Il video agentico di Gemini utilizza fino all’88% di token in meno: cosa significa per i NAS AI e la ricerca privata nei media

Gemini Agentic Video cambia l'IA video consentendo al modello di decidere quali momenti meritano attenzione, invece di elaborare un intero video a una frequenza di campionamento fissa. Google riferisce che i carichi di lavoro testati possono utilizzare fino all'88% di token in meno, costare fino al 66% in meno e migliorare la qualità fino al 7%. Il cambiamento importante non è semplicemente un'analisi video più economica: Gemini può cercare nella timeline, esaminare un momento promettente e poi osservarlo di nuovo con maggiore dettaglio quando la domanda lo richiede.

Per un NAS che conserva anni di filmati di videosorveglianza, video di famiglia, riunioni o archivi di creator, questo non significa che Gemini possa improvvisamente “guardare” localmente l'intera raccolta. Gemini continua a funzionare nel cloud di Google. L'architettura più interessante consiste nel restringere localmente un ampio archivio privato, per poi fornire a un modello multimodale solo le clip o gli intervalli temporali che meritano un'ispezione più approfondita. In altre parole, il problema infrastrutturale diventa trasformare video della scala dello storage in contesto della scala delle query.

Che cos'è Gemini Agentic Video Understanding?

Gemini Agentic Video Understanding è una modalità di elaborazione video che consente a Gemini di esplorare attivamente un video, invece di caricare i fotogrammi a una frequenza fissa in un unico passaggio.

Google ha introdotto questa funzionalità il 1° settembre 2026. L'annuncio del lancio riguardava inizialmente Gemini 3.7 Flash, 3.6 Flash e 3.5 Flash-Lite; la documentazione per sviluppatori aggiornata di Google elenca inoltre Gemini 3.8 Flash tra i modelli che supportano l'elaborazione agentica dei video.

Secondo l'annuncio di Google su Agentic Video Understanding, il modello combina il ragionamento con strumenti video nativi per cercare, scansionare ed esaminare le porzioni pertinenti di fotogrammi, audio e trascrizioni.

La distinzione è importante perché il modello non è più un osservatore passivo.

Può porre una versione interna della domanda: Dove dovrei cercare ora?

Perché guardare un video a 1 FPS fisso è inefficiente?

L'elaborazione video statica è semplice e prevedibile. Gemini campiona il video a una frequenza fissa, per impostazione predefinita 1 fotogramma al secondo, ed elabora i fotogrammi campionati insieme all'audio.

Funziona bene quando il video è breve. Diventa molto meno conveniente quando l'input dura un'ora o diverse ore.

ELABORAZIONE VIDEO STATICA

Video
  |
  v
Campionamento fisso a 1 FPS
  |
  v
Fotogramma 1
Fotogramma 2
Fotogramma 3
Fotogramma 4
...
  |
  v
Contesto esteso
  |
  v
Modello
  |
  v
Risposta

L'attuale documentazione di Google sui token di Gemini offre un esempio utile: una lezione di un'ora, che con l'elaborazione statica ad alta risoluzione potrebbe richiedere circa 1,08 milioni di token, potrebbe utilizzarne circa 108.000 con l'elaborazione agentica, a seconda della domanda e del contenuto.

Questa differenza esiste perché la maggior parte delle domande non richiede ogni secondo di un video.

Se l'utente chiede: «Quale conclusione ha raggiunto l'oratore riguardo ai costi di archiviazione?», le prove utili possono occupare 90 secondi in una presentazione della durata di un'ora.

Elaborare gli altri 58 minuti non rende automaticamente migliore la risposta.

Perché il campionamento fisso dei fotogrammi può ancora non rilevare eventi importanti?

Il consumo di token è solo metà del problema. Il campionamento fisso può anche analizzare i momenti sbagliati.

Consideriamo una registrazione di una telecamera di sicurezza in cui qualcuno deposita un pacco sul portico tra due fotogrammi campionati:

00:10.0
Portico vuoto
    |
    |  pacco depositato qui
    |
00:11.0
Pacco sul portico

Una visualizzazione a 1 FPS può catturare lo stato prima e dopo l'azione, perdendo però l'azione stessa.

Google evidenzia in particolare il recupero di momenti inferiori al secondo come una delle nuove funzionalità di Agentic Video. Il modello può identificare un intervallo temporale promettente e ricampionare quella finestra con una densità maggiore, invece di applicare una frequenza elevata all'intera registrazione.

Questo tipo di analisi mirata è particolarmente rilevante per gli eventi e le registrazioni delle telecamere di sicurezza archiviati localmente, dove un singolo evento utile può occupare solo pochi secondi all'interno di ore di filmato.

Il principio è semplice:

Dedica una maggiore quantità di risorse visive alle parti in cui è più probabile trovare la risposta.

Come decide Gemini quali parti di un video guardare?

Agentic Video trasforma la comprensione dei video in un processo iterativo. Invece di adottare un'unica strategia di campionamento prima di iniziare il ragionamento, Gemini può modificare il modo in cui analizza l'input man mano che il compito procede.

Google descrive il sistema come capace di scegliere cosa guardare, a quale velocità e attraverso quale modalità.

QUERY DELL’UTENTE
    |
    v
Ragiona su quali prove sono necessarie
    |
    v
Naviga nella timeline del video
    |
    +---------------------+
    |          |          |
    v          v          v
Trascrizione   Audio      Fotogrammi
    |          |          |
    +----------+----------+
               |
               v
      Trovato il momento rilevante?
               |
          +----+----+
          |         |
         No        Sì
          |         |
          v         v
 Cerca di nuovo   Esamina più a fondo
               FPS più elevati
               Dettaglio maggiore
                    |
                    v
                  Risposta

Questo crea un ciclo più simile a un’indagine che a un normale prompt multimodale.

Una trascrizione può innanzitutto indicare approssimativamente dove viene discusso un argomento. I fotogrammi possono poi verificare ciò che è apparso sullo schermo. Se è importante un evento visivo rapido, il modello può esaminare quella sezione ristretta a una frequenza dei fotogrammi più elevata.

La modalità stessa diventa parte della decisione di ragionamento.

Perché Agentic Video può usare fino all’88% di token in meno?

Agentic Video risparmia token evitando i contenuti multimediali che non contribuiscono alla risposta. Non comprime semplicemente l’intero video dell’88%.

Le attuali note sui prezzi di Google indicano che il consumo di token è variabile, perché dipende da ciò che il modello carica dinamicamente. La complessità della query, il contenuto del video e la profondità del campionamento influiscono tutti sul risultato.

Questi sono i risultati riportati da Google sui carichi di lavoro video testati, non garanzie fisse per ogni input.

Le attuali note sui prezzi dell’API Gemini dichiarano esplicitamente che il conteggio dei token di Agentic Video dipende dai contenuti caricati dal modello, non semplicemente dalla durata totale del video sorgente.

Una domanda difficile che spinge il modello a rivedere molte sezioni può richiedere molto più lavoro di una semplice richiesta relativa a un momento specifico.

Perché il 88% di token in meno non significa l’88% di costi in meno?

Agentic Video continua a eseguire ragionamenti e a navigare. Può esaminare le trascrizioni, caricare fotogrammi, ricampionare una sezione e produrre una risposta finale.

Per questo la riduzione massima dei token riportata da Google è dell’88%, mentre la riduzione massima riportata dei costi di analisi è del 66%.

Il conteggio dei token può includere diversi tipi di elaborazione:

• il prompt testuale originale,
• ragionamento sulla navigazione,
• trascrizione caricata dinamicamente,
• fotogrammi caricati per l’ispezione,
• audio caricato quando necessario,
• e la risposta generata finale.

L’obiettivo, quindi, non è eliminare l’elaborazione, ma dedicarla ai punti con il più alto valore informativo.

Cosa può trovare il video agentico che l’analisi statica potrebbe non rilevare?

Google sottolinea diversi carichi di lavoro in cui l’ispezione temporale adattiva è più importante della semplice riduzione dei token.

Queste funzionalità sono particolarmente rilevanti per telecamere di sicurezza, filmati sportivi, tutorial, archivi di riunioni, registrazioni dello schermo e contenuti dei creator.

In ogni caso, il momento utile può essere minuscolo rispetto alla durata complessiva del contenuto.

L'elaborazione agentica dei video è sempre migliore di quella statica?

No. I video brevi possono comunque essere candidati migliori per l'elaborazione statica.

Le indicazioni sull'ottimizzazione di Google affermano che la modalità statica può offrire un time to first token più rapido per le clip sensibili alla latenza di circa meno di cinque minuti, perché l'elaborazione agentica deve ragionare, navigare ed eseguire round trip interni degli strumenti prima di generare una risposta.

La lezione utile non è “l'elaborazione agentica sostituisce quella statica”.

È che la strategia di elaborazione dei video può ora adattarsi al carico di lavoro.

Gemini Agentic Video sostituisce il Video RAG?

No. La navigazione dei video al momento della query e il recupero persistente dei video risolvono problemi diversi.

Gemini Agentic Video parte da un input video e decide quali parti di quell'input meritano un'analisi più approfondita. Un sistema Video RAG in genere parte un passaggio prima: aiuta a determinare quali video o segmenti di una raccolta molto più ampia debbano essere sottoposti al modello multimodale.

La distinzione è supportata dalla ricerca sulla comprensione dei video lunghi.

La ricerca LongVideoBench sul ragionamento su video della durata di un'ora contiene 3.763 video e 6.678 domande annotate da esseri umani in 17 categorie. Gli autori definiscono la sfida principale come il recupero e il ragionamento su informazioni multimodali dettagliate provenienti da input di lunga durata.

Quella formulazione è importante: recuperare e ragionare, non semplicemente “contestualizzare il video”.

In che modo Video RAG è diverso dal fornire semplicemente a Gemini un video lungo?

Video RAG diventa particolarmente utile quando la raccolta è molto più grande di una singola registrazione.

La ricerca VideoRAG sulle raccolte video estremamente lunghe esplora questo problema su un benchmark contenente più di 160 video, per un totale di oltre 134 ore.

Il sistema proposto combina il grounding della conoscenza testuale con il recupero multimodale, invece di aspettarsi che una singola esecuzione del modello acquisisca l’intera raccolta.

Questo suggerisce un’utile architettura a due fasi:

FASE 1
RECUPERO VIDEO PERSISTENTE

Archivio video
     |
     v
Trascrizioni
Metadati
Scene
OCR
Embedding
Timestamp
     |
     v
Video candidati
Intervalli temporali candidati

          |
          v

FASE 2
ISPEZIONE VIDEO AGENTICA

Segmento selezionato
     |
     v
Naviga
Riguarda
Modifica gli FPS
Esamina audio / trascrizione / fotogrammi
     |
     v
Risposta approfondita

I due livelli si completano a vicenda.

Il recupero stabilisce quale video esaminare; la comprensione video agentica stabilisce quanto a fondo analizzarlo.

Perché le grandi raccolte video dovrebbero effettuare una ricerca prima di un’analisi AI approfondita?

Un server multimediale personale può contenere 20 TB di video. Un archivio di sicurezza può crescere molto di più. Eppure, la domanda di un utente potrebbe dipendere in ultima analisi da otto secondi di riprese.

Questa differenza cambia l’architettura.

Il modello multimodale non dovrebbe dover diventare l’indice dell’intero archivio.

Invece:

ARCHIVIO VIDEO DA 50 TB
        |
        v
Indice locale ricercabile
        |
        v
20 video candidati
        |
        v
3 intervalli temporali candidati
        |
        v
45 secondi di video pertinenti
        |
        v
Ragionamento multimodale approfondito

I numeri esatti sono indicativi, ma il principio è scalabile.

Il problema infrastrutturale consiste nel trasformare video su scala storage in contesto su scala query.

Con la crescita dell’archivio, questo livello di selezione diventa più importante, non meno. La nostra guida all’hardware per AI NAS destinato a indicizzazione, elaborazione multimediale e grandi dataset locali spiega perché lo storage, il livello SSD attivo, la rete e la potenza di calcolo AI dovrebbero essere dimensionati come risorse separate, anziché essere considerati un unico requisito AI generico.

Come sarebbe una pipeline video per un AI NAS?

Un AI NAS che indicizza e comprende i contenuti multimediali archiviati non deve eseguire Gemini per contribuire con informazioni utili. Può occuparsi delle attività persistenti e ripetitive più vicine ai contenuti multimediali originali.

Un’architettura ibrida pratica potrebbe essere così:

ARCHIVIO VIDEO NAS
Video originali
        |
        v
ELABORAZIONE LOCALE
Metadati dei file
Trascrizioni
Confini delle scene
Timestamp
OCR
Miniature
Tag degli oggetti
Embedding
        |
        v
RICERCA LOCALE
        |
        v
Video candidato
Intervallo temporale candidato
        |
        v
POLITICA / DECISIONE DELL’UTENTE
        |
        +--------------------+
        |                    |
        v                    v
MODELLO LOCALE          MODELLO CLOUD
                           |
                           v
                  Gemini Agentic Video
                           |
                           v
                  Ragionamento video approfondito

Questo è un modello architetturale, non un’integrazione Google annunciata con i prodotti NAS.

