Azure AI में Microsoft की नवीनतम तकनीक छवियों के साथ-साथ लोगों का भी वर्णन करती है

Microsoft शोधकर्ताओं ने एक कृत्रिम बुद्धिमत्ता प्रणाली बनाई है जो छवि कैप्शन उत्पन्न करने में सक्षम है, जो कई मामलों में मनुष्यों द्वारा किए गए विवरणों की तुलना में अधिक सटीक होती है। इस सफलता ने अपने उत्पादों और सेवाओं को सभी उपयोगकर्ताओं के लिए समावेशी और सुलभ बनाने के लिए Microsoft की प्रतिबद्धता में एक प्रमुख मील का पत्थर चिह्नित किया।

"छवि विवरण कंप्यूटर दृष्टि के मुख्य कार्यों में से एक है, जो सेवाओं की एक विस्तृत श्रृंखला को संभव बनाता है," Xuedong हुआंग ने कहा (ज़ुएदोंग हुआंग), एक Microsoft तकनीकी अधिकारी और Redmond, वाशिंगटन में Azure AI Cognitive Services का CTO।

नया मॉडल अब कंप्यूटर विजन के माध्यम से उपभोक्ताओं के लिए उपलब्ध है Azure संज्ञानात्मक सेवाएँ, जो एज़्योर एआई का हिस्सा है, और डेवलपर्स को अपनी सेवाओं की उपलब्धता में सुधार करने के लिए इस सुविधा का उपयोग करने की अनुमति देता है। इसे सीइंग एआई ऐप में भी शामिल किया जा रहा है और इस साल के अंत में विंडोज और मैक के लिए माइक्रोसॉफ्ट वर्ड और आउटलुक के साथ-साथ विंडोज, मैक और वेब पर पावरपॉइंट के लिए उपलब्ध होगा।

ऑटो विवरण उपयोगकर्ताओं को किसी भी छवि की महत्वपूर्ण सामग्री तक पहुंचने में सहायता करता है, चाहे वह खोज परिणामों में लौटाई गई तस्वीर हो या प्रस्तुति के लिए चित्रण हो।

साकिब शेख ने कहा, "वेब पेजों और दस्तावेजों पर छवियों की सामग्री (तथाकथित वैकल्पिक या वैकल्पिक पाठ) का वर्णन करने वाले कैप्शन का उपयोग विशेष रूप से अंधे या दृष्टिबाधित लोगों के लिए महत्वपूर्ण है।"साकिब शेख), रेडमंड में माइक्रोसॉफ्ट के एआई प्लेटफॉर्म ग्रुप में सॉफ्टवेयर मैनेजर।

उदाहरण के लिए, उनकी टीम नेत्रहीन और नेत्रहीन लोगों के लिए ऐप में एक बेहतर छवि विवरण सुविधा का उपयोग कर रही है। एआई देख रहे हैं, जो पहचानता है कि कैमरा क्या कैप्चर कर रहा है और उसके बारे में बताता है। ऐप सोशल मीडिया सहित तस्वीरों का वर्णन करने के लिए जनरेट किए गए कैप्शन का उपयोग करता है।

"आदर्श रूप से, सभी को वेब पर, सामाजिक नेटवर्क पर दस्तावेज़ों में सभी छवियों के लिए ऑल्ट टेक्स्ट जोड़ना चाहिए, क्योंकि इससे दृष्टिहीन लोग सामग्री तक पहुंच सकते हैं और बातचीत में भाग ले सकते हैं। लेकिन, अफसोस, लोग ऐसा नहीं करते हैं,” शेख कहते हैं। "हालांकि, कुछ ऐप ऐसे हैं जो वैकल्पिक पाठ जोड़ने के लिए छवि विवरण सुविधा का उपयोग करते हैं जब यह गायब हो जाता है।"
  


माइक्रोसॉफ्ट की रेडमंड लैब में शोध के महाप्रबंधक लिरुआन वांग ने एक शोध टीम का नेतृत्व किया जिसने मानव परिणामों को हासिल किया और उससे आगे निकल गया। फोटो: डैन देलांग।

