اکثر بازاریابان معتقدند که داشتن تصاویر مرتبط و جذاب متناسب با محتوا، بسیار ارزشمند است. اما انتخاب تصاویر “مناسب” برای پست‌های وبلاگ، رسانه‌های اجتماعی یا تصاویر کوچک ویدیویی از گذشته تاکنون نیازمند جستجوی بسیاری بوده است. اساتید در عرصه شبکه‌های اجتماعی و سئو نکته‌های بسیاری در زمینه انتخاب تصاویر مناسب مطرح کرده‌اند. اما این توصیه‌ها معمولا فاقد داده‌های تجربی واقعی است.
این امر باعث شد این سوال پیش آید که: آیا برای رسیدن به یقین که تصاویر به احتمال زیاد عملکرد خوبی برای محتوا دارند (یا بیشتر باعث جلب توجه و رفتار مشترک انسان می‌شوند)، یک فرآیند مبتنی بر داده یا حتی مبتنی بر هوش مصنوعی وجود دارد؟
تکنیک یافتن عکس‌های بهینه برای مطالب
در جولای سال 2019 ، مقاله جذاب جدیدی در زمیه یادگیری ماشین با عنوان “ارزیابی محبوبیت ذاتی تصویر” منتشر شد. این مدل جدید راهی قابل اعتماد برای پیش بینی “محبوبیت” احتمالی یک تصویر پیدا کرده است. این مدل احتمال محبوبیت تصویر در اینستاگرام را تخمین میزد. این روند همچنین در عملکرد انسان‌ها بسیار موثر بوده است. از نظر پیش بینی تعداد لایک، دقت 76.65% را در برابر 72.40% پیش بینی انسان کسب کرده است.
انتخاب بهترین تصویر شاخص برای ویدیوها
یکی از مهمترین جنبه‌های بهینه سازی ویدئو، انتخاب تصویر شاخص مناسب است. یعنی همان تصویری که در زمان ظاهر شدن ویدیو در نتایج جستجو، به کاربر نشان داده می‌شود. به گفته گوگل، 90٪ از ویدیوهای برتر از یک تصویر شاخص سفارشی استفاده می‌کنند.
میزان کلیک و درنهایت تعداد مشاهده می‌تواند تا حد زیادی تحت تأثیر عنوان و تصویر شاخص ویدیو برای جستجوگر باشد. در سال‌های اخیر، گوگل از هوش مصنوعی برای خودکار سازی استخراج تصاویر شاخص ویدئو استفاده می‌کند. گوگل سعی دارد به کاربران در یافتن عکس‌های شاخص مناسب برای فیلم‌های خود، که احتمال جلب توجه و افزایش کلیک را به همراه دارند، کمک کند. متأسفانه، فقط با سه روش ارائه شده، بعید است عکس‌هایی که Google در حال حاضر توصیه می‌کند بهترین تصاویر شاخص برای هر ویدیوی مشخص باشند.
اینجاست که هوش مصنوعی وارد می شود. با استفاده از چند کد ساده، امکان اجرای “امتیاز محبوبیت ذاتی” (همانطور که توسط مدلی مشابه با مدلی که در این مقاله مورد بحث قرار گرفته است) در برابر تمام فریم‌های جداگانه ویدیو اجرا می‌شود. برای مثال، این اسکریپت یک ویدیوی YouTube را بارگیری می‌کند، آن را به صورت تصاویر با فرمت jpg به فریم‌ها تقسیم می‌کند. مدل را روی هر تصویر اجرا می‌کند. برای هر فریم تصویر نمره‌ای را پیش‌بینی می‌کند.
سیستم Caveat
لازم به یادآوری است که این مدل روی تصاویر اینستاگرام آموزش دیده و آزمایش شده است. با توجه به شباهت رفتاری برای کلیک کردن روی عکس اینستاگرام یا تصویر شاخصYouTube، احساس می‌کنیم (اگرچه هرگز آزمایش نشده است) اگر پیش‌بینی شود که یک تصویر شاخص به عنوان یک عکس اینستاگرام عملکرد خوبی داشته باشد، به همان اندازه به عنوان تصویر شاخص ویدیوی YouTube نیز عملکرد خوبی دارد.