Il vantaggio è che storage, indicizzazione e ragionamento del modello non devono più avvenire sulla stessa macchina.

Un NAS cloud personale con più unità, come ZimaCube 2 può rimanere il livello multimediale durevole. Una CPU o una GPU locale può generare metadati. Un modello multimodale cloud può essere riservato alle domande per cui il suo ragionamento temporale più avanzato vale il costo del trasferimento e dell’API.

In una configurazione separata, un server locale compatto per l’indicizzazione e la preelaborazione, come ZimaBoard 2 può eseguire anche servizi adiacenti allo storage, senza richiedere che la macchina per l’inferenza ad alta potenza rimanga attiva per ogni attività in background.

I metadati video e gli indici AI devono risiedere accanto ai file originali?

Non è necessario, ma mantenere il livello ricercabile vicino all’archivio può semplificare diversi aspetti di un flusso di lavoro per contenuti multimediali privati.

Anche i percorsi stabili sono importanti. Se l’indice indica che un evento si è verificato in camera-02/2026-09-01.mp4 alle 18:41:12, il sistema di recupero ha bisogno di un modo affidabile per ritrovare in seguito quell’asset originale.

Per le raccolte multimediali conservate a lungo, l’indice e l’archivio sono quindi strettamente correlati, anche quando sono tecnicamente archiviati in database o volumi separati.

La stessa suddivisione dello storage compare nei sistemi self-hosted per foto e video. Ad esempio, la nostra guida hardware di Immich per librerie di foto e video separa gli originali in blocco dai carichi di lavoro sensibili alla latenza relativi a database, miniature, machine learning e processamento video.

Che cos’è un’architettura video AI calda, tiepida e fredda?

Anche i grandi archivi video non richiedono che ogni dato venga archiviato allo stesso livello di elaborazione.

Un design efficace separa tre livelli:

COLD
20 TB di contenuti multimediali originali
        |
        v
WARM
Metadati e indici ricercabili
        |
        v
HOT
Clip rilevante di 10–60 secondi
        |
        v
MODELLO IA

Questa architettura concentra l'analisi costosa su una frazione minima dei dati originali.

Inoltre, evita di dover ricostruire gli stessi metadati di base ogni volta che arriva una nuova domanda.

I livelli warm e hot richiedono generalmente una capacità molto inferiore rispetto all'archivio video originale, ma possono trarre vantaggio da uno storage SSD reattivo per database, miniature, embedding, indici e clip temporanee. Su un home server espandibile, l'espansione PCIe a SSD NVMe per gli indici e le cache IA attivi può mantenere separati questi dati di lavoro dallo storage HDD per i dati in blocco.

Gemini Agentic Video può analizzare filmati privati archiviati su un NAS senza caricarli?

No. Gemini Agentic Video è una funzionalità cloud, quindi i contenuti video analizzati da Gemini devono diventare accessibili al servizio di Google.

Attualmente Google supporta diversi metodi di input video, tra cui contenuti multimediali caricati, la registrazione da Cloud Storage, dati inline per input di piccole dimensioni e URL pubblici di YouTube.

La documentazione sull'elaborazione video di Gemini consiglia l'API Files per molti input multimediali di grandi dimensioni o riutilizzabili.

Secondo la documentazione attuale di Google, i file caricati tramite l'API Gemini Files vengono conservati per 48 ore prima dell'eliminazione automatica.

È molto diverso dal dire che i filmati restano all'interno della rete domestica.

La documentazione attuale sui prezzi delle API per i livelli a pagamento di Google afferma inoltre che, per impostazione predefinita, i dati dei livelli a pagamento non vengono utilizzati per migliorare i suoi prodotti. Gli sviluppatori dovrebbero comunque valutare i requisiti di conservazione, registrazione, regionali, organizzativi e di conformità prima di inviare registrazioni sensibili a un servizio esterno.

In che modo un archivio video privato può usare l'IA cloud in modo più selettivo?

Un flusso di lavoro ibrido può ridurre la quantità di contenuti multimediali privati che devono essere elaborati esternamente.

Il primo passaggio può rimanere locale:

• identificare il file,
• cercare nella trascrizione,
• filtrare per telecamera o data,
• rilevare movimenti o cambi di scena,
• recuperare i timestamp candidati,
• e generare una breve clip candidata.

Questo tipo di separazione segue lo stesso principio discusso nella nostra guida a mantenere l’elaborazione IA adiacente allo storage vicino ai dati privati: il NAS può rimanere un livello dati stabile anche quando l’inferenza più impegnativa avviene altrove.

Solo a quel punto il flusso di lavoro decide se è necessario il ragionamento nel cloud.

ARCHIVIO VIDEO PRIVATO
        |
        v
RICERCA LOCALE + FILTRI
        |
        v
Segmento pertinente trovato
        |
        v
Questa domanda richiede
serve un ragionamento multimodale più avanzato?
        |
    +---+---+
    |       |
   No      Sì
    |       |
    v       v
 Locale   Clip approvata
 risposta       |
              v
        Gemini Agentic Video

Questo non rende Gemini locale. Rende più ristretto il confine dei dati.

Invece di trattare un intero archivio privato come potenziale contesto cloud, il sistema può decidere quali contenuti multimediali meritano un’analisi più approfondita.

Quando l’analisi video dovrebbe rimanere locale invece di passare a Gemini?

La risposta corretta dipende dalla privacy, dalla difficoltà, dalla scala, dall’hardware e dal livello di ragionamento multimodale richiesto dall’attività.

Per le installazioni con molte telecamere, la decisione è particolarmente importante perché la registrazione continua e il rilevamento in tempo reale creano carichi di lavoro diversi. La nostra guida a un’archiviazione NVR privata e all’intelligenza video locale tratta separatamente l’archiviazione e il rilevamento sempre attivo rispetto al ragionamento multimodale nel cloud.

L’obiettivo non è massimizzare né l’elaborazione locale né quella cloud.

Consiste nell’utilizzare il livello più economico e sicuro in grado di risolvere ogni parte dell’attività.

In che modo Gemini Agentic Video cambia ciò che dovrebbe fare un NAS con IA?

Sì, ma non trasformando il NAS in una macchina che deve comprendere ogni fotogramma con il più grande modello multimodale possibile.

Il ruolo più scalabile è rendere la raccolta multimediale navigabile tramite l’IA.

Ciò significa preservare gli originali mantenendo:

• le trascrizioni ricercabili,
• i metadati allineati temporalmente,
• gli indici delle scene,
• l'OCR,
• gli embedding,
• le miniature,
• le autorizzazioni,
• e collegamenti affidabili alle riprese originali.

Questo è il ruolo più ampio descritto da un NAS AI come livello di intelligenza locale per i dati archiviati: lo storage rimane la base, mentre gli indici e i servizi di IA rendono questi dati più facili da cercare, comprendere e riutilizzare.

Una volta creato quel livello, il modello di ragionamento diventa sostituibile.

Oggi potrebbe essere Gemini Agentic Video. Un altro flusso di lavoro potrebbe utilizzare un modello multimodale locale. Un sistema futuro potrebbe combinare diversi modelli in base a privacy, costo o accuratezza.

L'archivio non dovrebbe dover essere ricostruito per ogni modello.

Questa è la stessa lezione architetturale che emerge in altre forme di dati di IA: il modello non ha bisogno di tutte le informazioni dell'utente. Ha bisogno della più piccola porzione corretta di informazioni per l'attività corrente.

Per il testo, potrebbe significare una manciata di documenti recuperati.

Per la memoria dell'agente, potrebbe significare un piccolo insieme di file di conoscenza strutturati.

Per i video, potrebbe significare dodici secondi nascosti in cinquanta terabyte di registrazioni.

Gemini Agentic Video è importante perché avvicina il ragionamento multimodale a quel modello. Invece di trattare il video come un unico enorme blocco di contesto, il sistema può decidere attivamente dove vale la pena concentrare l'attenzione.

Per le grandi librerie multimediali private, il passo successivo è ancora più importante:

il modello multimodale non dovrebbe diventare l'indice. Dovrebbe diventare l'investigatore che interviene dopo che l'indice ha ristretto la ricerca.

FAQ: Gemini Agentic Video, NAS AI e ricerca privata nei contenuti multimediali

Che cos'è la comprensione video agentica di Gemini?

