ເຕັກໂນໂລຊີຫລ້າສຸດຂອງ Microsoft ໃນ Azure AI ອະທິບາຍຮູບພາບເຊັ່ນດຽວກັນກັບຄົນ

ນັກຄົ້ນຄວ້າ Microsoft ໄດ້ສ້າງລະບົບປັນຍາປະດິດທີ່ສາມາດສ້າງຄໍາບັນຍາຍຮູບພາບທີ່, ໃນຫຼາຍໆກໍລະນີ, ມີຄວາມຖືກຕ້ອງຫຼາຍກ່ວາຄໍາອະທິບາຍຂອງມະນຸດ. ບາດກ້າວບຸກທະລຸນີ້ເປັນຂີດໝາຍສຳຄັນໃນຄວາມມຸ່ງໝັ້ນຂອງ Microsoft ທີ່ຈະເຮັດໃຫ້ຜະລິດຕະພັນ ແລະການບໍລິການຂອງຕົນລວມເຂົ້າກັນ ແລະເຂົ້າເຖິງໄດ້ກັບຜູ້ໃຊ້ທັງໝົດ.

ທ່ານ Xuedong Huang ກ່າວ​ວ່າ “ຄຳ​ອະ​ທິ​ບາຍ​ຮູບ​ພາບ​ແມ່ນ​ໜຶ່ງ​ໃນ​ໜ້າ​ທີ່​ຫຼັກ​ຂອງ​ວິ​ໄສ​ທັດ​ຄອມ​ພິວ​ເຕີ, ເຊິ່ງ​ເຮັດ​ໃຫ້​ການ​ບໍ​ລິ​ການ​ທີ່​ກວ້າງ​ຂວາງ,”Xuedong Huang), ເພື່ອນຮ່ວມງານດ້ານວິຊາການຂອງ Microsoft ແລະຫົວຫນ້າເຕັກໂນໂລຢີຂອງ Azure AI Cognitive Services ໃນ Redmond, Washington.

ຮູບແບບໃຫມ່ໃນປັດຈຸບັນມີໃຫ້ຜູ້ບໍລິໂພກຜ່ານ Computer Vision at ການບໍລິການດ້ານສະຕິປັນຍາ Azure, ເຊິ່ງເປັນສ່ວນຫນຶ່ງຂອງ Azure AI, ແລະອະນຸຍາດໃຫ້ນັກພັດທະນາໃຊ້ຄວາມສາມາດນີ້ເພື່ອປັບປຸງຄວາມພ້ອມຂອງການບໍລິການຂອງພວກເຂົາ. ມັນຍັງຖືກລວມຢູ່ໃນແອັບຯ Seeing AI ແລະຈະເປີດຕົວໃນທ້າຍປີນີ້ໃນ Microsoft Word ແລະ Outlook ສໍາລັບ Windows ແລະ Mac, ເຊັ່ນດຽວກັນກັບ PowerPoint ສໍາລັບ Windows, Mac ແລະເວັບ.

ຄໍາອະທິບາຍອັດຕະໂນມັດຊ່ວຍໃຫ້ຜູ້ໃຊ້ເຂົ້າເຖິງເນື້ອຫາທີ່ສໍາຄັນຂອງຮູບພາບໃດກໍ່ຕາມ, ບໍ່ວ່າຈະເປັນຮູບພາບທີ່ສົ່ງຄືນໃນຜົນການຄົ້ນຫາຫຼືຮູບປະກອບສໍາລັບການນໍາສະເຫນີ.

Saqib Sheikh ກ່າວວ່າ "ການໃຊ້ຄໍາບັນຍາຍທີ່ອະທິບາຍເນື້ອຫາຂອງຮູບພາບ (ເອີ້ນວ່າຂໍ້ຄວາມທາງເລືອກຫຼື alt) ໃນຫນ້າເວັບແລະເອກະສານແມ່ນມີຄວາມສໍາຄັນໂດຍສະເພາະສໍາລັບຜູ້ທີ່ຕາບອດຫຼືມີສາຍຕາຕໍ່າ," Saqib Sheikh ກ່າວ (Saqib Shaikh), ຜູ້ຈັດການຊອບແວໃນກຸ່ມ Microsoft's AI Platforms ໃນ Redmond.

