KT의 A,B,C 사업을 본 후 해외기업에선 어떤 움직임들이 있는지 찾아 보았고 그중 Disney에서 machine learning을 통한 메타데이터를 가지게 되었다.
https://aws.amazon.com/ko/machine-learning/customers/innovators/disney/
Disney는 작가나 일러스트레이터가 참고하거나 영감을 얻을 수 있도록 보관소를 쉽게 접근 할 수 있게 만들어야 한다고 주장하였고 피터팬 등 인기 캐릭터들의 그림, 컨셉 아트워크 등을 창고에 보관하였고 1세기 가량의 분량을 보관하게되어 비중이 점점 늘어남에 따라 Disney는 메타데이터를 활용하여 Disney의 프로그램과 영화에 나오는 이야기, 장면, 인물들에 대한 정보입니다.
밤비는 토끼 Thumper나 Paline(밤비의 새끼 사슴 친구) 같은 캐릭터는 물론 동물 유형, 동물들 사이의 관계, 각 동물이 묘사하는 캐릭터를 식별하는 메타데이터 태그를 가지고 있습니다. 자연 장면(묘사된 특정 종류의 꽃까지 세분화됨), 음악, 감성, 내레이션 톤 같은 것에도 특정 태그가 있습니다. 따라서 이 모든 콘텐츠가 제대로 정렬되도록 올바른 메타데이터로 적절히 태깅하는 것은 어려운 일입니다. 특히 Disney의 가파른 성장 속도를 고려할 때 더욱 그렇습니다
하지만 모든 것에 올바른 메타데이터를 태깅하는 것은 엄청난 양의 노동입니다. 수동 태깅이 이 프로세스의 중요한 부분이기는 하지만 DTCI Technology 팀은 모든 프레임을 수동으로 분류할 시간이 없습니다. 따라서 Farré의 팀은 메타데이터를 생성하는 작업에 기계 학습, 더 구체적으로는 딥 러닝을 사용했습니다. 목표는 나머지 Disney 기술 자료와 일치하는 방식으로 장면의 구성 요소를 자동으로 태깅하는 딥 러닝 알고리즘을 구축하는 것입니다. 여전히 마지막에는 사람이 알고리즘의 태그를 승인해야 하지만, 이 프로젝트는 Disney 도서관을 정리하는 데 필요한 노동력을 크게 줄임으로써 검색 정확도를 향상시키고 있습니다.
무엇보다도, 이러한 발전 덕분에 엔지니어들은 시간을 절약하고 AWS(Amazon Web Services)를 사용하는 딥 러닝 모델을 개발하는 데 더 집중할 수 있게 되었습니다. 그 결과, 다양한 종류의 Disney 콘텐츠에서 메타데이터 생성 자동화가 순조롭게 이루어지고 있습니다.