नई वस्तुओं का विवरण

"छवियों का वर्णन करना कंप्यूटर विज़न के मुख्य कार्यों में से एक है, जिसके लिए छवि में प्रस्तुत मुख्य सामग्री या क्रिया को समझने और उसका वर्णन करने के लिए एक कृत्रिम बुद्धिमत्ता प्रणाली की आवश्यकता होती है," लिरुआन वांग ने समझाया (लिजुआन वांग), Microsoft की रेडमंड प्रयोगशाला में अनुसंधान के महाप्रबंधक।

"आपको यह समझने की ज़रूरत है कि क्या चल रहा है, वस्तुओं और कार्यों के बीच संबंध क्या हैं, और फिर इसे मानव-पठनीय भाषा में एक वाक्य में सारांशित और वर्णित करें," उसने कहा।

वांग बेंचमार्किंग में जो अनुसंधान दल का नेतृत्व किया कोई सीमाएँ नहीं (उपन्यास वस्तु अनुशीर्षक बड़े पैमाने पर, नई वस्तुओं का एक बड़े पैमाने पर विवरण) ने एक मानव के तुलनीय परिणाम प्राप्त किया, और इसे पार कर लिया। यह परीक्षण आपको यह मूल्यांकन करने की अनुमति देता है कि एआई सिस्टम कितनी अच्छी तरह चित्रित वस्तुओं का वर्णन उत्पन्न करता है जो उस डेटा सेट में शामिल नहीं हैं जिस पर मॉडल को प्रशिक्षित किया गया था।

विशिष्ट रूप से, छवि विवरण प्रणालियों को उन डेटा सेटों पर प्रशिक्षित किया जाता है जिनमें इन छवियों के शाब्दिक विवरण के साथ छवियां होती हैं, जो कि हस्ताक्षरित छवियों के सेट पर होती हैं।

वांग कहते हैं, "नोकैप्स परीक्षण से पता चलता है कि प्रशिक्षण डेटा में नहीं मिली नई वस्तुओं का वर्णन करने में सिस्टम कितनी अच्छी तरह सक्षम है।"

इस समस्या को हल करने के लिए, Microsoft टीम ने एक बड़े डेटासेट पर एक बड़े AI मॉडल को पूर्व-प्रशिक्षित किया, जिसमें शब्द-टैग वाली छवियां थीं, जिनमें से प्रत्येक छवि में एक विशिष्ट वस्तु से जुड़ी थी।

पूर्ण कैप्शन के बजाय शब्द टैग के साथ छवि सेट बनाने के लिए अधिक कुशल हैं, जिससे वांग की टीम को अपने मॉडल में बहुत अधिक डेटा फीड करने की अनुमति मिलती है। इस दृष्टिकोण ने उस मॉडल को दिया जिसे टीम दृश्य शब्दावली कहती है।

जैसा कि हुआंग ने समझाया, दृश्य शब्दावली का उपयोग करने वाला पूर्व-शिक्षण दृष्टिकोण बच्चों को पढ़ने के लिए तैयार करने के समान है: सबसे पहले, एक चित्र पुस्तक का उपयोग किया जाता है जिसमें अलग-अलग शब्द छवियों से जुड़े होते हैं, उदाहरण के लिए, एक सेब की तस्वीर के नीचे "सेब" लिखा होता है। और एक बिल्ली की तस्वीर के नीचे "बिल्ली" शब्द है।

"दृश्य शब्दावली के साथ यह पूर्व प्रशिक्षण, संक्षेप में, प्रारंभिक शिक्षा प्रणाली को प्रशिक्षित करने के लिए आवश्यक है। इस तरह हम एक तरह की मोटर मेमोरी विकसित करने की कोशिश करते हैं," हुआंग ने कहा।