ຕົວຢ່າງ, ທີມງານຂອງລາວກໍາລັງໃຊ້ຄຸນສົມບັດການອະທິບາຍຮູບພາບທີ່ປັບປຸງໃຫ້ດີຂຶ້ນໃນແອັບສຳລັບຄົນຕາບອດ ແລະຜູ້ພິການທາງສາຍຕາ ເບິ່ງ AI, ເຊິ່ງຮັບຮູ້ສິ່ງທີ່ກ້ອງຖ່າຍຮູບກໍາລັງຖ່າຍແລະເວົ້າກ່ຽວກັບມັນ. ແອັບດັ່ງກ່າວໃຊ້ຄຳບັນຍາຍທີ່ສ້າງຂຶ້ນເພື່ອອະທິບາຍຮູບພາບ, ລວມທັງຢູ່ໃນເຄືອຂ່າຍສັງຄົມ.

"ຕາມຄວາມເຫມາະສົມ, ທຸກຄົນຄວນເພີ່ມຂໍ້ຄວາມ alt ໃຫ້ກັບຮູບພາບທັງຫມົດໃນເອກະສານ, ອອນໄລນ໌, ແລະໃນສື່ມວນຊົນສັງຄົມ, ເນື່ອງຈາກວ່ານີ້ອະນຸຍາດໃຫ້ຄົນຕາບອດເຂົ້າເຖິງເນື້ອຫາແລະເຂົ້າຮ່ວມການສົນທະນາ. ແຕ່, ອະນິຈາ, ປະຊາຊົນບໍ່ເຮັດແນວນີ້,” Sheikh ເວົ້າ. "ຢ່າງໃດກໍ່ຕາມ, ມີຫຼາຍແອັບຯທີ່ໃຊ້ຄຸນສົມບັດຄໍາອະທິບາຍຮູບພາບເພື່ອເພີ່ມຂໍ້ຄວາມທາງເລືອກໃນເວລາທີ່ບໍ່ມີ."
  


Lijuan Wang, ຜູ້ຈັດການຄົ້ນຄ້ວາອາວຸໂສຢູ່ຫ້ອງທົດລອງ Redmond ຂອງ Microsoft, ໄດ້ນໍາພາທີມງານຄົ້ນຄ້ວາທີ່ບັນລຸຜົນທີ່ຄ້າຍຄືກັບມະນຸດແລະຜົນໄດ້ຮັບທີ່ດີກວ່າ. ຮູບພາບ: Dan DeLong.

ລາຍ​ລະ​ອຽດ​ຂອງ​ວັດ​ຖຸ​ໃຫມ່​

Lijuan Wang ອະທິບາຍວ່າ "ການອະທິບາຍຮູບພາບແມ່ນວຽກງານຕົ້ນຕໍຂອງການເບິ່ງເຫັນຄອມພິວເຕີ, ເຊິ່ງຮຽກຮ້ອງໃຫ້ມີລະບົບປັນຍາປະດິດເພື່ອເຂົ້າໃຈແລະອະທິບາຍເນື້ອຫາຕົ້ນຕໍຫຼືການກະທໍາທີ່ສະແດງຢູ່ໃນຮູບພາບ,"ລີຈວນວັງ), ຜູ້ຈັດການຄົ້ນຄ້ວາອາວຸໂສຢູ່ຫ້ອງທົດລອງ Redmond ຂອງ Microsoft.

ນາງກ່າວວ່າ "ທ່ານຈໍາເປັນຕ້ອງເຂົ້າໃຈສິ່ງທີ່ເກີດຂື້ນ, ຄົ້ນຫາຄວາມສໍາພັນລະຫວ່າງວັດຖຸແລະການກະທໍາ, ແລະຫຼັງຈາກນັ້ນສະຫຼຸບແລະອະທິບາຍມັນທັງຫມົດໃນປະໂຫຍກໃນພາສາທີ່ມະນຸດເຂົ້າໃຈໄດ້," ນາງເວົ້າ.

