场景化封装，一站式使用，普惠AI集成 ——阿里云发布智能媒体管理产品

一、导语

近日，阿里云发布了智能媒体管理（Intelligent Media Management）服务， 通过分布式计算处理能力关联授权的云存储，提供便捷的海量多媒体数据一键分析，并通过该分析过程构建价值元数据，更好支撑内容检索。

二、背景介绍

随着智能手机的普及、无人机的流行，业界产生了海量的图片、视频等多媒体数据；同时，网络也在飞速发展，特别是4G的推广，让这些数据的保存、分享发生了巨大的变化，从而也带来了媒体数据各行业的新趋势。我们亲身体验到通信方式从短信变成语音，浏览内容从文字变成图片、从JPG静态图片变成GIF动态图片、再到短视频；从去年开始，直播也火热起来，成为一种流行的时尚。这些迅速的变化趋势，反应了一个共同的特点，就是“交互的信息量越丰富、越实时，用户越容易被吸引，越会产生新的价值”。

如图中所示行业，都在利用最新的人工智能(Artificial Intelligence, AI)技术产生新的价值，同时也引入新的需求：

• 手机相册。它早已不是简单的图片备份，iOS通过AI构建人脸相册、场景标签、编辑应用，变成吸引客户的亮点，成为新的基线。
• 视频监控。它不再只是记录取证工具，而是利用AI发展为智慧城市，变成了智慧的眼睛，要管理整个城市的交通信息。
• 直播应用。个人分享已不仅仅是博客、微博的文本形式，更是转变为快速直观的视频模式，这背后需要更高、更快的直播内容理解、审核需求。

2.1 数据处理场景需求

对于图片分享社区应用场景，最基本的功能是提供备份、分享，但这并不能带来更多的价值。只有提供更多的图片处理能力，比如主体剪裁、人脸识别、滤镜功能、风格渲染、视频合成等数据处理功能，如下图所示。这些亮点将为使用者带来“生活不止眼前的苟且，还有依然在你身边的美好”回忆，从而让应用更具吸引力。

2.2 内容检索场景需求

如今的综艺节目非常火爆，例如跑男、极限挑战等，每期拍摄的素材量千倍于实际播出量；要在这海量素材中快速扫描、找到爆点，需要相当大的工作量，例如当前的人肉检索低效率方式需要处理几周的时间。如果能够基于AI分析语音、人物、场景得到结构化信息，并索引管理起来，支撑更好的检索，它将会大大的提高素材的处理效率。

同样，在线教育等领域，对于老师、演讲者的材料、语音、视频内容，如果能够提供快速的解析索引能力，那么它将给学习者提供便捷的专场内容描述、快速定位关键术语、演讲笔记同步提取等亮点。

三、客户痛点分析

要满足上述场景需求，当前应用架构设计时，需要选型不同数据处理功能的厂家（包括AI厂家）进行集成、或者自研开发，对于内容检索，还需要分析场景细节需求，引入数据库设计和开发。这都需要很好的技术能力，以及开发团队的支撑，并解决如下的痛点。

3.1 多厂家管理痛点

图片应用将数据保存到云存储后，要选择不同厂家的AI分析能力，支撑业务和监管的需求。应用通常会在云服务器（Elastic Compute Service，ECS）上部署AI厂家的软件包，或者直接调用AI厂家提供的服务，但需要解决如下问题：

• 接口不统一。因为存在多厂家的选型，需要考虑不同厂家接口的兼容性。
• 资源浪费。同一张图片会被多次读取，甚至是传输到外部网络，浪费网络带宽，提高使用成本。
• 无存量数据的低成本批量处理方案。采用厂商的同步处理价格高昂，需要提供存量数据的低成本批量处理方案，接受异步接口返回检测结果（比如针对存量的OSS桶里面的所有图片，进行批量鉴黄）。

3.2 复杂元数据管理痛点

智能网盘通过自己的用户鉴权服务允许客户登录，然后采用基础数据管理把图片、视频上传到云存储OSS中。为了提供人脸分组、标签分组等搜索功能，需要提供各类元数据管理，定义基于场景的表格式、处理数据库的异常，它将带来如下的开发难度：

• 元数据表设计难度大。针对不同的元数据，需要分类设计各类表结构存储，有相当的技术门槛。
• 多维度元数据管理有挑战。需要组合多种元数据，进行多维度查询处理，存在设计挑战。
• 维护元数据的的一致性难题。解决这些元数据在异常场景下的异常处理，是系统级难题。

