মাইক্রোসফ্টের সর্বশেষ প্রযুক্তি Azure AI-তে আসছে যা চিত্রের পাশাপাশি মানুষের বর্ণনা দেয়

মাইক্রোসফ্ট গবেষকরা একটি কৃত্রিম বুদ্ধিমত্তা সিস্টেম তৈরি করেছেন যা চিত্রের ক্যাপশন তৈরি করতে পারে যা অনেক ক্ষেত্রে মানুষের বর্ণনার চেয়ে বেশি নির্ভুল। এই অগ্রগতি মাইক্রোসফ্টের পণ্য ও পরিষেবাগুলিকে অন্তর্ভুক্ত এবং সমস্ত ব্যবহারকারীর জন্য অ্যাক্সেসযোগ্য করার প্রতিশ্রুতিতে একটি বড় মাইলফলক চিহ্নিত করে৷

"ইমেজ বর্ণনা হল কম্পিউটার ভিশনের অন্যতম প্রধান কাজ, যা বিস্তৃত পরিসেবাকে সক্ষম করে," বলেছেন জুয়েডং হুয়াং (জুয়েডং হুয়াং), ওয়াশিংটনের রেডমন্ডে মাইক্রোসফ্টের টেকনিক্যাল ফেলো এবং Azure AI কগনিটিভ সার্ভিসেসের প্রধান প্রযুক্তি কর্মকর্তা।

নতুন মডেলটি এখন কম্পিউটার ভিশনের মাধ্যমে গ্রাহকদের জন্য উপলব্ধ Azure জ্ঞানীয় সেবা, যা Azure AI এর অংশ, এবং ডেভেলপারদের তাদের পরিষেবার প্রাপ্যতা উন্নত করতে এই ক্ষমতা ব্যবহার করার অনুমতি দেয়। এটি Seeing AI অ্যাপে অন্তর্ভুক্ত করা হয়েছে এবং উইন্ডোজ এবং ম্যাকের জন্য মাইক্রোসফ্ট ওয়ার্ড এবং আউটলুক, পাশাপাশি উইন্ডোজ, ম্যাক এবং ওয়েবের জন্য পাওয়ারপয়েন্টে এই বছরের শেষের দিকে লঞ্চ হবে।

স্বয়ংক্রিয় বিবরণ ব্যবহারকারীদের যে কোনো ছবির গুরুত্বপূর্ণ বিষয়বস্তু অ্যাক্সেস করতে সাহায্য করে, তা সার্চের ফলাফলে প্রত্যাবর্তিত ফটো বা উপস্থাপনার জন্য একটি চিত্র।

"ওয়েব পেজ এবং নথিতে চিত্রের বিষয়বস্তু বর্ণনা করে এমন ক্যাপশনের ব্যবহার বিশেষভাবে গুরুত্বপূর্ণ যারা অন্ধ বা কম দৃষ্টিশক্তি সম্পন্ন"সাকিব শেখ), রেডমন্ডে মাইক্রোসফটের এআই প্ল্যাটফর্ম গ্রুপের সফটওয়্যার ম্যানেজার।

উদাহরণস্বরূপ, তার দল অন্ধ এবং দৃষ্টি প্রতিবন্ধীদের জন্য অ্যাপে একটি উন্নত চিত্র বর্ণনা বৈশিষ্ট্য ব্যবহার করছে এআই দেখছি, যা ক্যামেরা কি চিত্রগ্রহণ করছে তা সনাক্ত করে এবং এটি সম্পর্কে কথা বলে৷ অ্যাপটি সোশ্যাল নেটওয়ার্ক সহ ফটোগুলি বর্ণনা করতে জেনারেট করা ক্যাপশন ব্যবহার করে৷

“আদর্শভাবে, প্রত্যেকেরই নথিতে, অনলাইনে এবং সোশ্যাল মিডিয়ার সমস্ত ছবিতে অল্ট টেক্সট যোগ করা উচিত, কারণ এটি অন্ধ ব্যক্তিদের সামগ্রী অ্যাক্সেস করতে এবং কথোপকথনে অংশগ্রহণ করতে দেয়৷ কিন্তু, হায়, লোকেরা এটি করে না, "শেখ বলেছেন। "তবে, এমন কিছু অ্যাপ রয়েছে যেগুলি বিকল্প টেক্সট যোগ করার জন্য ইমেজ বর্ণনা বৈশিষ্ট্য ব্যবহার করে যখন কোনটি উপলব্ধ না হয়।"
  


লিজুয়ান ওয়াং, মাইক্রোসফ্টের রেডমন্ড ল্যাবের সিনিয়র রিসার্চ ম্যানেজার, একটি গবেষণা দলের নেতৃত্ব দিয়েছেন যা মানুষের মতো এবং আরও ভাল ফলাফল অর্জন করেছে। ছবি: ড্যান ডিলং।

