A pesquisa de vídeos agentiva do Gemini utiliza até 88% menos tokens — o que significa para NAS com IA e pesquisa privada de multimédia

O Gemini Agentic Video transforma a IA de vídeo ao permitir que o modelo decida quais os momentos que merecem atenção, em vez de processar um vídeo inteiro a uma frequência de amostragem fixa. A Google indica que as cargas de trabalho testadas podem utilizar até 88% menos tokens, custar até 66% menos e melhorar a qualidade em até 7%. A mudança importante não é simplesmente tornar a análise de vídeo mais barata: o Gemini pode pesquisar a linha temporal, inspecionar um momento promissor e voltar a analisá-lo com maior detalhe quando a pergunta o exigir.

Para um NAS que armazene anos de gravações de videovigilância, vídeos de família, reuniões ou arquivos de criadores, isso não significa que o Gemini possa subitamente “ver” toda a biblioteca localmente. O Gemini continua a funcionar na nuvem da Google. A arquitetura mais interessante consiste em restringir localmente um grande arquivo privado e, depois, fornecer a um modelo multimodal apenas os clipes ou intervalos de tempo que merecem uma inspeção mais aprofundada. Por outras palavras, o problema da infraestrutura passa a ser transformar vídeo à escala do armazenamento em contexto à escala das consultas.

O que é a compreensão agentiva de vídeo do Gemini?

A compreensão agentiva de vídeo do Gemini é um modo de processamento de vídeo que permite ao Gemini navegar ativamente por um vídeo, em vez de carregar fotogramas a uma única frequência fixa numa só passagem.

A Google introduziu esta capacidade em 1 de setembro de 2026. O anúncio de lançamento abrangia inicialmente o Gemini 3.7 Flash, o 3.6 Flash e o 3.5 Flash-Lite; a documentação atual para programadores da Google também inclui o Gemini 3.8 Flash entre os modelos compatíveis com o processamento agentivo de vídeo.

Segundo o anúncio da Google sobre a compreensão agentiva de vídeo, o modelo combina raciocínio com ferramentas nativas de vídeo para pesquisar, analisar e inspecionar as partes relevantes dos fotogramas, do áudio e das transcrições.

A distinção é importante porque o modelo já não é um mero espectador passivo.

Pode perguntar a uma versão interna: Onde devo procurar a seguir?

Porque é ineficiente ver um vídeo a uma taxa fixa de 1 FPS?

O processamento estático de vídeo é simples e previsível. O Gemini amostra o vídeo a uma taxa de fotogramas fixa — 1 fotograma por segundo, por predefinição — e processa esses fotogramas amostrados juntamente com o áudio.

Isso funciona bem quando o vídeo é curto. Torna-se bastante menos atrativo quando a entrada dura uma hora ou várias horas.

PROCESSAMENTO ESTÁTICO DE VÍDEO

Vídeo
  |
  v
Amostragem fixa a 1 FPS
  |
  v
Fotograma 1
Fotograma 2
Fotograma 3
Fotograma 4
...
  |
  v
Contexto longo
  |
  v
Modelo
  |
  v
Resposta

A atual documentação de tokens do Gemini da Google dá um exemplo útil: uma palestra de uma hora que pode exigir aproximadamente 1,08 milhões de tokens com processamento estático de alta resolução poderá usar cerca de 108 000 tokens com processamento agentic, dependendo da pergunta e do conteúdo.

Essa diferença existe porque a maioria das perguntas não exige todos os segundos de um vídeo.

Se o utilizador perguntar: «Que conclusão tirou o orador sobre os custos de armazenamento?», as informações úteis podem ocupar 90 segundos numa apresentação de uma hora.

Processar os outros 58 minutos não melhora automaticamente a resposta.

Porque pode a amostragem fixa de fotogramas continuar a não detetar eventos importantes?

O consumo de tokens é apenas metade do problema. A amostragem fixa também pode observar os momentos errados.

Considere uma gravação de câmara de segurança em que alguém coloca um pacote numa varanda entre dois fotogramas amostrados:

00:10.0
Varanda vazia
    |
    |  pacote colocado aqui
    |
00:11.0
Pacote na varanda

Uma visualização a 1 FPS pode captar o estado antes e depois da ação, mas não a própria ação.

A Google destaca especificamente a recuperação de momentos com duração inferior a um segundo como uma das novas capacidades do vídeo agentic. O modelo pode identificar um intervalo de tempo promissor e voltar a amostrar essa janela com maior densidade, em vez de aplicar uma taxa de fotogramas elevada a toda a gravação.