四、设计目标

通过上述的场景和痛点分析，智能媒体管理（IMM）服务提取了6个关键点作为设计目标：

• 海量数据，支撑云存储上的海量数据处理。
• 端云拉通，能够让端和云进行有效的协作。
• 场景结合，基于场景构建元数据管理便于快速接入。
• 一键处理，简化配置和使用、提高系统易用性。
• 智能分析，引入业界领先的处理能力，特别是AI能力。
• 标准统一，访问接口统一为阿里云的标准。

4.1 功能描述

对于云存储上的海量数据，通过授权访问的安全设计，让数据处理分析服务能够有权限访问数据，在此之上构建数据智能处理框架，该框架针对离线处理优化设计，同时支持实时处理能力。基于该处理框架，引入了业界领先的数据处理能力，包括各种AI能力。利用离线处理能力关联授权的云存储，可以提供便捷的存量数据一键分析，通过该分析过程构建价值元数据，支撑更好的内容检索。通过这样的设计，从而提供如下功能：

• 普惠AI算法，提供丰富功能。人脸分组、图片打标、版权、鉴黄等能力。
• 价值元数据，为客户带来新的增长点。整合价值元数据，提供智能分析搜索。
• OFFICE文档处理，简化客户使用。提供典型的OFFICE文件格式转换，便于移动设备浏览办公文档。
• 场景化、一键式处理，提高易用性。基于场景模版，结合实时、离线处理引擎，一键生成网盘关键元数据。

五、架构介绍

如图是IMM服务的架构依赖上下文，服务本身的架构分为2层：处理引擎、元数据索引。

5.1 架构依赖上下文

• 对下依赖阿里云的对象存储、文件存储等服务，通过安全的机制访问里面存储的非结构化数据（例如图片、视频），提取价值信息。
• 对上依赖场景理解，进行封装，支撑视频网盘、手机相册、社交图库、家庭监控等图片、视频应用场景，为它们产生新的价值。

5.2 处理引擎层

基于阿里云存储，就近构建计算框架，该框架支持批量异步处理、准实时同步处理，在一键关联云存储（例如，指定Bucket的目录前缀、指定Bucket的某个对象）后，实现快速的自动数据处理，通过整合业界领先的数据处理算法，处理引擎提供如下功能。

• OFFICE文档格式转换。支持将OFFICE文档转换为JPG图片格式，从而更好的支持网盘的文档预览功能。
• 大图处理。支持将超大的图片进行切割、缩放处理，友好的支撑相册、图库场景的精细看图功能。
• 标签检测。通过人工智能技术，识别图片、视频中的物品标签，从而实现机器的制动打标，更好的支撑推荐应用。
• 人脸检测。通过人工智能技术，识别图片、视频中的人脸，检测出人脸框，判断人脸姿势、年龄、性别等属性。

5.3 元数据索引层

基于处理引擎提供的功能，通过对场景的深入理解和梳理，IMM封装了场景的元数据设计，对外提供场景的元数据访问接口，简化场景应用的设计难度、无须关注元数据索引数据库的运维工作，目前支持如下的元数据索引。

• 人脸分组索引。构建元数据集合，然后调用人脸分组的接口分析图片，把得到的元数据加入到该元数据集合中，从而可以得到该集合中相似的人脸。通过该索引，可以快速的支撑网盘的人脸相册、家庭监控的陌生人检测、甚至新零售的顾客管理等场景。
• 标签分组索引。构建元数据集合，然后调用标签分组的索引接口分析图片，把得到的元数据加入到该元数据集合中，从而可以根据标签搜索图片。通过该索引，可以快速的支撑网盘的场景相册、家庭监控的宠物跟踪、甚至暴力、恐怖、色情图片等标签的搜索。

5.4 调度框架

IMM的所有数据处理请求都在调度框架下执行，例如上述架构中提到的处理引擎层、元数据索引层请求，它由2部分组成：

• 运行实例（Instance）。运行实例是运行指定数据处理功能的节点，例如运行图片打标功能的节点。它可以是虚拟机、或者Docker，能够采用预留类型、或者Spot竞价类型的实例，支持部署在阿里云的VPC（Virtual Private Cloud）环境，保证数据处理功能的安全性、隔离性。
• 调度控制器（Schedule Controller）。调度控制器负责把IMM接收到的请求分发到指定功能的实例上，它支持接收同步、异步的请求，提供准实时、离线的调度。针对负载的变化，实现了实例资源池的弹性伸缩、故障处理、自动升级等能力。

