Azure AI वर येणारे मायक्रोसॉफ्टचे नवीनतम तंत्रज्ञान प्रतिमा तसेच लोकांचे वर्णन करते

मायक्रोसॉफ्टच्या संशोधकांनी एक कृत्रिम बुद्धिमत्ता प्रणाली तयार केली आहे जी प्रतिमा मथळे तयार करू शकते जी, बर्याच बाबतीत, मानवी वर्णनांपेक्षा अधिक अचूक असते. मायक्रोसॉफ्टची उत्पादने आणि सेवा सर्वसमावेशक आणि सर्व वापरकर्त्यांसाठी प्रवेशयोग्य बनवण्याच्या कटिबद्धतेमध्ये ही प्रगती एक प्रमुख मैलाचा दगड आहे.

"प्रतिमा वर्णन हे कॉम्प्युटर व्हिजनच्या मुख्य कार्यांपैकी एक आहे, जे सेवांची विस्तृत श्रेणी सक्षम करते," झुएडोंग हुआंग (झुएडोंग हुआंग), मायक्रोसॉफ्टचे तांत्रिक सहकारी आणि रेडमंड, वॉशिंग्टनमधील Azure AI कॉग्निटिव्ह सर्व्हिसेसचे मुख्य तंत्रज्ञान अधिकारी.

नवीन मॉडेल आता कॉम्प्युटर व्हिजनच्या माध्यमातून ग्राहकांसाठी उपलब्ध आहे Azure संज्ञानात्मक सेवा, जो Azure AI चा भाग आहे आणि विकासकांना त्यांच्या सेवांची उपलब्धता सुधारण्यासाठी ही क्षमता वापरण्याची परवानगी देते. हे सीइंग एआय अॅपमध्ये देखील समाविष्ट केले आहे आणि विंडोज आणि मॅकसाठी मायक्रोसॉफ्ट वर्ड आणि आउटलुक तसेच विंडोज, मॅक आणि वेबसाठी पॉवरपॉइंटमध्ये या वर्षाच्या शेवटी लॉन्च होईल.

स्वयंचलित वर्णन वापरकर्त्यांना कोणत्याही प्रतिमेच्या महत्त्वाच्या सामग्रीमध्ये प्रवेश करण्यात मदत करते, मग तो शोध परिणामात परत केलेला फोटो असो किंवा सादरीकरणासाठी चित्र.

"वेब पृष्ठे आणि दस्तऐवजांवर प्रतिमांच्या सामग्रीचे वर्णन करणार्‍या मथळ्यांचा वापर (ज्याला पर्यायी किंवा वैकल्पिक मजकूर म्हणतात) विशेषतः अंध किंवा कमी दृष्टी असलेल्या लोकांसाठी महत्त्वपूर्ण आहे," असे साकिब शेख म्हणाले (साकिब शेख), रेडमंडमधील मायक्रोसॉफ्टच्या एआय प्लॅटफॉर्म समूहातील सॉफ्टवेअर व्यवस्थापक.

उदाहरणार्थ, त्याची टीम अंध आणि दृष्टिहीन लोकांसाठी अॅपमधील सुधारित प्रतिमा वर्णन वैशिष्ट्य वापरत आहे एआय पाहून, जे कॅमेरा काय चित्रित करत आहे ते ओळखतो आणि त्याबद्दल बोलतो. अॅप सोशल नेटवर्क्ससह फोटोंचे वर्णन करण्यासाठी व्युत्पन्न केलेले मथळे वापरते.

“आदर्शपणे, प्रत्येकाने दस्तऐवज, ऑनलाइन आणि सोशल मीडियावरील सर्व प्रतिमांमध्ये Alt मजकूर जोडला पाहिजे, कारण यामुळे अंध लोकांना सामग्रीमध्ये प्रवेश करता येतो आणि संभाषणात भाग घेता येतो. पण, अरेरे, लोक असे करत नाहीत,” शेख म्हणतात. "तथापि, अशी अनेक अॅप्स आहेत जी प्रतिमा वर्णन वैशिष्ट्य वापरतात जेव्हा काहीही उपलब्ध नसताना पर्यायी मजकूर जोडण्यासाठी."
  


मायक्रोसॉफ्टच्या रेडमंड लॅबमधील वरिष्ठ संशोधन व्यवस्थापक लिजुआन वांग यांनी एका संशोधन संघाचे नेतृत्व केले ज्याने मानवासारखे आणि चांगले परिणाम प्राप्त केले. फोटो: डॅन डेलॉन्ग.

