La société française Nomalab, spécialiste du media management dans le cloud, s’est attaquée à ce défi en s’appuyant sur les services d’intelligence artificielle proposés par AWS et en les complétant d’une méthode d’évaluation originale. Résultat : une solution automatisée capable d’identifier les zones optimales pour l’insertion publicitaire dans les programmes, avec un taux de précision supérieur à 90 %. Décryptage d’un cas d’usage exemplaire, à la croisée du cloud, de l’IA et de l’innovation broadcast.
Contexte métier : vers une segmentation intelligente des contenus
Dans les chaînes de télévision comme dans les environnements OTT, l’insertion de publicités dans les programmes audiovisuels ne peut plus être gérée entièrement manuellement à grande échelle. Or, l’optimisation de ces coupures, tant en termes de fluidité narrative que de rentabilité publicitaire, est devenue stratégique.
Historiquement, les coupures publicitaires étaient intégrées via des marqueurs techniques, manuellement ajoutés dans les fichiers ou basés sur des règles rigides de timecode. Aujourd’hui, avec la montée des plates-formes VOD, des chaînes FAST (Free Ad-Supported TV) et la multiplicité des formats, les acteurs de la distribution doivent gérer une volumétrie colossale de contenus à segmenter rapidement et avec fiabilité.
C’est dans ce contexte que Nomalab a décidé de tirer parti des capacités offertes par l’intelligence artificielle et le cloud computing pour automatiser une tâche aussi sensible que stratégique : la détection des coupures publicitaires dans les fichiers vidéo.
La solution technologique : un cocktail de services AWS et une post-évaluation originale
Pour mener à bien ce projet, Nomalab a conçu une chaîne de traitement automatisée en s’appuyant sur les services AWS Media2Cloud, Amazon Rekognition, Amazon Transcribe, Amazon Compre-hend et Amazon Bedrock/Claude.
- Étape 1 : Ingestion et pré-analyse
Les fichiers audiovisuels sont d’abord importés dans un environnement cloud via Media2Cloud, le pipeline de traitement automatisé proposé par AWS. Dès cette étape, les fichiers sont indexés et structurés. - Étape 2 : analyse vidéo
Le service Rekognition analyse image par image les transitions visuelles, les fondus au noir, les changements de rythme ou de tonalité, autant de signaux potentiels pour détecter une « pause narrative » propice à une insertion. - Étape 3 : analyse audio et langage
Parallèlement, Transcribe convertit l’audio en texte, permettant à Comprehend (le moteur de traitement du langage naturel d’AWS) d’identifier les tournants thématiques, les fins de scènes ou les dialogues conclusifs. - Étape 4 : IA générative et validation
Enfin, les données croisées sont soumises à un modèle de langage (LLM) via Amazon Bedrock, qui évalue la pertinence des moments identifiés comme coupures publicitaires. Ce modèle tient compte à la fois du contenu narratif, de la dynamique de la vidéo, mais aussi des critères propres au client : durée maximale entre coupures, style de programme, nombre de coupures.
Le point essentiel pour la qualité des résultats est la validation et la sélection ultime, par une méthode développée par Nomalab, des marqueurs à conserver parmi ceux proposés par les étapes précédentes.
Cas d’usage et résultats : une précision de plus de 90 %
Une fois mis en production, le système a permis de générer automatiquement des repères de coupure dans des centaines de programmes, avec un taux de fiabilité de plus de 90 % confirmé par des superviseurs humains. Ces marqueurs sont ensuite encapsulés dans des fichiers de métadonnées, exploitables directement par les systèmes de diffusion.
Pour Nomalab, cette automatisation a permis non seulement de réduire drastiquement les temps de traitement – en particulier pour les séries ou les formats longs – mais aussi de garantir une uniformité de qualité dans le placement des coupures, sans rompre la narration.
L’approche est également hautement scalable : de nouveaux contenus peuvent être traités en parallèle, quel que soit leur volume ou leur provenance, sans contrainte logistique.
Perspectives : monétisation, efficacité, accessibilité
L’impact de cette innovation dépasse largement le seul cadre de la détection de coupures. D’une part, elle ouvre la voie à une meilleure monétisation des contenus en optimisant les emplacements publicitaires selon les critères narratifs ou émotionnels. D’autre part, elle contribue à fluidifier les workflows de postproduction, notamment dans les environnements FAST, où la vitesse d’intégration de nouveaux contenus est un critère de rentabilité essentiel.
Cette automatisation bénéficie aussi aux usages liés à l’accessibilité, en croisant l’analyse du langage et de l’image pour générer d’autres types de métadonnées (chapitrage, sous-titrage, alertes de contenu sensible…).
Enfin, l’ensemble de la solution est modulaire : elle peut être intégrée dans une infrastructure existante ou proposée en marque blanche, au service des diffuseurs, des plates-formes OTT, ou des prestataires techniques.
Une preuve concrète du potentiel IA+cloud
En conclusion, le projet mené par Nomalab avec AWS illustre parfaitement la manière dont l’IA combinée aux services cloud peut transformer des tâches techniques complexes en process intelligents, agiles et à haute valeur ajoutée. La segmentation publicitaire, souvent négligée dans les discussions sur l’automatisation des médias, devient ici un cas d’école : à la fois technologiquement exigeant, commercialement stratégique et éditorialement sensible.
Dans un secteur où chaque seconde compte – au sens littéral comme économique – ce type d’innovation pourrait bien devenir un standard incontournable pour les studios, chaînes et distributeurs de demain.
Article paru pour la première fois dans Mediakwest #63, p.122-124
