Aller au contenu principal
OutilsAWS ML Blog2h

Amazon Bedrock : exploiter les données vidéo à grande échelle grâce aux modèles multimodaux

1 source couvre ce sujet·Source originale ↗·
Résumé IA

Amazon Bedrock, la plateforme d'intelligence artificielle d'AWS, propose désormais une solution open source permettant d'analyser des vidéos à grande échelle grâce à des modèles multimodaux capables de traiter simultanément images et texte. Cette solution, disponible sur GitHub, s'articule autour de trois architectures distinctes, chacune adaptée à des cas d'usage et des compromis coût/performance différents. Elle répond à un besoin croissant des entreprises dans des secteurs aussi variés que la surveillance, la production médiatique, les réseaux sociaux ou les communications d'entreprise. Là où les approches traditionnelles de vision par ordinateur se limitaient à détecter des patterns prédéfinis — lentes, rigides et incapables de saisir le contexte sémantique — les nouveaux modèles fondationnels d'Amazon Bedrock changent la donne. La première approche, dite "frame-based", extrait des images à intervalles réguliers, élimine les doublons visuels grâce à des algorithmes de similarité (dont les embeddings multimodaux Nova d'Amazon en 256 dimensions, ou la détection de features OpenCV ORB), puis soumet ces frames à un modèle de compréhension d'image pendant que la piste audio est transcrite séparément via Amazon Transcribe. Ce workflow convient particulièrement à la surveillance de sécurité, au contrôle qualité industriel ou à la conformité réglementaire. Deux autres architectures complètent l'offre, chacune optimisée pour des scénarios différents comme l'analyse de scènes médiatiques, la détection de coupures publicitaires ou la modération de contenu sur les réseaux sociaux. L'ensemble du pipeline est orchestré par AWS Step Functions, garantissant une scalabilité et une fiabilité industrielle. L'analyse vidéo automatisée à grande échelle est devenue un enjeu stratégique majeur pour les organisations qui génèrent ou reçoivent des volumes massifs de contenus visuels. Jusqu'ici, ce travail reposait largement sur la révision manuelle ou des systèmes à règles figées, coûteux et peu adaptables. L'intégration de modèles multimodaux capables de comprendre le sens d'une scène, de répondre à des questions sur le contenu ou de détecter des événements nuancés représente un saut qualitatif important pour l'automatisation de workflows métier complexes.

Video content is now everywhere, from security surveillance and media production to social platforms and enterprise communications. However, extracting meaningful insights from large volumes of video remains a major challenge. Organizations need solutions that can understand not only what appears in a video, but also the context, narrative, and underlying meaning of the content. In this post, we explore how the multimodal foundation models (FMs) of Amazon Bedrock enable scalable video understanding through three distinct architectural approaches. Each approach is designed for different use cases and cost-performance trade-offs. The complete solution is available as an open source AWS sample on GitHub . The evolution of video analysis Traditional video analysis approaches rely on manual review or basic computer vision techniques that detect predefined patterns. While functional, these methods face significant limitations: Scale constraints: Manual review is time-consuming and expensive Limited flexibility: Rule-based systems can’t adapt to new scenarios Context blindness: Traditional CV lacks semantic understanding Integration complexity: Difficult to incorporate into modern applications The emergence of multimodal foundation models on Amazon Bedrock changes this paradigm. These models can process both visual and textual information together. This enables them to understand scenes, generate natural language descriptions, answer questions about video content, and detect nuanced events that would be difficult to define programmatically. Three approaches to video understanding Understanding video content is inherently complex, combining visual, auditory, and temporal information that must be analyzed together for meaningful insights. Different use cases, such as media scene analysis, ad break detection, IP camera tracking, or social media moderation, require distinct workflows with varying cost, accuracy, and latency trade-offs.This solution provides three distinct workflows, each using different video extraction methods optimized for specific scenarios. Frame-based workflow: precision at scale The frame-based approach samples image frames at fixed intervals, removes similar or redundant frames, and applies image understanding foundation models to extract visual information at the frame level. Audio transcription is performed separately using Amazon Transcribe. This workflow is ideal for: Security and surveillance: Detect specific conditions or events across time Quality assurance: Monitor manufacturing or operational processes Compliance monitoring: Verify adherence to safety protocols The architecture uses AWS Step Functions to orchestrate the entire pipeline: Smart sampling: optimizing cost and quality A key feature of the frame-based workflow is intelligent frame deduplication, which significantly reduces processing costs by removing redundant frames while preserving visual information. The solution provides two distinct similarity comparison methods. Nova Multimodal Embeddings (MME) Comparison uses the multimodal embeddings model of Amazon Nova to generate 256-dimensional vector representations of each frame. Each frame is encoded into a vector embedding using the Nova MME model, and the cosine distance between consecutive frames is computed. Frames with distance below the threshold (default 0.2, where lower values indicate higher similarity) are removed. This approach excels at semantic understanding of image content, remaining robust to minor variations in lighting and perspective while capturing high-level visual concepts. However, it incurs additional Amazon Bedrock API costs for embedding generation and adds slightly higher latency per frame. This method is recommended for content where semantic similarity matters more than pixel-level differences, such as detecting scene changes or identifying unique moments. OpenCV ORB (Oriented FAST and Rotated BRIEF) takes a computer vision approach, using feature detection to identify and match key points between consecutive frames without requiring external API calls. ORB detects key points and computes binary descriptors for each frame, calculating the similarity score as the ratio of matched features to total key points. With a default threshold of 0.325 (where higher values indicate higher similarity), this method offers fast processing with minimal latency and no additional API costs. The rotation-invariant feature matching makes it excellent for detecting camera movement and frame transitions. However, it can be sensitive to significant lighting changes and may not capture semantic similarity as effectively as embedding-based approaches. This method is recommended for static camera scenarios like surveillance footage, or cost-sensitive applications where pixel-level similarity is sufficient. Shot-based workflow: understanding narrative flow Instead of sampling individual frames, the shot-based workflow segments video into short clips (shots) or

