Відсутність ефективних архітектур для вилучення просторових ознак з окремих статичних кадрів.

Повна відсутність відкритих датасетів із відеоматеріалами для навчання моделей машинного навчання.

Неможливість збереження відеоданих у форматі тензорів високої розмірності для обробки на графічних процесорах (GPU).

Необхідність часового моделювання та синхронізації динаміки кадрів із послідовністю аудіосигналу або субтитрів протягом часу.