OutilsAWS ML Blog7sem

Bark.com et AWS s'associent pour construire une solution de génération vidéo à grande échelle

Résumé IASource uniqueImpact UE

Bark.com et Amazon Web Services ont collaboré pour transformer radicalement le pipeline de création de contenu vidéo marketing, en passant d'un processus manuel de plusieurs semaines à une génération automatisée en quelques heures. La plateforme britannique, qui met en relation des milliers de personnes chaque semaine avec des prestataires de services professionnels — du jardinage aux soins à domicile —, avait identifié un besoin urgent d'accélérer sa production de publicités personnalisées pour les réseaux sociaux.

Le défi était structurel : mener des campagnes efficaces en mid-funnel exige des volumes élevés de créatifs personnalisés pour permettre des tests A/B rapides, mais le workflow manuel de Bark ne pouvait pas absorber ce rythme ni supporter la création de variantes pour plusieurs segments clients simultanément. L'enjeu dépasse le simple gain de productivité — c'est la capacité même d'une entreprise à personnaliser son discours à grande échelle qui est en jeu, un avantage concurrentiel décisif dans la publicité numérique.

L'architecture déployée repose sur plusieurs couches de services AWS : Amazon S3 pour le stockage des assets, AWS Lambda et AWS Step Functions pour l'orchestration d'un pipeline en sept étapes, et Amazon Bedrock avec le modèle Claude Sonnet 3.7 d'Anthropic pour la génération de texte, la segmentation client et l'évaluation qualité. Le volet vidéo s'appuie sur Wan 2.1 Text2Video-14B, un modèle de 14 milliards de paramètres distribué sur huit GPU d'une instance p4de.24xlarge SageMaker via du parallélisme tensoriel. La synthèse vocale est gérée par des conteneurs Amazon ECS sur instances g5.2xlarge, avec une mise à l'échelle à zéro en période d'inactivité.

Cette collaboration avec l'AWS Generative AI Innovation Center a permis à Bark de valider quatre objectifs clés — réduction du temps de production, personnalisation multi-segments, cohérence de marque et qualité équivalente aux publicités produites manuellement. Le dispositif est présenté comme un modèle réplicable pour toute entreprise confrontée à des défis similaires de passage à l'échelle dans la création de contenu.

Dans nos dossiers

Anthropic

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1AWS ML Blog

Utiliser RAG pour la génération vidéo avec Amazon Bedrock et Amazon Nova Reel

Amazon a développé un pipeline multimodal appelé VRAG (Video Retrieval Augmented Generation) qui génère des vidéos personnalisées en combinant récupération d'images et génération par IA. La solution utilise Amazon Bedrock, Amazon Nova Reel et OpenSearch : l'utilisateur fournit un objet d'intérêt et une instruction de caméra (ex. « rotation dans le sens horaire »), le système retrouve l'image la plus pertinente depuis un index vectoriel et génère la vidéo correspondante. Le traitement par lot via un fichier prompts.txt permet de produire plusieurs vidéos en une seule exécution, offrant une base scalable pour la création de contenu vidéo assistée par IA dans des secteurs comme la publicité, l'éducation ou le jeu vidéo.

OutilsOutil

1 source

2MarkTechPost

Construire un assistant de recherche à base d'agents avec Groq, LangGraph, sous-agents et mémoire