À lire aussi

1Le Big Data1h

iOS 27 : Siri va devenir ChatGPT ? Voici ce que prévoit Apple

Apple prépare une refonte complète de Siri avec iOS 27, selon des informations révélées par Bloomberg. L'assistant vocal abandonnerait son interface minimaliste en bulle colorée pour devenir une véritable application autonome, disponible sur iPhone, iPad et Mac. Cette nouvelle version adopterait les codes des chatbots modernes : conversations écrites ou vocales, envoi de fichiers, historique des échanges consultable et continuité entre les sessions. Un bouton « Demander à Siri » ferait son apparition dans les applications tierces, tandis qu'une fonction « Écrire avec Siri » s'intégrerait directement au clavier système. La Dynamic Island servirait à afficher en temps réel l'avancement des traitements. Pour combler son retard technologique, Apple s'appuierait sur le modèle Gemini de Google, annoncé en partenariat dès janvier 2026, afin de renforcer les capacités conversationnelles de l'assistant. L'application dédiée pourrait toutefois ne pas être disponible dès le lancement d'iOS 27, son déploiement étant prévu dans une mise à jour ultérieure. Ce repositionnement marque un tournant stratégique majeur pour Apple, qui accuse depuis plusieurs années un retard flagrant face à ChatGPT, Gemini et Copilot. Le nouveau Siri ne se contenterait plus de répondre à des commandes isolées : il analyserait les données personnelles de l'utilisateur — messages, notes, emails — pour fournir des réponses contextualisées et automatiser des tâches quotidiennes complexes. Cette fusion entre données locales et recherche web représente un saut qualitatif important, transformant Siri d'un simple exécutant en assistant proactif. Pour les utilisateurs, cela signifie un assistant capable de comprendre une demande dans sa globalité, de s'en souvenir, et d'agir en tenant compte du contexte personnel — une expérience bien plus proche de celle proposée par les IA génératives concurrentes. Apple avait déjà tenté cette approche personnalisée en 2024, sans convaincre. La firme revient donc avec une version plus aboutie, dans un contexte où la guerre des assistants IA s'est considérablement intensifiée depuis le lancement de ChatGPT en 2022.

UELa refonte de Siri avec accès aux données personnelles (messages, emails, notes) sur des centaines de millions d'appareils européens soulève des enjeux RGPD significatifs pour les régulateurs de l'UE.

