Intelligence vidéo conversationnelle à base d'agents, construite sur AWS
Un nouvel article technique publié par AWS détaille une solution de "vidéo intelligence" fondée sur l'intelligence artificielle agentique, qui permet d'interroger le contenu de vidéos en langage naturel et d'obtenir une réponse en quelques secondes. Le système s'appuie sur le Strands Agents SDK pour orchestrer, au moment de la requête, plusieurs services AWS : Amazon Bedrock (avec les modèles Claude Sonnet d'Anthropic), Amazon Rekognition pour l'analyse visuelle et Amazon Transcribe pour la transcription audio. Pour du contenu déjà analysé, les réponses arrivent en moins d'une seconde ; l'analyse initiale d'une nouvelle vidéo prend de 5 à 10 minutes selon sa durée. Le code complet est disponible sur un dépôt GitHub associé à l'article. La solution a été déployée dans le cadre d'une mission d'AWS Professional Services auprès d'une grande entreprise du secteur médias et divertissement, dont les consultants interrogent désormais des enregistrements de sessions de découverte pour en extraire décisions de conception, actions à mener et positions des parties prenantes. Selon une comparaison interne avant/après réalisée par le client (non vérifiée de façon indépendante), cela a permis de réduire d'environ 80 % le temps de revue manuelle sur un arriéré de plus de 200 enregistrements de plusieurs heures chacun.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
L'enjeu dépasse le seul cas médias : les organisations des secteurs de la sécurité, de l'assurance et des services professionnels accumulent des volumes de vidéo que leurs équipes ne peuvent plus visionner intégralement, qu'il s'agisse d'enregistrements de réunions, de flux de caméras de sécurité ou de vidéos d'inspection terrain stockées sans être jamais réexaminées. Jusqu'ici, exploiter cette information exigeait soit un visionnage manuel chronophage, soit la construction d'un pipeline de machine learning distinct pour chaque type de question (transcription pour les réunions, vision par ordinateur pour la recherche visuelle, reconnaissance faciale pour l'identification de personnes), ce qui multipliait les coûts de développement. L'approche agentique change la donne : un agent unique décide dynamiquement quel service invoquer selon la question posée, qu'il s'agisse de résumer les trente premières minutes d'une réunion, de vérifier si une personne est apparue dans des images de sécurité, ou d'identifier quel véhicule a changé de voie avant une collision, sans qu'il soit nécessaire de bâtir une chaîne de traitement spécifique pour chaque usage.
Cette architecture illustre une tendance plus large dans le déploiement de l'IA générative en entreprise : remplacer des pipelines figés par des agents capables de choisir eux-mêmes, à l'exécution, les outils spécialisés à mobiliser, le modèle de langage jouant le rôle de routeur logique plutôt que le code applicatif. Pour fonctionner, la solution nécessite un compte AWS avec accès à Amazon Bedrock et aux modèles Claude Sonnet, ainsi qu'à Amazon S3, Python 3.11 ou supérieur, et le SDK Strands Agents ; le traitement documentaire peut également passer par Amazon Bedrock Data Automation en alternative à Rekognition et Transcribe. AWS positionne ainsi ce type d'architecture agentique comme un modèle reproductible pour d'autres organisations confrontées à des volumes vidéo croissants et à des besoins d'analyse toujours plus variés.
Pas d'impact direct sur la France/UE