Wang ໄດ້ນໍາພາທີມງານຄົ້ນຄ້ວາທີ່ໄດ້ມາດຕະຖານ nocaps (ການບັນຍາຍວັດຖຸນະວັດຕະກໍາຕາມຂະໜາດ, ລາຍລະອຽດຂະໜາດໃຫຍ່ຂອງວັດຖຸໃໝ່) ໄດ້ບັນລຸຜົນທີ່ທຽບເທົ່າກັບມະນຸດ ແລະລື່ນກາຍພວກມັນ. ການທົດສອບນີ້ປະເມີນວ່າລະບົບ AI ສ້າງລາຍລະອຽດຂອງວັດຖຸທີ່ສະແດງຜົນດີປານໃດ ທີ່ບໍ່ແມ່ນສ່ວນຫນຶ່ງຂອງຊຸດຂໍ້ມູນທີ່ຕົວແບບໄດ້ຖືກຝຶກອົບຮົມ.

ໂດຍປົກກະຕິ, ລະບົບຄໍາອະທິບາຍຮູບພາບໄດ້ຖືກຝຶກອົບຮົມກ່ຽວກັບຊຸດຂໍ້ມູນທີ່ມີຮູບພາບທີ່ມາພ້ອມກັບຄໍາອະທິບາຍຂໍ້ຄວາມຂອງຮູບພາບເຫຼົ່ານີ້, ນັ້ນແມ່ນ, ໃນຊຸດຮູບພາບທີ່ມີປ້າຍຊື່.

"ການທົດສອບ nocaps ສະແດງໃຫ້ເຫັນວ່າລະບົບສາມາດອະທິບາຍວັດຖຸໃຫມ່ທີ່ບໍ່ພົບຢູ່ໃນຂໍ້ມູນການຝຶກອົບຮົມ," Wang ເວົ້າ.

ເພື່ອແກ້ໄຂບັນຫານີ້, ທີມງານ Microsoft ໄດ້ຝຶກອົບຮົມແບບຈໍາລອງ AI ຂະຫນາດໃຫຍ່ລ່ວງຫນ້າກ່ຽວກັບຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ທີ່ມີຮູບພາບທີ່ມີແທັກຄໍາ, ເຊິ່ງແຕ່ລະແມ່ນກ່ຽວຂ້ອງກັບວັດຖຸສະເພາະໃນຮູບພາບ.

ມັນມີປະສິດທິພາບຫຼາຍຂຶ້ນໃນການສ້າງຮູບພາບທີ່ມີແທັກຄໍາແທນທີ່ຈະເປັນຄໍາບັນຍາຍເຕັມທີ່, ເຊິ່ງເຮັດໃຫ້ທີມງານຂອງ Wang ສາມາດປ້ອນຂໍ້ມູນຈໍານວນຫລາຍເຂົ້າໄປໃນຕົວແບບຂອງພວກເຂົາ. ວິທີການນີ້ເຮັດໃຫ້ຕົວແບບຂອງສິ່ງທີ່ທີມງານເອີ້ນວ່າຄໍາສັບທາງສາຍຕາ.

ດັ່ງທີ່ ທ່ານ Huang ອະທິບາຍວ່າ, ວິທີການສອນຄຳສັບທາງສາຍຕາແມ່ນຄ້າຍຄືກັນກັບການກະກຽມໃຫ້ເດັກນ້ອຍອ່ານ: ທຳອິດ, ປຶ້ມຮູບແມ່ນໃຊ້ໃນຄຳສັບແຕ່ລະຢ່າງທີ່ຕິດພັນກັບຮູບພາບ, ຕົວຢ່າງ, ພາຍໃຕ້ຮູບຂອງໝາກແອັບເປິ້ນ ມັນຂຽນວ່າ "ແອັບເປີ້ນ" ແລະ. ພາຍໃຕ້ຮູບຂອງແມວຄໍາວ່າ "ແມວ".

