幫藝術品下標籤,大家一起來
幫藝術品下標籤,大家一起來
2007.04.15 |

漫步在美術館,一幅畫很容易就抓住了我們,只要一走近畫,看到畫作附近的標籤,我們很容易就知道這些畫的作者和名稱,也能了解這是什麼時代的作品。然而如果我們沒辦法親自到博物館,想試著在網站上找到或認識一些畫,很可能會大失所望。因為除非知道畫的名稱或是畫家的名字,否則我們根本無法搜尋到想要的畫。
「美術館已經發覺線上收藏品並沒有發揮應有的功能,現在的作法根本是把內容藏起來,讓專家以外的人無所適從,」多倫多檔案與博物館資訊公司(Archives and Museum Informatics)的合夥人之一珍妮佛川特(Jennifer Trant)這麼說:,「我們必須提供和視覺記憶同樣的方法來吸引網友。」
在虛擬展館(Web 1.0)花費數百萬美元和多年努力之後(虛擬展館比實體展館吸引了更多參觀者),美術館開始重新思考他們的線上收藏運作方式。標籤(tagging)是相片網站Flickr.com大受歡迎的原因;讓網友替收藏品訂定標籤,幾家大型博物館正開始體驗Web 2.0精神。

集思廣益讓關鍵字更完整

社會性標籤(social tagging)指的就是由使用者針對服務內容(如照片、網站連結、藝術)提出標籤或註解,從而創造出使用者自行產生的分類,或可稱之為大眾分類法(folksonomy,此字由folks和taxonomy組合而來,folks指大眾,taxonomy指分類法)。
博物館或美術館打算鼓勵大眾為館藏提供描述性的社會標籤,讓大眾標籤與專業的說明並列,創造出一種新型態的分享語彙。如梵谷的名畫《星夜》(Starry Night)所出現的標籤,就會有「星星」、「星球」、「漩渦」或是「精神錯亂」等。
但我們真的能信任一般大眾為藝術品所下的標籤嗎?館長真的會讓網友這麼做嗎?
大都會美術館(Metropolitan Museum of Art)在二○○五年秋天進行了一項測試,由志願者們為三十幅畫作、雕塑和其他藝術品的影像提供關鍵字。把這些標籤拿來和美術館的分類目錄進行比對,結果有超過八○%的詞彙不在美術館原先的文件中。
舉例來說,佛萊斯(Joachim Friess)的裝飾雕塑作品《黛安娜與雄鹿》(Diana and the Stag),「鹿角」、「箭術」和「女獵手」等標籤如預期出現,但「珍貴的」、「奢華的」等意想不到的標籤也跑出來了。「這些結果相當驚人」,大都會美術館收藏品資訊規劃總經理鍾蘇珊(Susan Chun)表示:「美術館和大眾之間的確存在著巨大的語義鴻溝。」
綜合大都會美術館的測試和其他研究,一些美術館組成了史帝夫美術館標籤計畫(steve.museum tagging project),延續「玩標籤」計畫。讓民眾為藝術品下標籤,可以讓美術館省下替成千上萬件作品按照主題一一製作索引高成本外,其實還有很多其他理由。
川特就表示:「藝術專家覺得描述一幅畫的視覺要素是極為困難的。」她回憶在大都會美術館進行標籤測試初期,一位藝術專家曾挫折地抱怨:「所有我知道的字彙都不適用於這幅畫。」
但是一般大眾卻沒有這些限制,「我們絕對不會說一件作品幾乎都是紅色的,或是帶有某種倦怠感,或說他的特色是一隻玩撲克牌的狗,」丹佛美術館新科技部主任布魯斯韋曼(Bruce Wyman)說:「讓大眾下標籤,卻給了我們一雙從沒有的眼睛。」

