'Liste de contrôle d'assurance qualité pour la rédaction automatisée avant de publier un média'

La rédaction automatisée supprime une grande partie du travail manuel. Cela ne supprime pas le besoin de jugement.

Certains fichiers présentent un faible risque : vignettes internes, images de test ou médias qui ne quittent jamais votre organisation. D'autres fichiers présentent un risque élevé : diffusion de documents publics, séquences d'actualités, médias scolaires, enregistrements d'établissements de santé ou preuves juridiques. Ces résultats méritent une étape de révision avant publication.

Utilisez cette liste de contrôle pour décider ce qui doit être examiné et ce que les évaluateurs doivent rechercher.

1. Classer le risque de publication

Commencez par demander où ira le fichier expurgé.

Faible risque

• Analyses internes
• Fichiers QA temporaires
• Tester des ensembles de données
• Matériel de formation interne uniquement avec accès restreint

Risque moyen

• Partage du fournisseur
• Révision d'assurance
• Pièces jointes du support client
• Revue des incidents internes
• Échange de données partenaires

Risque élevé

• Site Web public ou publication sur les réseaux sociaux
• FOIA ou publication de documents publics
• Découverte juridique
• Publication en rédaction
• Médias scolaires, de soins de santé ou chargés de l'application de la loi
• Toute séquence impliquant des enfants, des patients, des victimes, des témoins ou des maisons privées

Les fichiers à faible risque peuvent nécessiter uniquement un échantillonnage. Les fichiers à haut risque doivent faire l’objet d’un examen humain avant leur publication.

2. Vérifiez les catégories de PII attendues

Les réviseurs doivent savoir ce que le travail était censé rédiger. Une instruction vague telle que « supprimer les informations personnelles » est difficile à auditer.

Pour chaque workflow, définissez les catégories attendues :

• Immobilier : visages, plaques d'immatriculation, panneaux de signalisation, écrans, documents
• Dashcam de flotte : visages, plaques d'immatriculation, panneaux de signalisation, écrans
• Médias scolaires : visages d'élèves, cartes d'identité, écrans, documents
• Images des établissements de santé : visages, badges nominatifs, cartes d'identité, écrans, documents
• Réclamations d'assurance : visages, plaques d'immatriculation, documents, cartes d'identité, cartes de crédit
• Images d'actualité : visages, badges, tatouages, plaques, documents

Si une catégorie n’est pas sélectionnée, l’examinateur ne doit pas supposer qu’elle a été manquée. Ils doivent vérifier si la catégorie a été intentionnellement exclue.

3. Examiner les cas difficiles connus

La détection automatisée peut être difficile dans des situations prévisibles. Prioriser l'examen autour de :

• Petits visages lointains
• Profils latéraux et faces partielles
• Reflets dans les fenêtres, miroirs et écrans
• Flou de mouvement
• Images de nuit et ombres lourdes
• Vidéo basse résolution ou surcompressée
• Plaques vues sous un angle
• Texte sur tableaux blancs, badges, cordons et documents
• Codes QR ou codes-barres sur les emballages et les étiquettes
• Des tatouages ​​ou des vêtements distinctifs permettant d'identifier une personne

Les évaluateurs n’ont pas besoin de regarder chaque seconde à la même vitesse. Ils doivent savoir où les ratés sont les plus probables.

4. Inspectez les bords des régions expurgées

Une zone de flou qui recouvre presque un visage peut laisser suffisamment de détails autour des yeux, de la bouche ou des personnages de l'assiette. Check the edges.

Pour les visages, recherchez :

• Yeux en dehors de la région expurgée
• Ligne des cheveux et contour du visage lorsque la personne est proche de la caméra
• Réflexions montrant un visage non expurgé
• Un visage visible seulement quelques images en vidéo

Pour les assiettes, recherchez :

• Premier ou dernier caractère en dehors de la zone de flou
• Réflexion de plaque sur un pare-chocs ou une vitre
• Plaque visible dans un cadre voisin mais pas celui actuel
• Plaques de remorque ou de moto manquées car plus petites

Pour les documents et les écrans, effectuez un zoom avant. Le texte qui semble illisible dans un aperçu peut être lisible en pleine résolution.