“ການ​ຝຶກ​ອົບ​ຮົມ​ກ່ອນ​ນີ້​ດ້ວຍ​ວັດ​ຈະ​ນາ​ນຸ​ກົມ​ທີ່​ເຫັນ​ໄດ້​ເປັນ​ການ​ສຶກ​ສາ​ເບື້ອງ​ຕົ້ນ​ທີ່​ຈຳ​ເປັນ​ເພື່ອ​ຝຶກ​ອົບ​ຮົມ​ລະ​ບົບ. ນີ້ແມ່ນວິທີທີ່ພວກເຮົາພະຍາຍາມພັດທະນາປະເພດຂອງຄວາມຊົງຈໍາຂອງມໍເຕີ,” Huang ເວົ້າ.

ຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ອນຈະຖືກປັບປຸງໃຫມ່ໂດຍໃຊ້ຊຸດຂໍ້ມູນທີ່ປະກອບມີຮູບພາບທີ່ມີຄໍາບັນຍາຍ. ໃນຂັ້ນຕອນຂອງການຝຶກອົບຮົມນີ້, ຕົວແບບຮຽນຮູ້ການສ້າງປະໂຫຍກ. ຖ້າຮູບພາບປະກົດວ່າປະກອບດ້ວຍວັດຖຸໃຫມ່, ລະບົບ AI ນໍາໃຊ້ວັດຈະນານຸກົມສາຍຕາເພື່ອສ້າງຄໍາອະທິບາຍທີ່ຖືກຕ້ອງ.

ທ່ານ Wang ກ່າວວ່າ "ເພື່ອຈັດການກັບສິ່ງຂອງ ໃໝ່ ໃນລະຫວ່າງການທົດສອບ, ລະບົບຈະລວມເອົາສິ່ງທີ່ໄດ້ຮຽນຮູ້ໃນລະຫວ່າງການຝຶກອົບຮົມກ່ອນແລະໃນລະຫວ່າງການພັດທະນາຕໍ່ມາ,".
ອີງຕາມຜົນໄດ້ຮັບ ການຄົ້ນຄວ້າເມື່ອປະເມີນໃນການທົດສອບ nocaps, ລະບົບ AI ຜະລິດຄໍາອະທິບາຍທີ່ມີຄວາມຫມາຍແລະຖືກຕ້ອງຫຼາຍກ່ວາທີ່ມະນຸດເຮັດສໍາລັບຮູບພາບດຽວກັນ.

ເລັ່ງ​ການ​ຫັນ​ປ່ຽນ​ໄປ​ສູ່​ສະ​ພາບ​ແວດ​ລ້ອມ​ການ​ເຮັດ​ວຽກ 

ໃນບັນດາສິ່ງອື່ນໆ, ລະບົບຄໍາອະທິບາຍຮູບພາບໃຫມ່ແມ່ນດີກ່ວາສອງເທົ່າຂອງຕົວແບບທີ່ໃຊ້ໃນຜະລິດຕະພັນແລະການບໍລິການຂອງ Microsoft ນັບຕັ້ງແຕ່ 2015, ອີງຕາມມາດຕະຖານອຸດສາຫະກໍາອື່ນ.

ເນື່ອງຈາກຜົນປະໂຫຍດທີ່ຜູ້ໃຊ້ທັງຫມົດຂອງຜະລິດຕະພັນແລະການບໍລິການ Microsoft ຈະໄດ້ຮັບຈາກການປັບປຸງນີ້, Huang ໄດ້ເລັ່ງການລວມຕົວແບບໃຫມ່ເຂົ້າໄປໃນສະພາບແວດລ້ອມ desktop Azure.

ທ່ານກ່າວວ່າ "ພວກເຮົາ ກຳ ລັງເອົາເຕັກໂນໂລຢີ AI ກ້າວໄປສູ່ Azure ເປັນເວທີເພື່ອຮັບໃຊ້ລູກຄ້າຢ່າງກວ້າງຂວາງ," ລາວເວົ້າ. "ແລະນີ້ແມ່ນຄວາມກ້າວຫນ້າບໍ່ພຽງແຕ່ໃນການຄົ້ນຄວ້າເທົ່ານັ້ນ. ເວລາທີ່ມັນໃຊ້ເວລາໃນການລວມເອົາຄວາມກ້າວຫນ້ານີ້ເຂົ້າໄປໃນສະພາບແວດລ້ອມການຜະລິດ Azure ຍັງເປັນຄວາມກ້າວຫນ້າ."