नवीन वस्तूंचे वर्णन

"प्रतिमेचे वर्णन हे संगणकाच्या दृष्टीच्या मुख्य कार्यांपैकी एक आहे, ज्यासाठी प्रतिमेमध्ये दर्शविलेली मुख्य सामग्री किंवा कृती समजून घेण्यासाठी आणि वर्णन करण्यासाठी कृत्रिम बुद्धिमत्ता प्रणाली आवश्यक आहे," लिजुआन वांग (लिजुआन वांग), मायक्रोसॉफ्टच्या रेडमंड लॅबमधील वरिष्ठ संशोधन व्यवस्थापक.

"तुम्हाला काय चालले आहे हे समजून घेणे आवश्यक आहे, वस्तू आणि कृतींमधील संबंध काय आहेत हे समजून घेणे आवश्यक आहे आणि नंतर ते सर्व मानवी-समजण्यायोग्य भाषेत एका वाक्यात सारांशित करणे आणि वर्णन करणे आवश्यक आहे," ती म्हणाली.

वांग यांनी बेंचमार्क केलेल्या संशोधन संघाचे नेतृत्व केले nocaps (कादंबरी ऑब्जेक्ट कॅप्शनिंग स्केल, नवीन ऑब्जेक्ट्सचे मोठ्या प्रमाणात वर्णन) मानवाच्या तुलनेत परिणाम साध्य केले आणि त्यांना मागे टाकले. हे चाचणी मूल्यांकन करते की AI सिस्टीम चित्रित वस्तूंचे वर्णन किती चांगल्या प्रकारे व्युत्पन्न करतात जे मॉडेलला प्रशिक्षित केलेल्या डेटा सेटचा भाग नसतात.

सामान्यतः, प्रतिमा वर्णन प्रणालींना डेटासेटवर प्रशिक्षित केले जाते ज्यामध्ये या प्रतिमांच्या मजकूर वर्णनासह प्रतिमा असतात, म्हणजेच लेबल केलेल्या प्रतिमांच्या सेटवर.

"नोकॅप्स चाचणी दाखवते की प्रशिक्षण डेटामध्ये न आढळलेल्या नवीन वस्तूंचे सिस्टम किती चांगल्या प्रकारे वर्णन करू शकते," वांग म्हणतात.

या समस्येचे निराकरण करण्यासाठी, मायक्रोसॉफ्ट टीमने शब्द टॅगसह प्रतिमा असलेल्या विशाल डेटासेटवर मोठ्या एआय मॉडेलला पूर्व-प्रशिक्षित केले, ज्यापैकी प्रत्येक प्रतिमेतील विशिष्ट ऑब्जेक्टशी संबंधित होता.

पूर्ण मथळ्यांऐवजी शब्द टॅगसह प्रतिमांचे संच तयार करणे अधिक कार्यक्षम होते, ज्यामुळे वांगच्या टीमला त्यांच्या मॉडेलमध्ये भरपूर डेटा फीड करता आला. या दृष्टिकोनामुळे संघ ज्याला व्हिज्युअल शब्दसंग्रह म्हणतो ते मॉडेल दिले.

हुआंगने स्पष्ट केल्याप्रमाणे, व्हिज्युअल शब्दसंग्रह पूर्व-शैक्षणिक दृष्टीकोन मुलांना वाचण्यासाठी तयार करण्यासारखे आहे: प्रथम, एक चित्र पुस्तक वापरले जाते ज्यामध्ये वैयक्तिक शब्द चित्रांशी संबंधित असतात, उदाहरणार्थ, सफरचंदाच्या फोटोखाली "सफरचंद" आणि मांजरीच्या फोटोखाली "मांजर" हा शब्द आहे.

“व्हिज्युअल डिक्शनरीसह हे पूर्व-प्रशिक्षण मूलत: सिस्टमला प्रशिक्षित करण्यासाठी आवश्यक प्रारंभिक शिक्षण आहे. अशा प्रकारे आम्ही एक प्रकारची मोटर मेमरी विकसित करण्याचा प्रयत्न करतो,” हुआंग म्हणाले.