Un tutoriel publié récemment détaille la construction d'un assistant de recherche agentique fonctionnant sur l'infrastructure d'inférence de Groq, en combinant LangGraph, LangChain et le modèle open source Llama 3.3 70B Versatile de Meta. L'architecture repose sur l'endpoint compatible OpenAI de Groq, disponible gratuitement via console.groq.com, ce qui permet d'utiliser l'interface ChatOpenAI de LangChain sans modifier le code en profondeur, simplement en redirigeant la clé API et l'URL de base. L'agent ainsi construit dispose d'un ensemble d'outils concrets: recherche web via DuckDuckGo, récupération de pages, lecture et écriture de fichiers, exécution de code Python, délégation à des sous-agents spécialisés, et une mémoire persistante entre les sessions. Le tout s'appuie sur des bibliothèques comme BeautifulSoup4 pour le parsing HTML et Pydantic pour la validation des données. Ce qui rend cette approche notable, c'est la combinaison d'une infrastructure gratuite et d'une architecture capable de raisonnement multi-étapes. L'agent ne se contente pas de répondre à une question: il décompose un sujet de recherche en sous-questions, interroge plusieurs sources, croise les informations pour identifier les consensus et les divergences, puis génère des rapports structurés sauvegardés dans un répertoire de sortie. La mémoire à long terme lui permet de réutiliser des connaissances acquises lors d'exécutions précédentes, évitant de recommencer from scratch à chaque session. Pour les développeurs et chercheurs qui cherchent à automatiser des workflows de veille ou d'analyse documentaire, cette architecture offre un point de départ fonctionnel sans coût d'inférence immédiat. Ce tutoriel s'inscrit dans une tendance de fond qui voit LangGraph s'imposer comme framework de référence pour les systèmes agentiques en Python, face à des alternatives comme AutoGen ou CrewAI. Groq, de son côté, mise sur la vitesse d'inférence permise par ses puces LPU propriétaires pour attirer les développeurs avec un tier gratuit généreux, dans l'espoir de les convertir en clients payants à l'échelle. L'utilisation de Llama 3.3 70B, modèle open source de Meta, illustre également la montée en puissance des modèles non propriétaires capables d'exécuter du tool calling fiable, compétence longtemps réservée aux modèles fermés comme GPT-4. La prochaine étape naturelle pour ce type de système serait l'intégration de sources structurées, une mémoire vectorielle plus sophistiquée, ou le déploiement dans des environnements de production avec contrôle des coûts.

OutilsTuto

1 source

301net

Google Vids : l’outil gratuit de création vidéo en un clic reçoit une énorme mise à jour

Google a déployé une mise à jour majeure de son outil de création vidéo Vids, intégré à Google Workspace, en y incorporant ses modèles d'intelligence artificielle les plus récents, dont Veo 2, capable de générer des séquences vidéo réalistes à partir de simples descriptions textuelles. L'outil, accessible gratuitement aux abonnés Workspace, permet désormais de produire des vidéos complètes en quelques secondes, avec des visuels nettement plus convaincants qu'auparavant. Pour les équipes professionnelles, ce saut qualitatif est significatif : là où il fallait des heures de montage ou un budget dédié à la production vidéo, une présentation, un tutoriel ou une communication interne peuvent désormais être générés automatiquement. Google cible directement les PME, les équipes RH et marketing qui n'ont pas de ressources vidéo en interne. Cette mise à jour s'inscrit dans la guerre que se livrent Google, Microsoft et OpenAI sur le terrain des outils de productivité augmentés par l'IA. Google cherche à consolider Workspace face à Copilot de Microsoft, qui intègre également des capacités vidéo via des partenariats avec des outils tiers. L'enjeu est de fidéliser les entreprises dans leur écosystème respectif avant que le marché ne se stabilise.

UELes PME et équipes marketing européennes utilisant Google Workspace peuvent dès maintenant tester la génération vidéo automatisée via Vids, réduisant potentiellement leurs coûts de production.

OutilsOutil

1 source

4AWS ML Blog

Présentation de V-RAG : révolutionner la production vidéo assistée par IA grâce à la génération augmentée par récupération

V-RAG (Video Retrieval-Augmented Generation) est une nouvelle approche qui combine la génération augmentée par récupération avec les modèles de génération vidéo par IA, visant à rendre la production de vidéos plus fiable et prévisible. Cette technologie permet de créer du contenu vidéo dynamique à partir de simples textes, mais va au-delà des limites du prompting textuel — comme les contraintes de tokens ou les interprétations imprécises — en offrant des outils de personnalisation avancés pour contrôler le style, l'ambiance et les détails visuels. V-RAG s'adresse aux organisations qui souhaitent produire du contenu visuel professionnel sans expertise technique approfondie ni ressources de production traditionnelles.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour