.vtag: metadatafundamentet i VisionaryAI Suite

.vtag är metadatafundamentet i VisionaryAI Suite. Formatet lagrar AI-genererad kunskap bredvid originalfilen, vilket gör analysen portabel, strukturerad och redo för framtida arbetsflöden. Samma struktur driver semantisk filsökning och katalogindexering — så att ni kan söka i arkiv efter innehåll, inte bara filnamn.

Vad är en .vtag-fil?

En .vtag är en sidecar-fil med samma filnamn som originalfilen men annat filändelse. Innehållet är oftast JSON där strukturerad AI-analys samlas: taggar, beskrivningar, transkriptioner, objekt, tidslinjer, konfidensvärden och information om vilken modell som genererat resultatet. Eftersom filen är vanlig text kan den läsas, säkerhetskopieras, versionshanteras och indexeras av andra verktyg.

Varför sidecar-metadata är värdefull

  • Portabilitet — metadata följer med när du kopierar eller flyttar mappar.
  • Spårbarhet — metadatafält kan visa vilken modell eller analyskälla som ligger bakom varje resultat.
  • Interoperabilitet — XMP, EXIF och databaser har sin plats, men omfattande AI-analys behöver ofta ett rikare sidecar-format än vad som ryms i inbäddade fält.

Exempel (illustrativ JSON)

Det exakta schemat styrs av din version av VisionaryAI Suite. Exemplet nedan visar typiska fält; fältvärden kan vara på engelska i praktiska arbetsflöden.

Vad som kan lagras i .vtag

Version 1.5.3 berikar vad som kan flöda in i varje sidecar. .vtag är utformat för att vara portabelt, strukturerat och framtidssäkert — med AI-genererad kunskap bredvid originalfilen:

AI-genererade beskrivningar

Naturliga sammanfattningar och scennarrativ för snabb sortering och sökkort.

Taggar

Strukturerade nyckelord och begrepp som kan kopplas till ert taxonomi- eller katalogsystem.

OCR-text

Synlig text från dokument, skärmdumpar, affischer och innehåll på skärmen — sökbart tillsammans med visuell analys.

Transkriptioner

Tal-till-text från ljud och video för nyckelord och fraser i långa inspelningar.

Tidslinjedata

Tidsstämplar och intervall som kopplar händelser till specifika ögonblick i filen.

Detekterade objekt

Personer, föremål och regioner som grundar sökning i materialets visuella struktur.

Talarinformation

Talarroller eller diariseringsdata när sådan analys ingår.

Visuella fynd

Bildrutebaserade observationer och scenbevis från multimodal analys.

Semantiska sammanfattningar

Högre nivå av tolkning som förenar flera signaler till sammanhängande kontext.

Djupare AI-tolkning

Sammanfogad multimodal förståelse — vision, tal, OCR och metadata på tidslinjen.

Konfidensvärden

Låg konfidens kan flaggas eller nedprioriteras; du behåller kontrollen och kan granska resultat manuellt.

Analyskällor

Metadata om vilka modeller och analyssteg som använts — viktigt för spårbarhet.

Öppet format framför sluten leverantörsdatabas

En tjänsts interna databas kan vara kraftfull, men metadata bör ofta kunna ägas och flyttas långsiktigt. Med .vtag som läsbar sidecar-fil kan analysresultat tas med till andra verktyg utan att hela AI-analysen behöver köras om — om ni inte väljer att uppgradera modeller medvetet.

Samspelet med XMP och mediearkiv

Många arbetsflöden använder XMP i stillbilder medan DAM-system och kataloger har egna databaser. För video och ljud räcker inbäddad metadata ofta inte till omfattande AI-analys. .vtag kompletterar med rik metadata som kan mappas stegvis till XMP, databaser eller NeoFinder — utan att ersätta varje katalogsystems egna cache och index.

Utveckling av formatet

Som öppet mönster kan fält, delade scheman och validering utvecklas tillsammans med ekosystemet. Målet är en portabel, granskningsbar metadatafil kring det som analyserats i ert material — som stöd för sökning, arkiv och integration, inte som ersättning för juridiska krav, bevarandeplikt eller mänsklig katalogisering där sådana krav gäller.