Il team media e di produzione di Oracle Red Bull Racing doveva trovare un modo rapido per individuare i migliori spezzoni all’interno del loro archivio decennale di video di Formula 1™ usando il linguaggio naturale. Non bastavano più le strutture di cartelle, i nomi dei file o i metadati di catalogo: occorreva chiedere direttamente “mostrami la celebrazione sul podio di Verstappen a Monaco” e ricevere i clip pertinenti in tempo reale.

Il problema aziendale: un archivio ingovernabile

Oggi la ricerca di un momento specifico richiede ancora lavoro manuale. I filmati sono conservati in OCI Object Storage e accessibili tramite un file system di collaborazione che non supporta ricerche semantiche. Gli operatori devono navigare tra nomi di file e cartelle o affidarsi a tag applicati manualmente. Con un volume stimato di 80‑90 TB distribuiti su dieci stagioni, questo approccio non è più scalabile.

Quattro esigenze emergono chiaramente:

    • Ricerca per significato: trovare clip sulla base del contenuto (“meccanici che cambiano le gomme al pit stop”) anziché su un numero di catalogo.
    • Identificazione di persone, loghi e azioni: riconoscere driver, sponsor, location o momenti di gara con prove visive.
    • Risposte con evidenza: ogni risultato deve rimandare a un clip sorgente riproducibile.
    • Velocità e precisione: fornire filmati pertinenti in pochi secondi per richieste di media e sponsor.

L’obiettivo tecnico: rendere la ricerca naturale accessibile a tutti

Prima dell’intervento, i tag venivano inseriti a mano e la ricerca richiedeva una conoscenza approfondita della struttura dei dati, limitando il numero di query giornaliere. Non esisteva alcun riconoscimento automatico di ciò che appariva in una scena né metriche di esposizione per i partner.

Il progetto doveva consentire al team di descrivere in inglese (o italiano) ciò che cercava, mentre l’AI Vector Search di Oracle AI Database individuava i clip rilevanti, fornendo identificazione facciale, analisi del tempo di schermo degli sponsor e risposte basate su prove collegate ai filmati originali. La soluzione doveva inoltre misurare latenza, accuratezza, capacità e valore operativo rispetto al processo manuale.

Fase di arricchimento dei media

Il nuovo sistema adotta un processo a due step. In una prima fase, una pipeline di arricchimento in background rende il contenuto “comprensibile dalla macchina”. In una seconda fase, le query in linguaggio naturale accedono ai dati tramite l’Autonomous AI Lakehouse, mantenendo la ricerca disponibile mentre nuovi filmati vengono ancora processati.

Durante l’arricchimento, le GPU NVIDIA su OCI accelerano l’elaborazione vision‑language, generando:

    • Descrizioni dei frame.
    • Rilevamento di loghi di sponsor.
    • Tagging dei momenti chiave.
    • Riconoscimento facciale per persone approvate, confrontate con una galleria pre‑registrata.

Le descrizioni generate sono trasformate in embedding vettoriali da Oracle Private AI Services Container e poi salvate, insieme a vettori, informazioni sulle persone, evidenze di sponsor e metadati, nell’Autonomous AI Lakehouse.

Ricerca live basata sul significato

Quando l’utente invia una query in linguaggio naturale, Oracle AI Database crea l’embedding della domanda tramite il Private AI Services Container. L’AI Vector Search trova, ri‑ordina e de‑duplica i clip più pertinenti, restituendo risultati direttamente nella console OCI.

Le funzionalità offerte includono:

    • Ricerca semantica con salto diretto al timecode.
    • Identificazione delle persone: cercare un pilota restituisce clip con riconoscimento facciale, non solo somiglianze.
    • Misurazione dell’esposizione degli sponsor: minuti on‑screen e share‑of‑voice per marca.
    • Domande con risposte fondate e citazioni ai clip di origine.
    • Analisi on‑demand di qualsiasi clip con generazione immediata di descrizione.

Architettura: Autonomous AI Lakehouse come sistema di registro

L’immagine sottostante (non mostrata qui) evidenzia come le fonti di media vengano arricchite su GPU NVIDIA, mentre l’AI Vector Search e il recupero metadati avvengano nell’Autonomous AI Lakehouse su OCI.

Molti sistemi separano gli embedding in un database vettoriale distinto, frammentando la gestione dei dati. La piattaforma Oracle mantiene i vettori accanto a righe relazionali, JSON e metadati, consentendo una singola operazione SQL che applica le autorizzazioni, combina filtri strutturati con similarità vettoriale e restituisce solo le evidenze autorizzate.

Gli asset multimediali rimangono in OCI Object Storage in formati aperti, mentre l’Autonomous AI Lakehouse gestisce vettori, metadati strutturati, diritti di accesso e AI Vector Search, diventando il punto unico di recupero, governance e servizio.

Vantaggi di Oracle Autonomous AI Lakehouse e OCI

Conservare vettori, dati di business e governance nello stesso lakehouse offre a Oracle Red Bull Racing un unico punto di controllo affidabile. Le risposte rispettano la sicurezza a livello di riga, si possono fare join con record live e rimangono aggiornate, perché il recupero avviene con SQL sui dati già governati dall’organizzazione.

Inoltre, l’intera catena – dallo storage dei video grezzi, al calcolo dei vettori, fino alla ricerca e alla presentazione dei risultati – gira su OCI, garantendo scalabilità, latenza ridotta e conformità alle policy di sicurezza.

Risultati concreti e impatto operativo

Dopo il lancio della soluzione, il team media ha registrato una riduzione del tempo medio per trovare un clip da diverse ore a meno di due minuti. La capacità di rispondere a richieste di sponsor in tempo reale ha incrementato la soddisfazione dei partner commerciali e ha permesso di creare nuovi format di contenuto basati su “momenti chiave” estratti automaticamente.

Le metriche di esposizione degli sponsor, prima difficili da quantificare, sono ora disponibili in report automatici, con dati precisi su minuti on‑screen e share‑of‑voice per ciascun brand. Questo ha facilitato le negoziazioni di rinnovo contrattuale e l’ottimizzazione delle placement pubblicitarie.

Prospettive future

Oracle Red Bull Racing prevede di espandere la pipeline di arricchimento includendo analisi audio, riconoscimento di suoni di motori e sentiment analysis delle interviste post‑gara. L’obiettivo è creare un archivio multimodale dove video, audio e testi siano tutti indicizzabili con lo stesso modello vettoriale, offrendo una ricerca ancora più ricca e contestualizzata.

In sintesi, l’integrazione di Oracle Autonomous AI Lakehouse, OCI e le GPU NVIDIA ha trasformato un archivio di oltre 80 TB di filmati in una risorsa immediatamente interrogabile tramite linguaggio naturale, migliorando drasticamente produttività, accuratezza e valore commerciale per Oracle Red Bull Racing.