OutilsOpinion
1 source
2The Decoder1h

Google lance Lyria 3 Pro, un générateur de musique par IA entraîné sur des données licenciées

Google a lancé Lyria 3 Pro, un nouveau générateur de musique par intelligence artificielle capable de produire des morceaux allant jusqu'à trois minutes, avec des couplets, des refrains et des ponts — une durée bien supérieure aux outils similaires existants. La société affirme que le modèle a été entraîné exclusivement sur des données pour lesquelles elle dispose des droits nécessaires. Cette précision n'est pas anodine : elle distingue clairement Lyria 3 Pro de son principal concurrent, Suno, actuellement poursuivi en justice par plusieurs maisons de disques pour violation potentielle du droit d'auteur. En revendiquant une base d'entraînement légalement claire, Google se positionne comme un acteur responsable sur un marché où les litiges autour de la propriété intellectuelle freinent l'adoption de ces technologies. C'est aussi un argument commercial fort auprès des créateurs et des entreprises qui craignent d'exposer leurs projets à des risques juridiques. La génération musicale par IA est devenue l'un des terrains les plus disputés de l'industrie créative, où les tensions entre les grandes plateformes technologiques et les ayants droit du secteur musical s'intensifient depuis plusieurs mois.

UELes créateurs et entreprises européens exposés aux risques juridiques liés à la génération musicale par IA peuvent s'appuyer sur cette approche comme référence de conformité avec la directive européenne sur le droit d'auteur (DSM).

OutilsActu
1 source
3AWS ML Blog2h

Déployer des agents vocaux avec Pipecat et Amazon Bedrock AgentCore Runtime – Partie 1

Amazon Web Services et Pipecat ont publié un guide détaillé sur le déploiement d'agents vocaux intelligents en production, s'appuyant sur la nouvelle infrastructure Amazon Bedrock AgentCore Runtime. La solution combine Pipecat, un framework open source spécialisé dans les pipelines audio temps réel, avec l'environnement serverless d'AWS pour permettre des conversations vocales naturelles sur le web, le mobile et la téléphonie. L'architecture prend en charge trois protocoles de transport réseau : WebSockets, WebRTC et l'intégration téléphonique classique. Chaque session de conversation tourne dans des microVMs isolées, avec une capacité de session continue allant jusqu'à 8 heures, et une mise à l'échelle automatique face aux pics de trafic. Le runtime impose l'usage de conteneurs ARM64 (Graviton), ce qui nécessite que les images Docker soient compilées spécifiquement pour l'architecture linux/arm64. Ce que change cette combinaison est significatif pour les équipes qui déploient des agents en production : elle élimine plusieurs problèmes récurrents liés aux architectures vocales temps réel, notamment la gigue audio, les contraintes de montée en charge, et les coûts liés au sur-provisionnement. La facturation à l'usage actif — et non à la capacité réservée — réduit directement les coûts d'infrastructure inactive. Sur le plan technique, la latence reste le défi central : une conversation naturelle exige une réponse inférieure à une seconde de bout en bout. Pour y parvenir, le système mise sur le streaming bidirectionnel à deux niveaux — entre le client et l'agent d'une part, et entre l'agent et les modèles de langage d'autre part. Le choix du modèle est déterminant : AWS recommande Amazon Nova Sonic pour les pipelines speech-to-speech, ou Nova Lite dans une approche en cascade (STT → LLM → TTS), tous deux optimisés pour minimiser le Time-to-First-Token. La plateforme intègre également de l'observabilité native pour tracer le raisonnement de l'agent et ses appels d'outils. Ce premier volet d'une série de publications s'adresse aux développeurs déjà familiers des architectures vocales en cascade et speech-to-speech. Il fait suite à un article précédent d'AWS comparant Amazon Nova Sonic aux approches en cascade, et pose les bases techniques pour les déploiements Pipecat sur AgentCore Runtime.

OutilsTuto
1 source
4The Decoder3h

MolmoWeb, l'agent web entièrement open source d'AI2, navigue sur internet à partir de captures d'écran

L'Allen Institute for AI (AI2) a publié MolmoWeb, un agent web open source capable de naviguer sur internet en utilisant uniquement des captures d'écran. Disponible en deux versions de 4 et 8 milliards de paramètres, cet agent surpasse plusieurs systèmes propriétaires bien plus grands sur les benchmarks standard. C'est une avancée notable car la plupart des agents web performants s'appuient sur des modèles fermés et massifs. MolmoWeb démontre qu'une approche entièrement ouverte, avec des modèles compacts, peut rivaliser avec des systèmes commerciaux — rendant cette technologie accessible à la recherche et aux développeurs sans dépendre de services propriétaires. AI2, connu pour ses travaux open source en IA, s'inscrit dans une tendance plus large où les modèles légers et transparents réduisent l'écart avec les géants du secteur.

UELes chercheurs et développeurs européens peuvent adopter MolmoWeb sans dépendre de services propriétaires américains, réduisant ainsi les coûts et les contraintes de souveraineté numérique.

OutilsActu
1 source