巧妙創造前所未有的關聯

二○○六年八月史密森創新攝影(Smithsonian Photography Initiative)也邀請訪客們到網站(photography.si.edu),為兩千幅相片加上標籤。只要點選「進入相框」(Enter the Frame)後,網友立刻就可看到其他訪客的標籤,不過要等專家檢閱過,網友的標籤才會正式加入資料庫。
「我們的關鍵字很不夠,」創新攝影網站的製作人卡薩里斯(Effie Kapsalis)說:「沒有任何分類系統能夠涵蓋這些照片的所有主題,但我們想要讓每一張照片擁有許多標籤,於是只好向大眾求助。」
標籤字眼從明顯的、世俗的,到印象主義的、個人的,什麼都會有。一張葛麗泰嘉寶(Greta Garbo)的照片被網友標註為「寂寞」,而身穿南北戰爭軍服男孩們的照片則讓人覺得「無辜」。這些標籤在不同的影像間創造出前所未有的關聯,有時深具啟發性,有時則讓人會心一笑。意想不到的關聯可讓照片輕易地被串連瀏覽,這種方式是美術館網站以前從不曾做到的。
大眾會想為藝術品加標籤嗎?多數的大型美術館擁有健全的志工團,一般藝術愛好者也願意趁此機會協助美術館作業,同時現今愛分享的網路風氣也鼓勵人們參與「集體智慧」計畫(如使用者共同撰寫的維基百科)。從幾個博物館的標籤計畫看來,發現網友標記出的詞彙,其實隱然都和個人相關。
以史帝夫美術館標籤計畫來說,可發現有些標籤是人人都會用的,另外大部份的詞彙卻很少被用。薩金特(John Singer Sargent)的名畫《Madame X》,最常見的五大標籤是女人、黑衣、肖像畫、桌子、禮服,但這五大標籤之後,就進入一長串愈來愈主觀的詞彙,如僵硬的、大膽的、丟臉的、自負傲慢的人、貴族等。
如果標籤是網友對藝術品的「某某」感覺,那顯然的每個人對於什麼是「某某」,都有很不同的看法。「這是一件好事」,雪梨動力博物館網路服務經理陳塞巴斯汀(Sebastian Chan)說。雪梨動力博物館網站二○○六年六月重新設計後,鼓勵大眾為館藏下標籤。一位雪梨人保羅麥卡錫(Paul McCarthy)已在動力博物館的網站上,為影像下了無數個標籤,他甚至經常使用電動遊戲中的名詞和一般流行語。

玩標籤的美術館

史帝夫美術館標籤計畫(steve.museum)
網址:steve.museum/
特色:由多家美術館聯合進行的標籤研究計畫,希望能改進線上收藏品與大眾間的接觸管道,縮短學者專家和一般民眾對藝術作品感知的鴻溝。網頁上隨機出現從各美術館選出的作品,無論使用者是否註冊或登入,都可以為各項作品下標籤。使用者鍵入的資料將會由該計畫成員進行分析研究。

澳洲雪梨動力博物館(Powerhouse Museum in Sydney, Australia)
網址:www.powerhousemuseum.com/collection/database/
特色:鼓勵訪客為線上館藏下標籤,還提供「使用者流行關鍵字」功能──由其他使用者描述作品的非官方標籤。使用關鍵字搜尋時,會同時列出使用者關鍵字搜尋結果以及官方關鍵字搜尋結果的影像檔及說明。進入選定的作品網頁,作品影像檔可以隨意放大縮小觀看,網頁右側列有作品相關的關鍵字,並可自行加入新的關鍵字。

史密森創新攝影(Smithsonian Photography Initiative)
網址:photography.si.edu/
特色:2006年8月起展開「進入相框」活動,邀請訪客為2000幅不同影像加上標籤。從首頁即可「進入相框」,藉由左側過去訪客留下的關鍵字和相簿順序尋找和欣賞相片。每張相片都提供簡單的資訊,同時使用者可以自行增加關鍵字,並經由拖曳相片功能,在下方建立自己的相簿順序。

往下滑看下一篇文章
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?

一家來自台灣的 AI 新創,如何讓美國上千家速食餐廳,都用它的 AI「看」得來速車道?

這家公司就是專注於 AI 影像辨識技術的 Berry AI (華捷智能),透過攝影機蒐集匿名數據並轉化為多項營運指標,協助速食品牌找出流程瓶頸、提升現場營運效率與整體顧客滿意度。以美國連鎖炸雞品牌 Zaxby’s 為例,在全面導入 Berry AI 解決方案後,服務速度提升 13%-20%,業績表現最好與最差的門市,每週營收差距從 2.4 萬美元縮小至約 9,000 美元。另一家連鎖速食品牌 Culver’s 在導入後,得來速車道的服務時間也立刻改善,進而提升整體吞吐量。

然而,支撐 Berry AI 解決方案的,不只有前端看得見的攝影機與影像辨識技術,還有後端穩定且具彈性的雲端平台。Berry AI 結合 Amazon Web Services (AWS) 全球雲端資源及博弘雲端顧問服務,打造兼顧即時性、穩定性與成本效益的雲地混合架構,成為推動 Berry AI 持續擴大北美市場版圖的重要關鍵。

從台灣 PoC 走向北美千店規模,Berry AI 面臨架構升級新挑戰

Berry AI 執行長林逸中表示,團隊成立初期投入近2年半的時間,探索最適合影像辨識技術的應用場景,最終將目光鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等。

同時,Berry AI 也進一步將現場蒐集到的數據轉化為可量化的營運指標,例如:不同門市、日期或時段的顧客等候時間,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。

在確立發展方向並於台灣完成 PoC (概念驗證)後,Berry AI 決定前進全球最大、也是 QSR 最核心的北美市場。然而,隨著合作客戶與部署門市持續增加,資料量快速攀升,加上服務範圍橫跨不同區域,既有以地端為主的架構開始面臨規模化挑戰。

林逸中補充指出,尤其 QSR 業者在選擇 AI 解決方案時,格外重視技術效能與穩定性,包括 AI 辨識精準度、能否因應突發狀況、系統能否穩定運作,以及網路發生問題時能否維持服務等。在這樣的要求下,若將所有運算與資料都留在地端,不僅難以因應日益增加的部署門市與資料量體,設備建置與維運成本也會隨之增加。