当调度框架收到同步的请求时，例如DetectTag进行图片打标分析时。调度框架将会把请求分发到请求队列的Pipeline，然后根据后端实例的节点状态、负载情况快速转发请求，从而达到准实时调度的能力。为了保证请求的低时延，以及请求的成功率，通常选择预留的实例。

当调度框架收到异步的请求时，例如CreateTagJob指定OSS的桶、前缀进行批量的图片打标分析时。调度框架将会把请求放到调度器，调度器遍历OSS桶、前缀的对象，然后生成单个对象的数据处理请求并分发到多个请求队列中，再根据后端实例的节点状态、负载情况快速向多个实例转发请求，从而达到离线调度的能力。为了保证离线调度的成本，通常选择Spot类型的竞价实例。

通过上述调度控制和数据处理分离的架构，调度框架提供如下亮点：

• 准实时、离线调度。针对离线处理性价比竞争力的优化设计下，也能提供准实时能力，实现数据处理的闭环。
• 同步、异步请求。支撑一键式的异步处理需求同时，还提供了同步请求的灵活性。
• 数据处理能力的安全性。利用VPC部署数据处理的实例，保证了资源的隔离、安全的屏蔽。

六、如何使用

IMM提供控制台操作和API接口，通过控制台快速的创建IMM的项目，然后体验IMM的数据处理功能。

6.1 控制台使用

登录阿里云控制台，执行如下操作：

• 第一步，开通智能媒体管理服务。开通后，即可使用IMM提供的功能。
• 第二步，创建项目。使用IMM必须要创建项目，它是IMM资源管理、计费的基本单元。

创建了项目，就可以体验IMM支持的功能：

• 格式预览。支持OFFICE文档转换，并用图片方式预览。
• 人脸检测。检测照片中的人脸，识别年龄、性别，眼部状态信息。
• 图片打标。检测图片包含的标签信息，以及置信度值。

详细的控制台使用介绍，请参考 IMM 快速开始。

6.2 API使用

6.2.1 IMM的API调用方法

调用IMM的API需要遵守阿里云的API规范，请参考 IMM API 调用，请您注意调用时的参数，特别是签名。

如下是IMM典型功能的API调用示例。

6.2.2 文件格式转换CreateFormatConvertJob

POST https://imm.cn-shanghai.aliyuncs.com?Action=CreateFormatConvertJob
&Project=test
&SrcUri="oss://bucket1/test.pptx"
&TgtType=jpg
&TgtUri="oss://bucket1/imm-format-convert-tgt/session123/"
&ExternalID=aaa

该功能接口的详细信息，请参考 CreateFormatConvertJob 。

6.2.3 图片打标DetectTag

POST https://imm.cn-shanghai.aliyuncs.com?Action=DetectTag
&Project=test
&SrcUri=["oss://bucket1/1.jpg"]

该功能接口的详细信息，请参考 DetectTag。

6.2.4 人脸检测DetectFace

POST https://imm.cn-shanghai.aliyuncs.com?Action=DetectFace
&Project=test
&SrcUri=["oss://bucket1/A.jpg"]

该功能接口的详细信息，请参考 DetectFace。

七、立即体验

现在产品已经在阿里云官网正式开始公测，点击这里 立即体验。

八、后续规划

下一阶段，IMM将和OSS集成拉通：

• 在OSS控制台集成IMM功能。实现OFFICE文档的预览，媒体对象的AI功能。
• 在OSS提供存量数据的IMM处理对接。可以通过OSS的控制台，选择某个桶或者其目录，调用IMM的批量异步任务，例如批量鉴黄，从而享受高性价比、便捷的数据处理。
• 在OSS的API中拉通。调用oss的x-oss-process处理引擎时，调用到IMM的API进行处理。

通过这样端的端的集成，从而让您在云上的管理更加易用。

九、相关文档

1. 智能媒体管理产品文档转换/预览功能介绍(1)---Cloud Native架构篇
2. 智能媒体管理产品文档转换/预览功能介绍(2)---转换原理篇
3. 智能媒体管理产品文档转换/预览功能介绍(3)---前端预览篇