Este tipo de inspeção direcionada é especialmente relevante para eventos e gravações de câmaras de segurança armazenados localmente, em que um evento útil pode ocupar apenas alguns segundos no meio de horas de gravação.

O princípio é simples:

Gaste mais largura de banda visual onde é provável que esteja a resposta.

Como decide o Gemini que partes de um vídeo deve ver?

O vídeo agentic transforma a compreensão de vídeo num processo iterativo. Em vez de se comprometer com uma estratégia de amostragem antes de começar a raciocinar, o Gemini pode alterar a forma como inspeciona a entrada à medida que a tarefa evolui.

A Google descreve o sistema como escolhendo o que ver, a que velocidade e através de que modalidade.

CONSULTA DO UTILIZADOR
    |
    v
Raciocinar sobre que evidências são necessárias
    |
    v
Navegar na linha temporal do vídeo
    |
    +---------------------+
    |          |          |
    v          v          v
Transcrição   Áudio      Fotogramas
    |          |          |
    +----------+----------+
               |
               v
      Foi encontrado o momento relevante?
               |
          +----+----+
          |         |
         Não        Sim
          |         |
          v         v
 Pesquisar novamente   Inspecionar mais profundamente
               Mais FPS
               Maior detalhe
                    |
                    v
                  Resposta

Isto cria um ciclo mais próximo de uma investigação do que de um pedido multimodal comum.

Uma transcrição pode revelar primeiro, aproximadamente, onde um assunto é discutido. Depois, os fotogramas podem confirmar o que apareceu no ecrã. Se um evento visual rápido for relevante, o modelo pode inspecionar essa secção restrita a uma taxa de fotogramas mais elevada.

A própria modalidade passa a fazer parte da decisão de raciocínio.

Porque é que o Agentic Video pode utilizar até 88% menos tokens?

O Agentic Video poupa tokens ao evitar conteúdo multimédia que não contribui para a resposta. Não comprime simplesmente o vídeo inteiro em 88%.

As atuais notas de preços da Google indicam que o consumo de tokens é variável, pois depende do que o modelo carrega dinamicamente. A complexidade da consulta, o conteúdo do vídeo e a profundidade da amostragem afetam o resultado.

Estes são os resultados da Google nos testes realizados com várias cargas de trabalho de vídeo, não garantias fixas para todas as entradas.

As atuais notas de preços da API Gemini dizem explicitamente que a contagem de tokens do Agentic Video depende do conteúdo carregado pelo modelo, e não simplesmente da duração total do vídeo de origem.

Uma pergunta difícil que leve o modelo a rever muitas secções pode consumir muito mais do que uma consulta simples que peça um momento específico.

Porque é que 88% menos tokens não significa 88% menos custos?

O Agentic Video continua a realizar raciocínio e navegação. Pode inspecionar transcrições, carregar fotogramas, voltar a amostrar um segmento e produzir uma resposta final.

É por isso que a maior redução de tokens comunicada pela Google é de 88%, enquanto a maior redução comunicada nos custos de análise é de 66%.

A fatura de tokens pode incluir vários tipos de trabalho:

• o pedido de texto original,
• raciocínio de navegação,
• transcrição carregada dinamicamente,
• fotogramas carregados para inspeção,
• áudio carregado quando necessário,
• e a resposta final gerada.

Por isso, o objetivo não é eliminar o processamento, mas sim alocá-lo onde tem maior valor informativo.

O que pode a análise de vídeo agêntica encontrar que a análise estática pode não detetar?

A Google salienta várias cargas de trabalho em que a inspeção temporal adaptativa é mais importante do que simplesmente reduzir o número de tokens.

Estas capacidades são especialmente relevantes para câmaras de segurança, imagens desportivas, tutoriais, arquivos de reuniões, gravações de ecrã e conteúdos de criadores.

Em cada caso, o momento útil pode ser minúsculo em comparação com a duração total do conteúdo.

A compreensão agentiva de vídeo é sempre melhor do que o processamento estático?

Não. Os vídeos curtos podem continuar a ser candidatos mais adequados ao processamento estático.

As orientações de otimização da Google indicam que o modo estático pode proporcionar um tempo mais rápido até ao primeiro token para clipes sensíveis à latência com menos de cerca de cinco minutos, porque o processamento agentivo tem de raciocinar, navegar e efetuar várias rondas internas de ferramentas antes de gerar uma resposta.