5. Vérifier la continuité vidéo

La révision vidéo présente un problème supplémentaire : la cohérence dans le temps.

Surveillez :

• Un visage expurgé dans une image et visible dans la suivante
• Une plaque manquée lors des panoramiques de la caméra
• Sujets entrant par le bord du cadre
• Personnes visibles à travers le verre ou les reflets
• Écrans visibles uniquement lorsque l'angle de la caméra change

Pour les clips longs, examinez les segments représentatifs : le début, la fin, les transitions, les panoramiques de la caméra et tout moment où la scène devient bondée.

6. Vérifiez les paramètres de sortie

Avant d'approuver, confirmez :

• Le dossier est le dérivé expurgé, pas l'original.
• Les catégories sélectionnées correspondent à la politique de workflow.
• La méthode de rédaction est appropriée : flou ou pixellisation.
• Le format de fichier et la résolution sont acceptables pour la version.
• Le nom du fichier ou le chemin de stockage indique clairement le statut expurgé.
• Les originaux restent dans un stockage restreint.

De nombreuses erreurs de version sont opérationnelles plutôt que liées au modèle. Quelqu'un télécharge l'original, joint le mauvais fichier ou publie à partir du mauvais dossier.

7. Décisions d'examen des documents

Pour les médias à haut risque, conservez un simple enregistrement d’examen :

• Réviseur
• Date
• ID du fichier source
• ID du dossier expurgé
• Catégories sélectionnées
• Problèmes trouvés
• Correctifs appliqués
• Statut d'approbation

Cela n’a pas besoin d’être lourd. Une ligne de base de données ou un commentaire de ticket suffit à de nombreuses équipes. Le but est de rendre les décisions de libération traçables.

8. Les flux manquent dans le flux de travail

Si les réviseurs continuent de trouver le même problème, corrigez le pipeline plutôt que de demander aux réviseurs de s'en souvenir.

Exemples :

• Ajoutez license_plates à un flux de travail qui a uniquement sélectionné heads.
• Divisez les longues vidéos en clips plus courts avant le téléchargement.
• Exiger une qualité d'exportation supérieure à partir du système source.
• Ajoutez une porte de révision manuelle pour les images de nuit.
• Acheminer les fichiers présentant de nombreux échecs vers une file d'attente spécialisée.

Le meilleur processus de révision diminue avec le temps, car les problèmes répétés deviennent des règles.

Quand l'échantillonnage suffit

L'échantillonnage fonctionne lorsque le risque de publication est faible et que le flux de travail est stable. Un plan d’échantillonnage pratique :

• Examinez les 50 premières sorties d'un nouveau flux de travail.
• Si les échecs sont rares, examinez 5 à 10 % du lot suivant.
• Continuez à échantillonner chaque lot, même une fois que la confiance s'est améliorée.
• Augmentez l'examen lorsque la qualité de la source, le type de caméra ou la sélection de catégorie change.

N'utilisez pas l'échantillonnage pour des dossiers publics, des preuves juridiques ou des médias impliquant des personnes vulnérables à moins que votre équipe juridique ou de conformité n'ait approuvé ce processus.

Intégrer le contrôle qualité dans le workflow de l'API

PiiBlur donne à chaque élément multimédia un statut de traitement et une URL de téléchargement authentifiée via API. Votre système peut acheminer les tâches terminées en fonction du risque :

• Faible risque : téléchargez et stockez automatiquement.
• Risque moyen : échantillonner dans une file d'attente de révision.
• Risque élevé : nécessiter une approbation avant publication.

Pour la conception du pipeline, voir Comment créer un pipeline de rédaction basé sur un webhook. Pour les flux de travail d’images par lots, voir Rédaction de photos par lots.