បច្ចេកវិទ្យាចុងក្រោយរបស់ Microsoft មកដល់ Azure AI ពិពណ៌នាអំពីរូបភាព ក៏ដូចជាមនុស្សផងដែរ។

អ្នកស្រាវជ្រាវ Microsoft បានបង្កើតប្រព័ន្ធបញ្ញាសិប្បនិម្មិត ដែលអាចបង្កើតចំណងជើងរូបភាព ដែលក្នុងករណីជាច្រើនមានភាពសុក្រិតជាងការពិពណ៌នារបស់មនុស្ស។ របកគំហើញនេះ គឺជាព្រឹត្តិការណ៍ដ៏សំខាន់មួយនៅក្នុងការប្តេជ្ញាចិត្តរបស់ Microsoft ក្នុងការធ្វើឱ្យផលិតផល និងសេវាកម្មរបស់ខ្លួនរួមបញ្ចូល និងអាចប្រើប្រាស់បានសម្រាប់អ្នកប្រើប្រាស់ទាំងអស់។

លោក Xuedong Huang បានមានប្រសាសន៍ថា "ការពិពណ៌នារូបភាពគឺជាមុខងារស្នូលមួយនៃចក្ខុវិស័យកុំព្យូទ័រ ដែលអនុញ្ញាតឱ្យមានសេវាកម្មជាច្រើន" ។Xuedong Huang) ដែលជាដៃគូបច្ចេកទេសរបស់ Microsoft និងជាប្រធានផ្នែកបច្ចេកវិទ្យានៃ Azure AI Cognitive Services នៅ Redmond រដ្ឋ Washington ។

ម៉ូដែល​ថ្មី​នេះ​ឥឡូវ​មាន​ជូន​អតិថិជន​តាម​រយៈ Computer Vision នៅ សេវាកម្មយល់ដឹង Azureដែលជាផ្នែកមួយនៃ Azure AI និងអនុញ្ញាតឱ្យអ្នកអភិវឌ្ឍន៍ប្រើប្រាស់សមត្ថភាពនេះដើម្បីកែលម្អភាពអាចរកបាននៃសេវាកម្មរបស់ពួកគេ។ វាត្រូវបានរួមបញ្ចូលផងដែរនៅក្នុងកម្មវិធី Seeing AI ហើយនឹងចាប់ផ្តើមនៅចុងឆ្នាំនេះនៅក្នុង Microsoft Word និង Outlook សម្រាប់ Windows និង Mac ក៏ដូចជា PowerPoint សម្រាប់ Windows, Mac និងគេហទំព័រ។

ការពិពណ៌នាដោយស្វ័យប្រវត្តិជួយឱ្យអ្នកប្រើប្រាស់ចូលប្រើខ្លឹមសារសំខាន់ៗនៃរូបភាពណាមួយ មិនថាជារូបថតដែលបានត្រឡប់មកវិញក្នុងលទ្ធផលស្វែងរក ឬរូបភាពសម្រាប់បទបង្ហាញនោះទេ។

លោក Saqib Sheikh បាននិយាយថា "ការប្រើប្រាស់ចំណងជើងដែលពណ៌នាអំពីខ្លឹមសារនៃរូបភាព (ហៅថា អត្ថបទជំនួស ឬជំនួស) នៅលើគេហទំព័រ និងឯកសារមានសារៈសំខាន់ជាពិសេសសម្រាប់អ្នកពិការភ្នែក ឬមានចក្ខុវិស័យទាប។Saqib Shaikh), អ្នកគ្រប់គ្រងកម្មវិធីនៅក្នុងក្រុម AI Platforms របស់ Microsoft នៅ Redmond ។

ជាឧទាហរណ៍ ក្រុមរបស់គាត់កំពុងប្រើប្រាស់មុខងារពិពណ៌នារូបភាពដែលប្រសើរឡើងនៅក្នុងកម្មវិធីសម្រាប់មនុស្សពិការភ្នែក និងពិការភ្នែក មើលអាយអេដែលទទួលស្គាល់នូវអ្វីដែលកាមេរ៉ាកំពុងថត ហើយនិយាយអំពីវា។ កម្មវិធីនេះប្រើចំណងជើងដែលបានបង្កើត ដើម្បីពណ៌នារូបថត រួមទាំងនៅលើបណ្តាញសង្គមផងដែរ។

"តាមឧត្ដមគតិ អ្នកគ្រប់គ្នាគួរតែបន្ថែមអត្ថបទ alt ទៅក្នុងរូបភាពទាំងអស់នៅក្នុងឯកសារ អនឡាញ និងនៅលើប្រព័ន្ធផ្សព្វផ្សាយសង្គម ព្រោះនេះអនុញ្ញាតឱ្យមនុស្សពិការភ្នែកចូលប្រើខ្លឹមសារ និងចូលរួមក្នុងការសន្ទនា។ ប៉ុន្តែ​ជា​អកុសល មនុស្ស​មិន​ធ្វើ​បែប​នេះ​ទេ»។ "ទោះជាយ៉ាងណាក៏ដោយ មានកម្មវិធីជាច្រើនដែលប្រើមុខងារពិពណ៌នារូបភាព ដើម្បីបន្ថែមអត្ថបទជំនួសនៅពេលដែលមិនមាន។"
  


Lijuan Wang អ្នកគ្រប់គ្រងស្រាវជ្រាវជាន់ខ្ពស់នៅមន្ទីរពិសោធន៍ Redmond របស់ Microsoft បានដឹកនាំក្រុមស្រាវជ្រាវដែលសម្រេចបានលទ្ធផលល្អដូចមនុស្ស និងប្រសើរជាង។ រូបថត៖ Dan DeLong។

ការពិពណ៌នាអំពីវត្ថុថ្មី។

Lijuan Wang បានពន្យល់ថា "ការពិពណ៌នារូបភាពគឺជាភារកិច្ចចម្បងមួយនៃចក្ខុវិស័យកុំព្យូទ័រ ដែលទាមទារឱ្យប្រព័ន្ធបញ្ញាសិប្បនិមិត្តយល់ និងពណ៌នាអំពីខ្លឹមសារ ឬសកម្មភាពសំខាន់ៗដែលតំណាងនៅក្នុងរូបភាព" ។លីចាន់វ៉ាង), អ្នកគ្រប់គ្រងស្រាវជ្រាវជាន់ខ្ពស់នៅមន្ទីរពិសោធន៍ Redmond របស់ Microsoft ។

នាងបាននិយាយថា "អ្នកត្រូវយល់ពីអ្វីដែលកំពុងកើតឡើង ស្វែងយល់ថាតើទំនាក់ទំនងរវាងវត្ថុ និងសកម្មភាព ហើយបន្ទាប់មកសង្ខេប និងពិពណ៌នាវាទាំងអស់ជាប្រយោគជាភាសាដែលអាចយល់បានរបស់មនុស្ស"។

លោក Wang បាន​ដឹកនាំ​ក្រុម​ស្រាវជ្រាវ​ដែល​បាន​ធ្វើ​ជា​គំរូ​ nocaps (ការដាក់ចំណងជើងវត្ថុប្រលោមលោកតាមមាត្រដ្ឋាន ការពិពណ៌នាទ្រង់ទ្រាយធំនៃវត្ថុថ្មី) ទទួលបានលទ្ធផលដែលអាចប្រៀបធៀបទៅនឹងវត្ថុរបស់មនុស្ស និងលើសពីវត្ថុទាំងនោះ។ ការធ្វើតេស្តនេះវាយតម្លៃពីរបៀបដែលប្រព័ន្ធ AI បង្កើតការពិពណ៌នាអំពីវត្ថុដែលបានពិពណ៌នាដែលមិនមែនជាផ្នែកនៃទិន្នន័យដែលគំរូត្រូវបានបណ្តុះបណ្តាល។

ជាធម្មតា ប្រព័ន្ធពិពណ៌នារូបភាពត្រូវបានបណ្តុះបណ្តាលលើសំណុំទិន្នន័យដែលមានរូបភាពអមដោយការពណ៌នាជាអត្ថបទនៃរូបភាពទាំងនេះ ពោលគឺនៅលើសំណុំរូបភាពដែលមានស្លាក។

Wang និយាយថា "ការធ្វើតេស្ត nocaps បង្ហាញពីរបៀបដែលប្រព័ន្ធអាចពិពណ៌នាអំពីវត្ថុថ្មីដែលមិនត្រូវបានរកឃើញនៅក្នុងទិន្នន័យបណ្តុះបណ្តាល" Wang និយាយ។

ដើម្បីដោះស្រាយបញ្ហានេះ ក្រុមការងារ Microsoft បានបណ្តុះបណ្តាលជាមុននូវគំរូ AI ដ៏ធំមួយនៅលើសំណុំទិន្នន័យដ៏ធំដែលមានរូបភាពជាមួយនឹងស្លាកពាក្យ ដែលនីមួយៗត្រូវបានភ្ជាប់ជាមួយវត្ថុជាក់លាក់នៅក្នុងរូបភាព។

វាកាន់តែមានប្រសិទ្ធភាពក្នុងការបង្កើតរូបភាពដែលមានស្លាកពាក្យជំនួសឱ្យចំណងជើងពេញ ដែលអនុញ្ញាតឱ្យក្រុមរបស់ Wang បញ្ចូលទិន្នន័យជាច្រើនទៅក្នុងគំរូរបស់ពួកគេ។ វិធីសាស្រ្តនេះបានផ្តល់ឱ្យគំរូនូវអ្វីដែលក្រុមហៅថាវាក្យសព្ទដែលមើលឃើញ។

ដូចដែលលោក Huang បានពន្យល់ វិធីសាស្រ្តនៃការបង្រៀនវាក្យសព្ទដែលមើលឃើញគឺស្រដៀងគ្នាទៅនឹងការរៀបចំកុមារឱ្យអាន៖ ទីមួយ សៀវភៅរូបភាពត្រូវបានប្រើដែលពាក្យនីមួយៗត្រូវបានភ្ជាប់ជាមួយរូបភាព ឧទាហរណ៍ នៅក្រោមរូបថតផ្លែប៉ោមមួយវានិយាយថា "ផ្លែប៉ោម" និង នៅក្រោមរូបថតឆ្មាពាក្យ "ឆ្មា" ។

“ការបណ្តុះបណ្តាលមុននេះជាមួយនឹងវចនានុក្រមដែលមើលឃើញ គឺជាការអប់រំដំបូងដែលត្រូវការដើម្បីបណ្តុះបណ្តាលប្រព័ន្ធ។ នេះជារបៀបដែលយើងព្យាយាមអភិវឌ្ឍប្រភេទអង្គចងចាំម៉ូតូ។

បន្ទាប់មក គំរូដែលបានបណ្តុះបណ្តាលមុនត្រូវបានកែលម្អដោយប្រើសំណុំទិន្នន័យដែលរួមបញ្ចូលរូបភាពដែលមានចំណងជើង។ នៅដំណាក់កាលនៃការបណ្តុះបណ្តាលនេះ គំរូរៀនបង្កើតប្រយោគ។ ប្រសិនបើរូបភាពលេចឡើងដែលមានវត្ថុថ្មី ប្រព័ន្ធ AI ប្រើវចនានុក្រមដែលមើលឃើញដើម្បីបង្កើតការពិពណ៌នាត្រឹមត្រូវ។

លោក Wang និយាយ​ថា​៖ «​ដើម្បី​ដោះស្រាយ​ជាមួយ​វត្ថុ​ថ្មី​ក្នុង​អំឡុង​ពេល​សាកល្បង ប្រព័ន្ធ​នេះ​រួម​បញ្ចូល​គ្នា​នូវ​អ្វី​ដែល​វា​បាន​រៀន​ក្នុង​អំឡុង​ពេល​ហ្វឹកហាត់​មុន និង​ក្នុង​អំឡុង​ពេល​ការ​អភិវឌ្ឍ​ជា​បន្តបន្ទាប់​។
នេះ​បើ​តាម​លទ្ធផល ការស្រាវជ្រាវនៅពេលវាយតម្លៃលើការធ្វើតេស្ត nocaps ប្រព័ន្ធ AI បានបង្កើតការពិពណ៌នាដែលមានអត្ថន័យ និងត្រឹមត្រូវជាងមនុស្សបានធ្វើសម្រាប់រូបភាពដូចគ្នា។

ការពន្លឿនការផ្លាស់ប្តូរទៅបរិយាកាសការងារ 

ក្នុងចំណោមរបស់ផ្សេងទៀត ប្រព័ន្ធពណ៌នារូបភាពថ្មីគឺល្អជាងគំរូដែលប្រើក្នុងផលិតផល និងសេវាកម្មរបស់ Microsoft តាំងពីឆ្នាំ 2015 ដល់ទៅ XNUMX ដង នេះបើយោងតាមស្តង់ដារឧស្សាហកម្មមួយផ្សេងទៀត។