पूर्व-प्रशिक्षित मॉडल को लेबल की गई छवियों सहित डेटासेट के साथ परिष्कृत किया जाता है। प्रशिक्षण के इस चरण में, मॉडल वाक्य बनाना सीखता है। यदि नई वस्तुओं वाली कोई छवि दिखाई देती है, तो AI सिस्टम सटीक विवरण बनाने के लिए विज़ुअल डिक्शनरी का उपयोग करता है।

वांग कहते हैं, "परीक्षण के दौरान नई वस्तुओं के साथ काम करने के लिए, सिस्टम पूर्व-प्रशिक्षण के दौरान और बाद के शोधन के दौरान जो सीखा, उसे एकीकृत करता है।"
огласно результатам अनुसंधान, जब नोकैप परीक्षणों पर मूल्यांकन किया गया, तो एआई प्रणाली ने समान छवियों के लिए मनुष्यों की तुलना में अधिक सार्थक और सटीक विवरण प्रस्तुत किए।

काम के माहौल में तेजी से संक्रमण 

अन्य बातों के अलावा, नई छवि विवरण प्रणाली 2015 से Microsoft उत्पादों और सेवाओं में उपयोग किए जाने वाले मॉडल की तुलना में दोगुनी अच्छी है, जब किसी अन्य उद्योग बेंचमार्क की तुलना की जाती है।

Microsoft उत्पादों और सेवाओं के सभी उपयोगकर्ताओं को इस सुधार से मिलने वाले लाभों को ध्यान में रखते हुए, हुआंग ने Azure कार्य वातावरण में नए मॉडल के एकीकरण को गति दी।

उन्होंने कहा, "हम ग्राहकों की एक विस्तृत श्रृंखला की सेवा के लिए एक मंच के रूप में इस विघटनकारी एआई तकनीक को एज़्योर में ले जा रहे हैं।" "और यह सिर्फ शोध में सफलता नहीं है। इस सफलता को एज़्योर उत्पादन वातावरण में शामिल करने में लगने वाला समय भी एक सफलता थी।

हुआंग ने कहा कि मानव जैसे परिणाम प्राप्त करना माइक्रोसॉफ्ट की संज्ञानात्मक खुफिया प्रणालियों में पहले से स्थापित एक प्रवृत्ति है।

“पिछले पांच वर्षों में, हमने पाँच प्रमुख क्षेत्रों में मानव जैसे परिणाम प्राप्त किए हैं: वाक् पहचान में, मशीनी अनुवाद में, प्रश्नों के उत्तर देने में, मशीन पढ़ने और पाठ को समझने में, और 2020 में, COVID-19 के बावजूद, छवि विवरण में ' जुआन ने कहा।

विषय के अनुसार

• वेबसाइट पर जाएं Azure संज्ञानात्मक सेवाएँ कंप्यूटर दृष्टि के बारे में अधिक जानने के लिए (Computer Vision)
• लेख पढ़ें ऐतिहासिक उपलब्धि - Microsoft शोधकर्ता स्वचालित वाक् पहचान में मानव स्तर प्राप्त करते हैं 

एआई का उपयोग करके सिस्टम द्वारा पहले और अब दी गई छवियों के विवरण के परिणामों की तुलना करें

फोटो गेटी इमेजेज के सौजन्य से। पिछला विवरण: कटिंग बोर्ड पर हॉट डॉग तैयार करते हुए एक व्यक्ति का पास से चित्र। नया विवरण: एक आदमी रोटी बनाता है।

फोटो गेटी इमेजेज के सौजन्य से। पिछला विवरण: एक आदमी सूर्यास्त के समय बैठा है। नया विवरण: समुद्र तट पर अलाव।



फोटो गेटी इमेजेज के सौजन्य से। पिछला विवरण: नीली शर्ट में एक आदमी। नया विवरण: कई लोग सर्जिकल मास्क पहने हुए हैं।

फोटो गेटी इमेजेज के सौजन्य से। पिछला विवरण: स्केटबोर्ड पर एक आदमी दीवार पर उड़ता है। नया विवरण: एक बेसबॉल खिलाड़ी गेंद को पकड़ता है।

स्रोत: www.habr.com