A lição útil não é «o processamento agentivo substitui o vídeo estático».

É que a estratégia de processamento de vídeo pode agora adaptar-se à carga de trabalho.

O Gemini Agentic Video substitui o Video RAG?

Não. A navegação de vídeo no momento da consulta e a recuperação persistente de vídeos resolvem problemas diferentes.

O Gemini Agentic Video começa com uma entrada de vídeo e decide que partes dessa entrada merecem uma inspeção mais atenta. Um sistema Video RAG começa normalmente uma etapa mais cedo: ajuda a determinar que vídeos ou segmentos de uma coleção muito maior devem chegar sequer ao modelo multimodal.

A distinção é sustentada por investigação sobre compreensão de vídeos longos.

A investigação LongVideoBench sobre raciocínio em vídeos com duração de horas contém 3 763 vídeos e 6 678 perguntas anotadas por humanos, distribuídas por 17 categorias. Os autores apresentam o desafio central como a recuperação e o raciocínio sobre informação multimodal detalhada a partir de entradas longas.

Essa formulação é importante: recuperar e raciocinar, não simplesmente «enquadrar o vídeo no contexto».

Em que difere o Video RAG de simplesmente fornecer um vídeo longo ao Gemini?

O Video RAG torna-se particularmente útil quando a coleção é muito maior do que uma única gravação.

A investigação VideoRAG sobre coleções de vídeo extremamente longas explora este problema num benchmark que contém mais de 160 vídeos, totalizando mais de 134 horas.

O sistema proposto combina fundamentação em conhecimento textual com recuperação multimodal, em vez de esperar que uma única invocação do modelo ingira toda a biblioteca.

Isto sugere uma arquitetura útil em duas fases:

FASE 1
RECUPERAÇÃO PERSISTENTE DE VÍDEO

Arquivo de vídeo
     |
     v
Transcrições
Metadados
Cenas
OCR
Embeddings
Marcas temporais
     |
     v
Vídeos candidatos
Intervalos de tempo candidatos

          |
          v

FASE 2
INSPEÇÃO AGENTIVA DE VÍDEO

Segmento selecionado
     |
     v
Navegar
Voltar a ver
Alterar FPS
Inspecionar áudio / transcrição / fotogramas
     |
     v
Resposta aprofundada

As duas camadas complementam-se.

A recuperação decide que vídeo inspecionar; a compreensão agentiva de vídeo decide até que ponto o inspecionar.

Porque devem as grandes bibliotecas de vídeo ser pesquisadas antes de uma análise de IA aprofundada?

Um servidor multimédia pessoal pode conter 20 TB de vídeo. Um arquivo de segurança pode crescer muito mais. No entanto, a pergunta de um utilizador pode, em última análise, depender de oito segundos de gravação.

Essa diferença altera a arquitetura.

O modelo multimodal não deve ter de se tornar no índice de todo o arquivo.

Em vez disso:

ARQUIVO DE VÍDEO DE 50 TB
        |
        v
Índice local pesquisável
        |
        v
20 vídeos candidatos
        |
        v
3 intervalos de tempo candidatos
        |
        v
45 segundos de vídeo relevante
        |
        v
Raciocínio multimodal profundo

Os números exatos são ilustrativos, mas o princípio é escalável.

O problema da infraestrutura consiste em transformar vídeo à escala do armazenamento em contexto à escala das consultas.

À medida que o arquivo cresce, esta camada de seleção torna-se mais importante, não menos. O nosso guia sobre hardware de NAS com IA para indexação, processamento multimédia e grandes conjuntos de dados locais explica por que motivo o armazenamento, a camada SSD ativa, a rede e a computação de IA devem ser dimensionados como recursos separados, em vez de serem tratados como um único requisito genérico de IA.

Como seria um pipeline de vídeo de um NAS com IA?

Um NAS com IA que indexa e compreende os conteúdos multimédia armazenados não precisa de executar o Gemini para contribuir com inteligência útil. Pode tratar do trabalho persistente e repetitivo mais próximo dos conteúdos multimédia originais.

Uma arquitetura híbrida prática poderia ser assim:

ARQUIVO DE VÍDEO NAS
Vídeos originais
        |
        v
PROCESSAMENTO LOCAL
Metadados dos ficheiros
Transcrições
Limites das cenas
Marcas temporais
OCR
Miniaturas
Etiquetas de objetos
Embeddings
        |
        v
PESQUISA LOCAL
        |
        v
Vídeo candidato
Intervalo temporal candidato
        |
        v
POLÍTICA / DECISÃO DO UTILIZADOR
        |
        +--------------------+
        |                    |
        v                    v
MODELO LOCAL          MODELO NA NUVEM
                           |
                           v
                  Vídeo Agentic do Gemini
                           |
                           v
                  Raciocínio profundo sobre vídeo

Este é um padrão de arquitetura, não uma integração anunciada da Google com produtos NAS.

