KI-basierte Headerbilder für SharePoint

In der digitalen Welt spielen visuell ansprechende Bilder eine zentrale Rolle – sei es auf Webseiten, in sozialen Medien, in Marketingmaterialien oder im Intranet. Besonders Headerbilder sind oft der erste Blickfang für Besucher und müssen daher sowohl ästhetisch ansprechend als auch funktional sein. Doch die Auswahl und Bereitstellung passender Headerbilder stellt viele Unternehmen vor eine Herausforderung. In diesem Blogpost zeige ich, wie wir mithilfe künstlicher Intelligenz vollautomatisch Headerbilder aus einem Bilderpool generieren und den Anwendern zur Verfügung stellen.

Problemstellung: Fehlende Headerbilder

Unser Kunde betreibt ein umfangreiches Intranet auf Basis von Microsoft SharePoint, das von zahlreichen Redakteuren verwaltet wird. Die Bildbereitstellung erfolgt über ein zentrales Digital-Asset-Management (DAM), das mit dem Intranet synchronisiert ist. Alle im DAM verfügbaren Bilder sind offiziell vom Unternehmen freigegeben und bestehen hauptsächlich aus Fotos und Grafiken in den Formaten 4:3 oder 16:9.

Was ist ein Headerbild?

Jede SharePoint-Seite verfügt über einen Header. SharePoint bietet fünf verschiedene Header-Layouts, von denen einige die Möglichkeit bieten, ein Hintergrundbild zu hinterlegen. Ein solches Headerbild hat auf einer Standard-Desktop-Seite eine Größe von etwa 1872 × 228 Pixel, was einem Seitenverhältnis von 74:9 entspricht.

Wird ein Foto im 16:9-Format ohne Anpassung als Headerbild verwendet, bietet SharePoint die Möglichkeit, einen Fokuspunkt im Bild zu setzen. Anschließend erstellt SharePoint automatisch eine sogenannte Rendition, also eine zugeschnittene Version des Bildes. In der Praxis hat sich jedoch gezeigt, dass das Setzen des Fokuspunkts oft kompliziert ist. Zudem muss die Qualität des Ausgangsbildes sehr hoch sein, da das fertige Headerbild sonst unscharf oder ungeeignet wirkt.

Da das manuelle Erstellen passender Headerbilder aufwendig ist, äußerten die Intranet-Redakteure den Wunsch nach einer einfacheren Lösung. Der Kunde plant jedoch nicht, selbst professionelle Headerbilder bereitzustellen.

Unser Ansatz: Automatische Generierung hochwertiger Headerbilder mit Azure KI Vision

Unser Ziel war es, geeignete Bilder im DAM zu identifizieren und in hoher Auflösung so zu transformieren, dass daraus qualitativ hochwertige Headerbilder mit einem Seitenverhältnis von ca. 74:9 entstehen.

Die größte Herausforderung bestand darin, geeignete Bilder automatisiert auszuwählen. Niemand möchte tausende von Bildern manuell sichten und bewerten. Daher suchten wir nach einer Methode, um die Eignung eines Bildes als Headerbild systematisch zu berechnen. Dabei orientierten wir uns an den Unternehmensrichtlinien und -werten, wie beispielsweise dem Prinzip „Menschen stehen im Fokus“.

Nachdem klar war, welche Kriterien ein Bild erfüllen sollte, stand fest: Künstliche Intelligenz ist der Schlüssel zur Lösung. Bei unserer Recherche sind wir auf Azure KI Vision gestoßen – eine Bild- und Videoanalyse-Plattform von Microsoft mit Funktionen wie Bildanalyse (Image Analysis) und Gesichtserkennung (Facial Recognition).

Die Umsetzung: Cloud-basierter Workflow mit Azure Logic Apps

Für die Umsetzung haben wir uns für Azure Logic Apps entschieden (Azure Logic Apps). Diese Cloud-basierte Plattform ermöglicht automatisierte, zeitgesteuerte Workflows und bietet eine Vielzahl an Konnektoren, um Interaktionen mit Drittsystemen zu ermöglichen.

Unsere Logic App wird alle 24 Stunden ausgeführt und folgt dabei einem mehrstufigen Prozess:

1. Abruf der Bildänderungen aus dem DAM
• Die App sendet einen API-Call an das Digital Asset Management (DAM) und erfragt alle Änderungen der letzten 24 Stunden für bestimmte Bildtypen oder Bibliotheken.
2. Analyse der Bilder
• Von den gefundenen Bildern ruft die App die Metadaten und Vorschaubilder aus dem DAM ab.
• Das Vorschaubild wird an die Gesichtserkennung von Azure KI Vision weitergeleitet, um die Eignung als Headerbild zu analysieren.
3. Bewertung der Gesichtserkennungsergebnisse
• Azure KI Vision liefert verschiedene Merkmale zur Gesichtserkennung.
• Wir haben uns auf zwei entscheidende Faktoren fokussiert:
• Konfidenzwert (ConfidenceArray)
• Größe des erkannten Gesichts (face height)
• Da das Headerbild eine bestimmte Mindestqualität haben muss, wurde festgelegt, dass ein erkanntes Gesicht mindestens 500 px hoch sein muss, um als geeignet zu gelten.

In Abbildung 1 ist ein exemplarisches Ergebnis von Azure KI Vision dargestellt. Für jedes erkannte Gesicht liefert die Analyse das Konfidenzlevel sowie die Koordinaten des Gesichtsrechtecks.

Basierend auf diesen Daten berechnen wir die Position des Schwerpunkts des Gesichtsrechtecks im Ausgangsbild. Diese Koordinaten werden anschließend zusammen mit den Bilddetails und der benötigten Größe des Bildausschnitts an die Asset Processing API des DAM übermittelt.

Die Asset Processing API bietet eine automatische Zuschneide-Funktion, die auf einem selbst definierten Fokuspunkt (focal point) basiert. Dadurch wird das Bild optimal zugeschnitten, um es als Headerbild zu verwenden.

Abbildung 2 zeigt den Fokuspunkt sowie die gewünschte Größe des Bildausschnitts. Das DAM führt die Zuschneide-Operation serverseitig aus und liefert das bearbeitete Bild als Ergebnis zurück.

Im letzten Schritt wird das fertige Headerbild umbenannt, in die Ressourcenbibliothek der Organisation (organization assets library) von SharePoint hochgeladen und mit den entsprechenden Metadaten angereichert.

Effizienzsteigerung mit KI und Automatisierung

Der hier vorgestellte Prozess läuft seit rund einem Jahr produktiv und ermöglicht die kostengünstige Erstellung geeigneter Headerbilder. Obwohl die Ergebnisse gute Qualität bieten, können sie mit redaktionell erstellten Headerbildern nicht vollständig mithalten.

Dennoch zeigt die Lösung eindrucksvoll, wie sich Automatisierung und künstliche Intelligenz erfolgreich einsetzen lassen, um repetitive Aufgaben effizient zu bewältigen.