镜头拆分标注，实现内容快速生产和集锦。
• 图片类治理方案：小模型+MLLM分析，保证细分标签的同时，更懂图像内容。
• 全模态内容管控与搜索方案：支持文搜文、图搜图、文搜图/视频、跨模态检索等。
• 高质量视频数据集建设：确定数据集范围和内容，进行数据预处理、多模态数据集处理、构建模型训练等。
• 文档数据治理：
  • 文档结构化切分：将原始文档切分结构化数据。
  • 数据问答：开放数据存储，无缝对接原有生态，支持多种格式自动文档解析。
  • 数据分析：大幅降低数据分析门槛，支持业务同学，打破数据孤岛。
  • 数据科学：自动化构建数据科学链路，降低模型构建难度。
• 企业知识治理：
  • 与知识管理生命周期结合：智能应用接入层、知识管理、开放层。
  • 多入口融入AI工作流程：站内问答入口、企业融合方案。
  • 合规内容防泄密：内容防泄漏、内容操作防泄漏、内容显示防泄漏、内容安全审查、敏感操作记录、异常下载记录、内容移交记录、管理员操作日志。