A vantagem é que o armazenamento, a indexação e o raciocínio do modelo já não têm de ocorrer na mesma máquina.

Um NAS de nuvem pessoal com várias unidades, como o ZimaCube 2 pode continuar a ser a camada multimédia durável. Uma CPU ou GPU local pode gerar metadados. Um modelo multimodal na nuvem pode ser reservado para perguntas em que o seu raciocínio temporal mais avançado justifique a transferência e o custo da API.

Numa configuração dividida, um servidor local compacto de indexação e pré-processamento, como o ZimaBoard 2 também pode executar serviços adjacentes ao armazenamento, sem exigir que a máquina de inferência de alto desempenho permaneça ativa para cada tarefa em segundo plano.

Os metadados de vídeo e os índices de IA devem ficar junto aos ficheiros originais?

Não têm de estar, mas manter a camada pesquisável próxima do arquivo pode simplificar vários aspetos de um fluxo de trabalho de conteúdos multimédia privados.

Os caminhos estáveis também são importantes. Se o índice indicar que ocorreu um evento em camera-02/2026-09-01.mp4 às 18:41:12, o sistema de recuperação precisa de uma forma fiável de encontrar esse recurso original mais tarde.

Por isso, no caso de coleções multimédia de longa duração, o índice e o arquivo estão estreitamente relacionados, mesmo quando são tecnicamente armazenados em bases de dados ou volumes separados.

A mesma divisão do armazenamento também aparece em sistemas de fotografias e vídeos alojados localmente. Por exemplo, o nosso guia de hardware Immich para bibliotecas de fotografias e vídeos separa os originais em massa das cargas de trabalho sensíveis à latência, como a base de dados, as miniaturas, a aprendizagem automática e o processamento de vídeo.

O que é uma arquitetura de IA de vídeo quente, morna e fria?

Os grandes arquivos de vídeo também não precisam de ter todos os dados armazenados ao mesmo nível de processamento.

Um design útil separa três escalões:

FRIO
20 TB de conteúdos multimédia originais
        |
        v
MORNO
Metadados pesquisáveis + índices
        |
        v
QUENTE
Clip relevante de 10–60 segundos
        |
        v
MODELO DE IA

Esta arquitetura mantém a análise dispendiosa concentrada numa fração ínfima dos dados originais.

Também evita reconstruir os mesmos metadados básicos sempre que chega uma nova pergunta.

Normalmente, os escalões quente e morno precisam de muito menos capacidade do que o arquivo de vídeo original, mas podem beneficiar de armazenamento SSD responsivo para bases de dados, miniaturas, incorporações, índices e clips temporários. Num servidor doméstico expansível, a expansão PCIe para SSD NVMe destinada a índices e caches de IA ativos pode manter estes dados de trabalho separados do armazenamento HDD em massa.

A Gemini Agentic Video pode analisar imagens de vídeo privadas de um NAS sem as carregar?

Não. A própria Gemini Agentic Video é uma capacidade na cloud, pelo que o conteúdo de vídeo analisado pela Gemini tem de ficar acessível ao serviço da Google.

Atualmente, a Google suporta vários métodos de entrada de vídeo, incluindo conteúdos multimédia carregados, registo no Cloud Storage, dados incorporados para entradas pequenas e URLs públicos do YouTube.

A documentação de processamento de vídeo da Gemini recomenda a Files API para muitas entradas multimédia maiores ou reutilizáveis.

Os ficheiros carregados através da Gemini Files API ficam armazenados durante 48 horas antes da eliminação automática, de acordo com a documentação atual da Google.

Isso é muito diferente de dizer que as imagens permanecem dentro da rede doméstica.

A documentação atual da API para escalões pagos da Google também afirma que os dados dos escalões pagos não são utilizados, por predefinição, para melhorar os seus produtos. Ainda assim, os programadores devem avaliar os requisitos de retenção, registo, região, organização e conformidade antes de enviarem gravações sensíveis para um serviço externo.

Como pode um arquivo de vídeo privado utilizar a IA na cloud de forma mais seletiva?