নতুন বস্তুর বর্ণনা

লিজুয়ান ওয়াং (লিজুয়ান ওয়াং), মাইক্রোসফটের রেডমন্ড ল্যাবের সিনিয়র রিসার্চ ম্যানেজার।

"আপনাকে কী ঘটছে তা বুঝতে হবে, বস্তু এবং কর্মের মধ্যে সম্পর্কগুলি কী তা খুঁজে বের করতে হবে এবং তারপরে মানব-বোধগম্য ভাষায় একটি বাক্যে এটিকে সংক্ষিপ্ত এবং বর্ণনা করতে হবে," তিনি বলেছিলেন।

ওয়াং গবেষণা দলের নেতৃত্ব দেন যে বেঞ্চমার্ক কোন ক্যাপ (নতুন অবজেক্ট ক্যাপশনিং এ স্কেল, নতুন বস্তুর বড় আকারের বর্ণনা) মানুষের সাথে তুলনীয় ফলাফল অর্জন করেছে এবং তাদের ছাড়িয়ে গেছে। এই পরীক্ষাটি মূল্যায়ন করে যে এআই সিস্টেমগুলি কতটা ভালভাবে চিত্রিত বস্তুর বিবরণ তৈরি করে যা মডেলটিকে প্রশিক্ষণ দেওয়া ডেটা সেটের অংশ নয়।

সাধারণত, ইমেজ ডেসক্রিপশন সিস্টেমগুলিকে ডেটাসেটগুলিতে প্রশিক্ষিত করা হয় যেগুলিতে এই চিত্রগুলির পাঠ্য বিবরণ সহ চিত্রগুলি রয়েছে, অর্থাৎ লেবেলযুক্ত চিত্রগুলির সেটগুলিতে।

"নোক্যাপস পরীক্ষাটি দেখায় যে সিস্টেমটি প্রশিক্ষণের ডেটাতে পাওয়া নতুন বস্তুগুলিকে কতটা ভালভাবে বর্ণনা করতে পারে," ওয়াং বলেছেন।

এই সমস্যাটি সমাধান করার জন্য, মাইক্রোসফ্ট টিম একটি বিশাল ডেটাসেটে একটি বৃহৎ এআই মডেলকে প্রাক-প্রশিক্ষিত করেছে যার মধ্যে ওয়ার্ড ট্যাগ সহ ছবি রয়েছে, যার প্রতিটি ইমেজের একটি নির্দিষ্ট বস্তুর সাথে যুক্ত ছিল।

সম্পূর্ণ ক্যাপশনের পরিবর্তে শব্দ ট্যাগ সহ ইমেজের সেট তৈরি করা আরও দক্ষ ছিল, যা ওয়াং-এর দলকে তাদের মডেলে প্রচুর ডেটা ফিড করতে দেয়। এই পদ্ধতিটি মডেলটিকে দিয়েছে যা দলটি একটি ভিজ্যুয়াল শব্দভাণ্ডার বলে।

হুয়াং যেমন ব্যাখ্যা করেছেন, ভিজ্যুয়াল শব্দভান্ডার প্রাক-শিক্ষণ পদ্ধতি শিশুদের পড়ার জন্য প্রস্তুত করার অনুরূপ: প্রথমত, একটি ছবির বই ব্যবহার করা হয় যেখানে পৃথক শব্দগুলি ছবির সাথে যুক্ত থাকে, উদাহরণস্বরূপ, একটি আপেলের ছবির নীচে এটি "আপেল" বলে এবং একটি বিড়ালের ছবির নীচে "বিড়াল" শব্দটি।

“একটি ভিজ্যুয়াল অভিধানের সাথে এই প্রাক-প্রশিক্ষণটি মূলত সিস্টেমকে প্রশিক্ষণের জন্য প্রয়োজনীয় প্রাথমিক শিক্ষা। এভাবেই আমরা এক ধরনের মোটর মেমরি তৈরি করার চেষ্টা করি,” হুয়াং বলেন।

প্রাক-প্রশিক্ষিত মডেলটি তারপরে ক্যাপশনযুক্ত চিত্রগুলি অন্তর্ভুক্ত করে এমন একটি ডেটাসেট ব্যবহার করে পরিমার্জিত হয়। প্রশিক্ষণের এই পর্যায়ে, মডেল বাক্য গঠন করতে শেখে। যদি একটি চিত্র নতুন বস্তু সম্বলিত প্রদর্শিত হয়, AI সিস্টেম সঠিক বিবরণ তৈরি করতে একটি ভিজ্যুয়াল অভিধান ব্যবহার করে।

