在电视连续剧《迪士尼乐园》1957 年的一集中，Walt Disney 带领观众深度参观了他的伯班克动画工作室。“在我们的资料室，”他说，指的是地下图书馆，“这些架子、桌子和档案柜保存着我们这间动画工作室的所有历史。”
Disney 坚持其档案对编剧和插画家开放，以便他们进行参考或从中汲取灵感，他们贯彻这一做法的时间远早于其他动画工作室。小飞象和小飞侠等最受欢迎的作品的图纸、概念图等都被小心翼翼地藏在这个地下室。而在此后的岁月里，Disney 一直致力于保存这些资料。
Disney 已经拥有近一个世纪的内容，其中的数字化内容越来越多，因此必须比以往任何时候都更仔细地整理其图书馆。负责保持（虚拟）堆栈的秩序和整洁的是 Disney 直接面向消费者和国际 (DTCI) 技术团队中一个由研发工程师和信息科学家组成的小团队。DTCI 成立于 2018 年，组建该团队的部分原因是为了汇聚整个 Walt Disney 公司的技术专家和专业知识，并调整技术以支持 Disney 的大量独特内容和业务需求。
组织系统的基础是元数据：关于 Disney 节目和电影中的故事、场景和角色的信息。例如，《小鹿斑比》会有一些元数据标签，不仅可以识别小兔子 Thumper 或 Faline（斑比的小鹿朋友）等角色，还可以识别动物的类型、动物之间的关系以及每个动物所描绘的人物原型。自然风光（具体到所描绘花朵的类型）、音乐、情感和故事的基调等内容也具有特定的标签。因此，用正确的元数据对所有这些内容进行适当的标记，使其能够正确地进行分类是一项充满挑战的工作，考虑到 Disney 的飞速发展，这项工作更是困难重重。
“我们的电视节目中会出现新的角色、足球运动员要更换球队、超级英雄的新武器、新节目，”该团队的技术负责人 Miquel Farré 说，所有这些都需要一大堆新鲜的元数据。
在 AWS 服务的帮助下，他和他的团队正在构建机器学习和深度学习工具，通过描述性元数据来自动标记这些内容，以提高存档流程的效率。因此，编剧和动画师可以快速搜索并熟悉从《米老鼠》到《摩登家庭》中的 Phil Dunphy 的每个角色。
由 Disney 提供
元数据有什么神奇之处？
负责这项工作的团队最初成立于 2012 年，隶属于 Disney & ABC Television Group。经过多年的发展，它已成为 Disney’s DTCI Technology Group 的一部分，同时也是 Disney 宇宙风格和惯例的索引和知识库（例如，在《小鹿斑比》中，动物会说话，而在《白雪公主》中则不会）。为了让他们的机器学习工具能够生成准确描述创意内容的元数据，该团队依靠编剧和动画师来解释每个节目独一无二的风格特征。
这些创意团队成员从彼此的合作中获益。一旦内容被贴上准确的元数据标签，他们就可以通过搜索界面快速找到自己需要的内容。以《实习医生格蕾》的编剧为例，为了避免冗余，可能需要知道一集中出现了多少次惠普尔手术。同时，为一部发生在海底的新动画片绘制水下生物的艺术家可能会想在《小美人鱼》、《海底总动员》中查找特定人物的姿势或定位来寻找灵感。
但是，给所有的东西都加上正确的元数据标签很快就会带来一个人力问题：即使人工标记是这个过程中的重要部分，但 DTCI 技术团队并没有时间对每一帧画面进行人工分类。这就是 Farré 的团队通过机器学习（以及最近的深度学习）来生成元数据的原因。我们的目标是建立深度学习算法，能够以与 Disney 知识库其他部分一致的方式自动标记场景的组成部分。算法标签的审批仍然需要人工操作，但这个项目正在以富有意义的方式减少整理 Disney 知识库所需的工作，从而提高库内搜索的准确性。
更重要的是，这一进展为工程师们腾出了更多时间，让他们可以专注于使用 AWS (Amazon Web Services) 开发深度学习模型。因此，他们从未停止为在不同种类的 Disney 内容中自动创建元数据所做的努力。
由 Disney 提供
深度学习为动画赋予身份
最成功的深度学习/元数据项目之一是解决动画识别所带来的问题。
在真人电影或电视节目中，对于机器来说，将一个角色从她的周围环境中分离出来是相对简单的。但动画让事情变得更加复杂。举个例子，拍摄一个动画场景，在这个场景中，一个角色既是真人，又出现在海报中（比如说这个角色是个罪犯，全城都贴了他的通缉令）。“对于一个算法来说，这是极其复杂的”，Farré 说。
去年，Farré 的团队开发了一种深度学习方法，可以将动画角色与静态角色区分开来，在一群面貌相似的角色中识别出他们（比如在《唐老鸭俱乐部》中，很多角色都是差不多的），并在灯光昏暗的场景中识别出他们（在《爱丽丝梦游仙境》中，当爱丽丝第一次见到柴郡猫时，后者只显露出露齿的笑容）。在确定什么是什么之后，算法就可以用相应的元数据来标记场景。
但该模型真正的厉害之处在于，它可以应用于任何一段动画内容。也就是说，团队不需要为每一个高飞、大力士和艾尔莎创建新的模型，只需要在他们的通用模型的基础上稍作调整，就可以适用于任何节目或电影中的任何角色。
在今年之前，该团队使用的是更为传统的机器学习算法，与深度学习方法相比，这种算法需要的数据更少，但生成的结果也更有限、不够灵活。在数据输入较少的情况下，传统算法表现良好。但当您的数据成倍增加时，就是深度学习大显身手的时候了。
Farré 说，现在，深度学习模型可以从经过训练的网络中获益，并针对具体使用案例进行微调。在具体的动画角色案例中，Disney 使用数千张图片微调了一个神经网络，以确保它能理解“动画角色”的概念。 然后，对于每个具体的节目，神经网络只需要使用几集中的几百张图像进行重新调整，让它学习如何在具体的节目中检测和解释“动画角色”。
在 Disney 从传统的机器学习向深度学习转型的过程中，AWS 一直是重要的合作伙伴，尤其是在实验方面。弹性云计算 EC2 实例使团队能够快速测试模型的新版本。（对于动画识别项目，Disney 使用的是 PyTorch 框架与经过预先训练的模型。） 由于关于深度学习的研究非常多，因此团队在不断尝试新颖的方法。
元数据的研究非常成功，以至于 Disney 各个部门都闻风而动。Farré 表示，他的团队最近与 ESPN 的个性化团队合作，为业界领先的数字应用和网站提供所有文章和视频的详细元数据。如果产品知道您是洛杉矶道奇队、Steph Curry、明尼苏达维京人队和曼联队的球迷，它掌握的关于每篇文章的元数据就越多，进而可确保您获得最符合喜好的内容。此外，机器学习算法以及它们提供的元数据可以为更先进的人工智能 (AI) 提供支持，并随着时间的推移，推动进一步的隐式个性化（基于数据关系和行为）。
正如 Farré 的看法，元数据的应用层出不穷，尤其是考虑到 Disney 庞大且不断增长的独特内容、角色和产品库。“我不认为我们会感到厌烦”，他说。