Um fluxo de trabalho híbrido pode reduzir a quantidade de conteúdos multimédia privados que precisam de processamento externo.

A primeira análise pode permanecer local:

• identificar o ficheiro,
• pesquisar a transcrição,
• filtrar por câmara ou data,
• detetar movimento ou alterações de cena,
• obter os carimbos temporais candidatos,
• e gerar um pequeno clip candidato.

Este tipo de separação segue o mesmo princípio abordado no nosso guia sobre manter o processamento de IA adjacente ao armazenamento próximo dos dados privados: o NAS pode continuar a ser uma camada de dados estável, mesmo quando a inferência mais pesada ocorre noutro local.

Só então o fluxo de trabalho decide se é necessário recorrer ao raciocínio na nuvem.

ARQUIVO DE VÍDEO PRIVADO
        |
        v
PESQUISA LOCAL + FILTRO
        |
        v
Segmento relevante encontrado
        |
        v
Esta pergunta exige
raciocínio multimodal mais avançado?
        |
    +---+---+
    |       |
   Não      Sim
    |       |
    v       v
 Local   Clip aprovado
 resposta       |
              v
        Vídeo Agentic do Gemini

Isto não torna o Gemini local. Torna a fronteira dos dados mais estreita.

Em vez de tratar todo um arquivo privado como contexto potencial para a nuvem, o sistema pode decidir que conteúdos multimédia merecem ser encaminhados para uma análise mais avançada.

Quando Deve a Análise de Vídeo Permanecer Local e Quando Deve Recorrer ao Gemini?

A resposta certa depende da privacidade, dificuldade, escala, hardware e do nível de raciocínio multimodal exigido pela tarefa.

Para implementações com muitas câmaras, a decisão é especialmente importante, porque a gravação contínua e a deteção em tempo real criam cargas de trabalho diferentes. O nosso guia sobre armazenamento NVR privado e inteligência de vídeo local aborda separadamente o armazenamento e a deteção contínua da análise multimodal na nuvem.

O objetivo não é maximizar o processamento local nem o processamento na nuvem.

É utilizar a camada mais económica e segura capaz de resolver cada parte da tarefa.

A Análise de Vídeo Agentic do Gemini Muda o Que um NAS com IA Deve Fazer?

Sim — mas não transformando o NAS numa máquina que tenha de compreender cada fotograma com o maior modelo multimodal possível.

A função mais escalável é tornar a coleção multimédia navegável por IA.

Isto significa preservar os originais e, simultaneamente, manter:

• transcrições pesquisáveis,
• metadados alinhados temporalmente,
• índices de cenas,
• OCR,
• incorporações,
• miniaturas,
• permissões,
• e ligações fiáveis de volta às imagens de origem.

Este é o papel mais amplo descrito por um NAS com IA enquanto camada de inteligência local para dados armazenados: o armazenamento continua a ser a base, enquanto os índices e os serviços de IA tornam esse armazenamento mais fácil de pesquisar, compreender e reutilizar.

Assim que essa camada existir, o modelo de raciocínio torna-se substituível.

Hoje, pode ser o Gemini Agentic Video. Outro fluxo de trabalho pode utilizar um modelo multimodal local. Um sistema futuro poderá combinar vários modelos, dependendo da privacidade, do custo ou da precisão.

O arquivo não deve ter de ser reconstruído para cada modelo.

Esta é a mesma lição arquitetónica que está a emergir noutras formas de dados de IA: o modelo não precisa de todas as informações do utilizador. Precisa da menor parte correta da informação para a tarefa atual.

No caso do texto, pode significar um punhado de documentos recuperados.

No caso da memória de um agente, pode significar um pequeno conjunto de ficheiros de conhecimento estruturados.

No caso do vídeo, isso pode significar doze segundos escondidos em cinquenta terabytes de gravações.

O Gemini Agentic Video é importante porque aproxima o raciocínio multimodal desse modelo. Em vez de tratar o vídeo como um único bloco gigantesco de contexto, o sistema pode decidir ativamente onde vale a pena concentrar a atenção.

Para grandes bibliotecas privadas de multimédia, o passo seguinte é ainda mais importante:

o modelo multimodal não deve tornar-se o índice. Deve tornar-se o investigador que chega depois de o índice ter restringido a pesquisa.

Perguntas frequentes: Gemini Agentic Video, NAS com IA e pesquisa privada de multimédia

O que é o Gemini Agentic Video Understanding?