"পরীক্ষার সময় নতুন বস্তুর সাথে মোকাবিলা করতে, সিস্টেমটি প্রাক-প্রশিক্ষণের সময় এবং পরবর্তী বিকাশের সময় যা শিখেছিল তা একত্রিত করে," ওয়াং বলেছেন।
ফলাফল অনুযায়ী গবেষণাযখন nocaps পরীক্ষায় মূল্যায়ন করা হয়, তখন AI সিস্টেম একই চিত্রের জন্য মানুষের চেয়ে বেশি অর্থবহ এবং সঠিক বর্ণনা তৈরি করে।

কাজের পরিবেশে ত্বরান্বিত রূপান্তর 

অন্যান্য জিনিসের মধ্যে, নতুন ইমেজ বর্ণনা সিস্টেমটি অন্য ইন্ডাস্ট্রি বেঞ্চমার্ক অনুসারে, 2015 সাল থেকে মাইক্রোসফ্ট পণ্য এবং পরিষেবাগুলিতে ব্যবহৃত মডেলের চেয়ে দ্বিগুণ ভাল।

Microsoft পণ্য এবং পরিষেবার সমস্ত ব্যবহারকারী এই উন্নতি থেকে যে সুবিধাগুলি পাবেন তার পরিপ্রেক্ষিতে, Huang Azure ডেস্কটপ পরিবেশে নতুন মডেলের একীকরণকে ত্বরান্বিত করেছে।

"আমরা এই যুগান্তকারী AI প্রযুক্তিটিকে Azure-এ একটি প্ল্যাটফর্ম হিসাবে নিয়ে যাচ্ছি যাতে গ্রাহকদের বিস্তৃত পরিসরে সেবা দেওয়া যায়," তিনি বলেন। “এবং এটি শুধুমাত্র গবেষণার ক্ষেত্রেই নয়। Azure উৎপাদন পরিবেশে এই অগ্রগতিকে অন্তর্ভুক্ত করতে যে সময় লেগেছিল তাও একটি যুগান্তকারী ছিল।"

হুয়াং যোগ করেছেন যে মানুষের মতো ফলাফল অর্জন করা মাইক্রোসফ্টের জ্ঞানীয় বুদ্ধিমত্তা সিস্টেমে ইতিমধ্যে প্রতিষ্ঠিত একটি প্রবণতা অব্যাহত রয়েছে।

"গত পাঁচ বছরে, আমরা পাঁচটি প্রধান ক্ষেত্রে মানব-স্তরের ফলাফল অর্জন করেছি: বক্তৃতা স্বীকৃতি, মেশিন অনুবাদ, প্রশ্নের উত্তর, মেশিন রিডিং এবং পাঠ্য বোঝাপড়া এবং 2020 সালে, COVID-19 সত্ত্বেও, চিত্রের বিবরণ" জুয়ান বলেছিলেন।

বিষয় দ্বারা

• সাইট ভিজিট করুন Azure জ্ঞানীয় সেবা কম্পিউটার ভিশন সম্পর্কে আরও জানতে (কম্পিউটার ভিশন)
• নিবন্ধ পড়ুন ঐতিহাসিক অর্জন: মাইক্রোসফ্ট গবেষকরা স্বয়ংক্রিয় বক্তৃতা স্বীকৃতিতে মানব-স্তরের কর্মক্ষমতা অর্জন করেছেন 

সিস্টেম আগে এবং এখন AI ব্যবহার করে ইমেজ বর্ণনার ফলাফলের তুলনা করুন

Getty Images লাইব্রেরি থেকে ছবি। পূর্ববর্তী বর্ণনা: একটি কাটিং বোর্ডে একটি হট ডগ রান্না করছেন একজন ব্যক্তির ক্লোজ-আপ৷ নতুন বর্ণনা: একজন মানুষ রুটি বানায়।

Getty Images লাইব্রেরি থেকে ছবি। পূর্ববর্তী বর্ণনা: একজন ব্যক্তি সূর্যাস্তের সময় বসে আছেন। নতুন বর্ণনা: সৈকতে আগুন।



Getty Images লাইব্রেরি থেকে ছবি। পূর্ববর্তী বর্ণনা: নীল শার্ট পরা একজন মানুষ। নতুন বর্ণনা: সার্জিক্যাল মাস্ক পরা বেশ কয়েকজন।

Getty Images লাইব্রেরি থেকে ছবি। পূর্ববর্তী বর্ণনা: একটি স্কেটবোর্ডে একজন লোক প্রাচীরের উপর দিয়ে উড়ে যাচ্ছে। নতুন বর্ণনা: একজন বেসবল খেলোয়াড় একটি বল ধরেন।

উত্স: www.habr.com