BerryAI 攜手博弘雲端 打造高可用性 AWS 雲地混合架構,突破北美規模化部署挑戰

如何確保系統的即時性、穩定性與成本效益,成為 Berry AI 進軍北美後必須解決的新課題。為此,Berry AI 選擇與博弘雲端合作,取得穩定且高可用的 AWS 運算與資料庫服務架構,將即時運算留在地端,同時在雲端環境整合資料庫處理大量資料與後續分析工作,形成兼顧地端即時運算與雲端彈性擴充的雲地混合架構。

Berry AI研發同仁汪楚剛說明,包括車輛偵測、追蹤與狀態辨識等需要即時反應的工作,會先在地端完成;再將辨識結果傳送至 AWS 雲端,計算各項營運指標,提供後續分析與決策使用。透過這套架構,Berry AI 至今已處理超過 2 億筆車輛狀態資料。

此外,AWS 也是 Berry AI 持續優化 AI 模型的重要基礎。Berry AI 將整套資料蒐集流程建構於 AWS 上,透過完整且多樣化的資料,持續訓練與優化模型,進一步提升地端影像辨識的準確度。

博弘雲端
Berry AI 鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。
圖/ Berry AI網站圖

成為企業技術團隊的延伸,博弘雲端助 BerryAI 把 AWS 用得更好、更省

隨著北美業務持續成長,Berry AI 也迎來新的課題:如何把雲端資源用得更有效率、更省成本,這也成為 Berry AI 與博弘雲端合作的重要契機。

對此,可能有很多人好奇,像 Berry AI 這類技術能力成熟、具備自行建置架構能力的企業,為什麼還需要與博弘雲端合作?「關鍵在於,博弘雲端長期深耕 AWS,對相關服務與技術架構更加熟悉,可以成為企業內部技術團隊的延伸。」博弘雲端技術長宋青雲說。

當 Berry AI 遇到特定 AWS 服務或技術問題時,可以直接尋求博弘雲端協助;若需要進一步與 AWS 原廠確認,博弘雲端也能協助溝通與處理,減少 Berry AI 自行研究與排除問題所需投入的時間,讓內部研發團隊可以將更多心力和資源集中在核心產品開發。

更重要的是,博弘雲端不只提供技術支援,還能從 Berry AI 實際用量與成長需求出發,客製化設計最適合的節費方案,這對 Berry AI 降低營運成本有很大的幫助。宋青雲說明,博弘雲端根據 Berry AI 既有的 AWS 用量,推估未來 1-3 年內的使用需求,並以此為基礎規劃合適的長期雲端資源用量;同時考量 Berry AI 所屬飛捷集團旗下還有 3 家子公司同樣使用 AWS,進一步整合集團需求進行評估,放大整體採購規模,爭取更大的節費空間。

宋青雲強調,雲端採取隨需即付的計價模式,雖然具備彈性優勢,但若缺乏持續管理,仍可能出現資源配置不符商務規劃,或費用超出預期等情況。而博弘雲端不只能從使用現況出發、建議適合的節費方案,也會從效能、資安與成本等面向進行架構健檢,提出相應的優化建議;同時還會提供相關管理介面,讓企業隨時查看帳戶使用狀況、預估未來用量,在業務規模持續成長的同時,也能兼顧雲端架構的效能、安全與成本效益。

而架構健檢與成本優化,只是博弘雲端服務的一環。從企業準備上雲開始,博弘雲端便能協助將應用程式與資料從地端搬遷至雲端,或直接在雲端完成部署;進一步還能協助建置數據平台、數據中台,進行資料分析及導入 AI 應用,讓企業資料發揮更大價值。當服務正式上線後,博弘雲端也能接續提供維運服務。換言之,從前期 PoC、雲端建置到後續維運,博弘雲端都能依據企業需求,提供相應的服務與支援。

對 Berry AI 來說,藉由與博弘雲端合作,深化 AWS 雲端資源使用,不只是突破規模化挑戰,更重要的是能把有限的資源集中在核心業務,持續優化解決方案、開發更多貼近餐飲營運需求的應用,進一步爭取更多品牌合作,擴大北美市場版圖。目前,Berry AI 正全力拓展北美市場,也持續尋找對 AI 技術與餐飲產業應用充滿好奇心、重視團隊協作的人才加入。徵才方向涵蓋機器學習與電腦視覺、Platform & System(DevOps、Infrastructure),以及 Full Stack 軟體開發。從門市邊緣裝置上運行的 AI 模型、串連雲端與數千家門市的系統平台,到協助餐飲品牌提升營運效率的分析產品,每個環節都還有發揮的空間。 期待匯聚更多優秀夥伴,一起用 AI 解決真實的營運問題,讓來自台灣的技術走進更多全球 QSR 門市。

職缺詳情:https://www.cake.me/companies/berryai/jobs

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