É um modo de processamento de vídeo do Gemini que navega dinamicamente pela linha temporal de um vídeo, em vez de processar todos os fotogramas amostrados numa única passagem estática. O modelo pode analisar seletivamente a transcrição, o áudio e os fotogramas visuais, aumentando a granularidade da amostragem quando um segmento promissor necessita de uma análise mais detalhada.

Quantos tokens a menos utiliza o Gemini Agentic Video?

A Google indica até 88% menos tokens nas cargas de trabalho de vídeo de formato longo que testou. Esta não é uma redução fixa. A utilização real de tokens depende do vídeo, da complexidade da consulta e da quantidade de conteúdo que o modelo decide analisar.

Ter 88% menos tokens significa que o Gemini Agentic Video é 88% mais barato?

Não. A Google indica reduções de até 66% nos custos de análise. O processamento agentivo continua a utilizar tokens para a navegação, o raciocínio, o conteúdo de vídeo carregado dinamicamente e o resultado final.

O Gemini Agentic Video é mais preciso do que o processamento de vídeo estático?

A Google relata melhorias de qualidade de até aproximadamente 7% nos benchmarks testados. O benefício é especialmente relevante quando o modelo precisa de encontrar eventos breves ou evidências específicas em gravações longas.

Que frequência de fotogramas é normalmente utilizada pelo Gemini para vídeos?

O modo predefinido de processamento estático de vídeo do Gemini amostra fotogramas visuais a 1 FPS. Os programadores podem configurar frequências diferentes, enquanto o Agentic Video pode alterar dinamicamente a densidade com que inspeciona secções específicas.

O Agentic Video é melhor para clips curtos?

Nem sempre. A orientação da Google indica que o processamento estático pode proporcionar um tempo mais rápido até ao primeiro token para vídeos curtos e sensíveis à latência, porque o modo agêntico adiciona etapas de navegação e raciocínio antes de responder.

O Gemini Agentic Video substitui o Video RAG?

Não. O Video RAG pode indexar e obter candidatos de um arquivo persistente de grandes dimensões. O Agentic Video pode depois investigar mais profundamente um vídeo ou segmento selecionado. A obtenção decide o que inspecionar; o raciocínio de vídeo agêntico decide como o inspecionar.

O Gemini Agentic Video pode ser executado diretamente num NAS?

Não. O Gemini Agentic Video é atualmente uma capacidade alojada pela Google. Um NAS pode armazenar e indexar os ficheiros multimédia originais, mas o conteúdo enviado para o Gemini tem de ficar acessível ao serviço de cloud da Google.

Durante quanto tempo é que o Gemini mantém os ficheiros de vídeo carregados?

A documentação atual da Files API da Google indica que os ficheiros carregados são armazenados durante 48 horas. Os programadores que trabalham com gravações sensíveis devem consultar as políticas mais recentes da API, de registo, retenção e utilização de dados antes de carregarem ficheiros multimédia.

O que deve um NAS de IA armazenar além dos vídeos originais?

Uma camada multimédia pesquisável pode incluir transcrições, marcas temporais, miniaturas, texto OCR, limites de cenas, etiquetas de objetos ou eventos, embeddings e outros metadados que permitem a um sistema de IA obter clips relevantes sem processar repetidamente todo o arquivo.

Os índices de IA de vídeo precisam de armazenamento SSD ou NVMe?

Nem todos os arquivos de vídeo precisam de NVMe para os seus ficheiros multimédia originais. As gravações em massa podem permanecer em armazenamento orientado para a capacidade, enquanto bases de dados, miniaturas, embeddings, índices e clips temporários frequentemente acedidos podem beneficiar de uma camada SSD ou NVMe mais rápida. A disposição de armazenamento adequada depende do tamanho da biblioteca, da atividade de indexação e das cargas de trabalho simultâneas.

As gravações de videovigilância devem ser analisadas localmente ou na cloud?

As gravações sensíveis são fortes candidatas a filtragem, indexação e análise básica local. O processamento na cloud pode ser útil para perguntas multimodais mais complexas, quando o utilizador ou a organização aceita explicitamente a transferência de dados externa e as políticas de retenção aplicáveis.

Qual é a melhor arquitetura para uma biblioteca de vídeos de IA muito grande?

Um design escalável separa o arquivo original, uma camada persistente de metadados pesquisáveis, um pequeno conjunto de trabalho de clips candidatos e o modelo de raciocínio multimodal. Isto transforma uma grande coleção armazenada numa quantidade muito menor de contexto relevante para a consulta.