ដោយទទួលបានអត្ថប្រយោជន៍ដែលអ្នកប្រើប្រាស់ទាំងអស់នៃផលិតផល និងសេវាកម្ម Microsoft នឹងទទួលបានពីការកែលម្អនេះ លោក Huang បានពន្លឿនការរួមបញ្ចូលគំរូថ្មីទៅក្នុងបរិស្ថានផ្ទៃតុ Azure ។

គាត់បាននិយាយថា "យើងកំពុងយកបច្ចេកវិទ្យា AI ដ៏ទម្លាយនេះទៅ Azure ជាវេទិកាមួយដើម្បីបម្រើអតិថិជនឱ្យកាន់តែទូលំទូលាយ" ។ “ហើយនេះគឺជារបកគំហើញមិនត្រឹមតែនៅក្នុងការស្រាវជ្រាវប៉ុណ្ណោះទេ។ ពេលវេលាដែលវាត្រូវចំណាយក្នុងការបញ្ចូលរបកគំហើញនេះទៅក្នុងបរិយាកាសផលិតកម្ម Azure ក៏ជារបកគំហើញមួយផងដែរ។

លោក Huang បានបន្ថែមថា ការសម្រេចបានលទ្ធផលដូចមនុស្ស នៅតែបន្តនិន្នាការមួយដែលបានបង្កើតឡើងរួចហើយនៅក្នុងប្រព័ន្ធបញ្ញាស្មារតីរបស់ Microsoft។

"ក្នុងរយៈពេល 2020 ឆ្នាំកន្លងមកនេះ យើងសម្រេចបានលទ្ធផលកម្រិតមនុស្សនៅក្នុងផ្នែកសំខាន់ៗចំនួនប្រាំគឺ ការទទួលស្គាល់ការនិយាយ ការបកប្រែតាមម៉ាស៊ីន ការឆ្លើយសំណួរ ការអានម៉ាស៊ីន និងការយល់ដឹងអត្ថបទ ហើយនៅឆ្នាំ 19 ទោះបីជាមាន COVID-XNUMX ក៏ដោយ ការពិពណ៌នារូបភាព" Juan បាននិយាយ។

តាមប្រធានបទ

• ទស្សនាគេហទំព័រ សេវាកម្មយល់ដឹង Azure ដើម្បីស្វែងយល់បន្ថែមអំពីចក្ខុវិស័យកុំព្យូទ័រ (ចក្ខុវិស័យកុំព្យូទ័រ)
• អាន​អត្ថបទ សមិទ្ធិផលជាប្រវត្តិសាស្ត្រ៖ អ្នកស្រាវជ្រាវ Microsoft សម្រេចបាននូវការអនុវត្តកម្រិតមនុស្សក្នុងការទទួលស្គាល់ការនិយាយដោយស្វ័យប្រវត្តិ 

ប្រៀបធៀបលទ្ធផលនៃការពិពណ៌នារូបភាពដែលប្រព័ន្ធផ្តល់ឱ្យពីមុន និងឥឡូវនេះដោយប្រើ AI

រូបថតពីបណ្ណាល័យរូបភាព Getty ។ Previous description: ទិដ្ឋភាព​បុរស​ម្នាក់​កំពុង​ចម្អិន​សាច់​ឆ្កែ​ក្តៅ​នៅលើ​ក្តារ​កាត់។ ការពិពណ៌នាថ្មី៖ បុរសម្នាក់ធ្វើនំប៉័ង។

រូបថតពីបណ្ណាល័យរូបភាព Getty ។ Previous description: បុរសម្នាក់អង្គុយពេលថ្ងៃលិច។ ការពិពណ៌នាថ្មី៖ ភ្លើងឆេះនៅលើឆ្នេរខ្សាច់។



រូបថតពីបណ្ណាល័យរូបភាព Getty ។ ការពិពណ៌នាពីមុន៖ បុរសម្នាក់ពាក់អាវពណ៌ខៀវ។ ការពិពណ៌នាថ្មី៖ មនុស្សជាច្រើនពាក់របាំងមុខវះកាត់។

រូបថតពីបណ្ណាល័យរូបភាព Getty ។ ការពិពណ៌នាពីមុន៖ បុរសម្នាក់ជិះបន្ទះក្តាររអិលឡើងលើជញ្ជាំង។ ការពិពណ៌នាថ្មី៖ អ្នកលេងបេស្បលចាប់បាល់។

ប្រភព: www.habr.com