पूर्व-प्रशिक्षित मॉडेल नंतर कॅप्शन केलेल्या प्रतिमांचा समावेश असलेल्या डेटासेटचा वापर करून परिष्कृत केले जाते. प्रशिक्षणाच्या या टप्प्यावर, मॉडेल वाक्य तयार करण्यास शिकतो. नवीन वस्तू असलेली प्रतिमा दिसल्यास, AI सिस्टीम अचूक वर्णन तयार करण्यासाठी व्हिज्युअल शब्दकोश वापरते.

“चाचणीदरम्यान नवीन वस्तूंचा सामना करण्यासाठी, प्रणाली पूर्व-प्रशिक्षण दरम्यान आणि त्यानंतरच्या विकासादरम्यान शिकलेल्या गोष्टी एकत्र करते,” वांग म्हणतात.
निकालानुसार संशोधनnocaps चाचण्यांवर मूल्यमापन केल्यावर, AI सिस्टीमने समान प्रतिमांसाठी मानवांपेक्षा अधिक अर्थपूर्ण आणि अचूक वर्णन तयार केले.

कार्यरत वातावरणात प्रवेगक संक्रमण 

इतर गोष्टींबरोबरच, नवीन प्रतिमा वर्णन प्रणाली 2015 पासून Microsoft उत्पादने आणि सेवांमध्ये वापरल्या जाणार्‍या मॉडेलपेक्षा दुप्पट चांगली आहे, दुसर्‍या उद्योग बेंचमार्कनुसार.

Microsoft उत्पादने आणि सेवांच्या सर्व वापरकर्त्यांना या सुधारणेतून मिळणारे फायदे लक्षात घेता, Huang ने Azure डेस्कटॉप वातावरणात नवीन मॉडेलच्या एकत्रीकरणाला गती दिली आहे.

“आम्ही हे यशस्वी AI तंत्रज्ञान Azure ला एक व्यासपीठ म्हणून ग्राहकांच्या विस्तृत श्रेणीसाठी घेऊन जात आहोत,” तो म्हणाला. “आणि ही केवळ संशोधनातच नव्हे तर एक प्रगती आहे. Azure उत्पादन वातावरणात या यशाचा समावेश करण्यासाठी जो वेळ लागला तो देखील एक यशस्वी होता.”

हुआंग यांनी जोडले की मानवासारखे परिणाम प्राप्त करणे हे मायक्रोसॉफ्टच्या संज्ञानात्मक बुद्धिमत्ता प्रणालींमध्ये आधीच स्थापित केलेला ट्रेंड आहे.

"गेल्या पाच वर्षांत, आम्ही पाच प्रमुख क्षेत्रांमध्ये मानवी-स्तरीय परिणाम प्राप्त केले आहेत: उच्चार ओळख, मशीन भाषांतर, प्रश्न उत्तरे, मशीन वाचन आणि मजकूर समज आणि 2020 मध्ये, COVID-19 असूनही, प्रतिमा वर्णन" जुआन म्हणाले.

विषयानुसार

• साइटला भेट द्या Azure संज्ञानात्मक सेवा संगणकाच्या दृष्टीबद्दल अधिक जाणून घेण्यासाठी (संगणक दृष्टी)
• लेख वाचा ऐतिहासिक कामगिरी: मायक्रोसॉफ्ट संशोधकांनी स्वयंचलित उच्चार ओळखण्यात मानवी-स्तरीय कामगिरी साध्य केली 

प्रणालीने पूर्वी आणि आता AI वापरून दिलेल्या प्रतिमा वर्णनांच्या परिणामांची तुलना करा

Getty Images लायब्ररीतील फोटो. मागील वर्णन: कटिंग बोर्डवर हॉट डॉग शिजवत असलेल्या माणसाचा क्लोज-अप. नवीन वर्णन: एक माणूस भाकरी बनवतो.

Getty Images लायब्ररीतील फोटो. मागील वर्णन: एक माणूस सूर्यास्ताच्या वेळी बसला आहे. नवीन वर्णन: समुद्रकिनार्यावर बोनफायर.



Getty Images लायब्ररीतील फोटो. मागील वर्णन: निळा शर्ट घातलेला एक माणूस. नवीन वर्णन: सर्जिकल मास्क घातलेले अनेक लोक.

Getty Images लायब्ररीतील फोटो. मागील वर्णन: स्केटबोर्डवरील एक माणूस भिंतीवर उडतो. नवीन वर्णन: बेसबॉल खेळाडू बॉल पकडतो.

स्त्रोत: www.habr.com