Cu 65.000 de clipuri noi adaugate zilnic, organizarea YouTube poate fi o munca titanica. Cine a cautat vreodata o secventa video anume stie cat de greu se poate ajunge la rezultate relevante. Google are o reteta de indexare automata a site-urilor, cunoscuta doar de angajatii companiei si care ofera rezultate relevante ale cautarii pe Internet.

Spre deosebire de motorul de cautare, organizarea secventelor video este lasata pe seama celor care au filmat videoclipurile, a cuvintelor cheie din scurta descriere facuta de acestia. De exemplu, cel care a filmat secvente de la nunta lui Elton John a rezumat descrierea doar la aceste informatii. Daca cineva, in schimb, ar fi interesat de barbatul cu care s-a casatorit vedeta britanica, cautarea dupa numele lui nu ar duce la nici un rezultat. Acum, un grup de informaticieni au dezvoltat un sistem care utilizeaza o combinatie intre recunoasterea faciala a personajelor, descifrarea cuvintelor care apar scrise pe fundal intr-un clip video (ex: subtitrarile) si dialogul personajelor (cu ajutorul unui sistem de recunoastere a vocii). "Credem ca acesta reprezinta primul pas in a obtine descrieri automate despre ce se intampla intr-un film", a spus, cu ocazia prezentarii sistemului, Mark Everingham de la Universitatea din Leeds, adaugand ca, intr-o faza incipienta a dezvoltarii sistemului, filmele puteau fi organizate in functie de scenariul filmului si de subtitrari.  Scenariul spune "ce este spus si de catre cine", iar subtitrarea arata "la ce secunda a filmului este spus ceva". Acum, cercetatorii au adaugat recunoasterea faciala si cea vocala.

Asta pentru ca, de multe ori intr-un film, persoana care vorbeste nu este intotdeauna si cea care apare pe ecran. Camera poate filma, de exemplu, doar reactiile interlocutorului, lasandu-l intr-un cadru mort pe cel care spune replica. Alteori, pot fi mai multi actori intr-o singura scena sau figura artistului nu este indreptata catre camera.

Everingham spune ca sistemul are o acuratete de 80% si poate fi folosit si in industria distributiei de filme. Cu formatele de inalta definitie care incep sa fie folosite, calitatea mai buna a imaginilor inseamna si mai multe sanse pentru calculator de a recunoaste un anumit personaj. De altfel, munca sa acum incepe. El trebuie sa scaneze figurile tuturor actorilor pentru ca sistemul sa functioneze la capacitate maxima.