È una modalità di elaborazione video di Gemini che naviga dinamicamente nella timeline di un video invece di elaborare tutti i fotogrammi campionati in un unico passaggio statico. Il modello può esaminare selettivamente trascrizione, audio e fotogrammi video, aumentando il livello di dettaglio del campionamento quando un segmento promettente richiede un'analisi più approfondita.

Quanti token in meno utilizza Gemini Agentic Video?

Google segnala fino all'88% di token in meno nei carichi di lavoro video di lunga durata testati. Non si tratta di una riduzione fissa. L'utilizzo effettivo dei token dipende dal video, dalla complessità della query e dalla quantità di contenuti che il modello sceglie di esaminare.

Una riduzione dell'88% dei token significa che Gemini Agentic Video costa l'88% in meno?

No. Google segnala riduzioni dei costi di analisi fino al 66%. L'elaborazione agentica utilizza comunque token per la navigazione, il ragionamento, i contenuti video caricati dinamicamente e l'output finale.

Il video agentico di Gemini è più accurato dell'elaborazione video statica?

Google segnala miglioramenti della qualità fino a circa il 7% nei benchmark testati. Il vantaggio è particolarmente rilevante quando il modello deve trovare eventi brevi o prove specifiche all’interno di registrazioni lunghe.

Quale frequenza dei fotogrammi usa normalmente Gemini per i video?

La modalità predefinita di elaborazione video statica di Gemini campiona i fotogrammi a 1 FPS. Gli sviluppatori possono configurare frequenze diverse, mentre Agentic Video può modificare dinamicamente la densità con cui esamina determinate sezioni.

Agentic Video è migliore per le clip brevi?

Non sempre. Le indicazioni di Google affermano che l’elaborazione statica può offrire un tempo più rapido al primo token per i video brevi e sensibili alla latenza, perché la modalità agentica aggiunge passaggi di navigazione e ragionamento prima di fornire una risposta.

Gemini Agentic Video sostituisce Video RAG?

No. Video RAG può indicizzare e recuperare candidati da un archivio persistente di grandi dimensioni. Agentic Video può quindi analizzare più a fondo un video o un segmento selezionato. Il recupero decide che cosa esaminare; il ragionamento agentico sui video decide come esaminarlo.

Gemini Agentic Video può essere eseguito direttamente su un NAS?

No. Gemini Agentic Video è attualmente una funzionalità ospitata da Google. Un NAS può archiviare e indicizzare i contenuti multimediali originali, ma i contenuti inviati a Gemini devono essere accessibili al servizio cloud di Google.

Per quanto tempo Gemini conserva i file video caricati?

L’attuale documentazione dell’API Files di Google indica che i file caricati vengono conservati per 48 ore. Gli sviluppatori che lavorano con filmati sensibili dovrebbero consultare le più recenti politiche relative all’API, alla registrazione, alla conservazione e all’utilizzo dei dati prima di caricare i contenuti multimediali.

Che cosa dovrebbe archiviare un NAS AI oltre ai video originali?

Un livello multimediale ricercabile può includere trascrizioni, timestamp, miniature, testo OCR, confini delle scene, tag di oggetti o eventi, embedding e altri metadati che consentono a un sistema AI di recuperare clip pertinenti senza elaborare nuovamente l’intero archivio ogni volta.

Gli indici video AI richiedono storage SSD o NVMe?

Non tutti gli archivi video necessitano di unità NVMe per i file multimediali originali. I filmati voluminosi possono rimanere su uno storage orientato alla capacità, mentre database, miniature, embedding, indici e clip di lavoro temporanee consultati frequentemente possono beneficiare di un livello SSD o NVMe più veloce. La configurazione di storage appropriata dipende dalle dimensioni della libreria, dall’attività di indicizzazione e dai carichi di lavoro simultanei.

I filmati di sorveglianza dovrebbero essere analizzati localmente o nel cloud?

I filmati sensibili sono candidati ideali per il filtraggio, l’indicizzazione e l’analisi di base in locale. L’elaborazione cloud può essere utile per domande multimodali più complesse, quando l’utente o l’organizzazione accetta esplicitamente il trasferimento dei dati esterni e le relative politiche di conservazione.

Qual è la migliore architettura per una libreria video AI molto grande?

Un design scalabile separa l’archivio originale, un livello persistente di metadati ricercabili, un piccolo insieme di lavoro dinamico di clip candidate e il modello di ragionamento multimodale. In questo modo, una grande raccolta archiviata si trasforma in una quantità molto più ridotta di contesto pertinente alla query.