ທ່ານ Huang ກ່າວ​ຕື່ມ​ວ່າ ການ​ບັນ​ລຸ​ຜົນ​ໄດ້​ຮັບ​ທີ່​ຄ້າຍ​ຄື​ກັບ​ມະ​ນຸດ​ສືບ​ຕໍ່​ເປັນ​ທ່າ​ອ່ຽງ​ທີ່​ໄດ້​ສ້າງ​ຕັ້ງ​ຂຶ້ນ​ແລ້ວ​ໃນ​ລະ​ບົບ​ສະ​ຕິ​ປັນ​ຍາ​ຂອງ Microsoft.

"ໃນໄລຍະ 2020 ປີທີ່ຜ່ານມາ, ພວກເຮົາໄດ້ບັນລຸຜົນໄດ້ຮັບລະດັບມະນຸດໃນຫ້າຂົງເຂດທີ່ສໍາຄັນ: ການຮັບຮູ້ສຽງເວົ້າ, ການແປພາສາດ້ວຍເຄື່ອງຈັກ, ການຕອບຄໍາຖາມ, ການອ່ານເຄື່ອງຈັກແລະຄວາມເຂົ້າໃຈຂໍ້ຄວາມ, ແລະໃນປີ 19, ເຖິງວ່າຈະມີ COVID-XNUMX, ຄໍາອະທິບາຍຮູບພາບ "Juan ກ່າວ.

ໂດຍຫົວຂໍ້

• ຢ້ຽມຢາມເວັບໄຊທ໌ ການບໍລິການດ້ານສະຕິປັນຍາ Azure ເພື່ອຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບວິໄສທັດຄອມພິວເຕີ (Computer Vision)
• ອ່ານບົດຄວາມ ຜົນສໍາເລັດທາງປະຫວັດສາດ: ນັກຄົ້ນຄວ້າ Microsoft ບັນລຸການປະຕິບັດລະດັບມະນຸດໃນການຮັບຮູ້ສຽງເວົ້າອັດຕະໂນມັດ 

ປຽບທຽບຜົນໄດ້ຮັບຂອງຄໍາອະທິບາຍຮູບພາບທີ່ລະບົບໃຫ້ກ່ອນແລະໃນປັດຈຸບັນໂດຍໃຊ້ AI

ຮູບພາບຈາກຫ້ອງສະຫມຸດ Getty Images. ລາຍ​ລະ​ອຽດ​ທີ່​ຜ່ານ​ມາ: ໃກ້​ຊິດ​ຂອງ​ຜູ້​ຊາຍ​ແຕ່ງ​ກິນ​ຫມາ​ຮ້ອນ​ກ່ຽວ​ກັບ​ການ​ຕັດ​. ລາຍລະອຽດໃຫມ່: ຜູ້ຊາຍເຮັດເຂົ້າຈີ່.

ຮູບພາບຈາກຫ້ອງສະຫມຸດ Getty Images. ລາຍ​ລະ​ອຽດ​ທີ່​ຜ່ານ​ມາ​: ຜູ້​ຊາຍ​ນັ່ງ​ຢູ່​ໃນ​ຕາ​ເວັນ​ຕົກ​. ລາຍລະອຽດໃຫມ່: Bonfire ສຸດຫາດຊາຍ.



ຮູບພາບຈາກຫ້ອງສະຫມຸດ Getty Images. ຄໍາອະທິບາຍທີ່ຜ່ານມາ: ຜູ້ຊາຍໃນເສື້ອສີຟ້າ. ລາຍລະອຽດໃໝ່: ຫຼາຍຄົນໃສ່ໜ້າກາກຜ່າຕັດ.

ຮູບພາບຈາກຫ້ອງສະຫມຸດ Getty Images. ລາຍ​ລະ​ອຽດ​ກ່ອນ​ຫນ້າ​ນີ້: ຜູ້​ຊາຍ​ທີ່​ສຸດ​ສະ​ເກັດ​ບອດ​ບິນ​ຂຶ້ນ​ກໍາ​ແພງ​ຫີນ​. ລາຍ​ລະ​ອຽດ​ໃຫມ່: ຜູ້ນເບດບານຈັບບານ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com