Azure AI मा माइक्रोसफ्टको नवीनतम टेक्नोलोजीले छविहरू र मानिसहरूलाई पनि वर्णन गर्दछ

माइक्रोसफ्ट अनुसन्धानकर्ताहरूले छवि क्याप्शनहरू उत्पन्न गर्न सक्षम एक कृत्रिम बुद्धिमत्ता प्रणाली सिर्जना गरेका छन् जुन धेरै अवस्थामा, मानिसहरूले बनाएको विवरणहरू भन्दा बढी सटीक हुन जान्छ। यस सफलताले आफ्ना उत्पादन र सेवाहरूलाई समावेशी र सबै प्रयोगकर्ताहरूका लागि पहुँचयोग्य बनाउने माइक्रोसफ्टको प्रतिबद्धतामा एउटा प्रमुख कोसेढुङ्गा चिन्हित गर्‍यो।

"छवि विवरण कम्प्युटर दृष्टिको मुख्य कार्यहरू मध्ये एक हो, जसले सेवाहरूको विस्तृत दायरालाई सम्भव बनाउँछ," Xuedong Huang (Xuedong Huang), एक माइक्रोसफ्ट प्राविधिक अधिकारी र रेडमन्ड, वाशिंगटन मा Azure AI संज्ञानात्मक सेवा को CTO।

नयाँ मोडल अब कम्प्युटर भिजन मार्फत उपभोक्ताहरूका लागि उपलब्ध छ Azure संज्ञानात्मक सेवाहरु, जुन Azure AI को अंश हो, र विकासकर्ताहरूलाई तिनीहरूको सेवाहरूको उपलब्धता सुधार गर्न यो सुविधा प्रयोग गर्न अनुमति दिन्छ। यसलाई Seeing AI एपमा पनि समावेश गरिएको छ र यो वर्ष पछि Microsoft Word र Outlook for Windows र Mac, साथै PowerPoint for Windows, Mac र वेबमा उपलब्ध हुनेछ।

स्वत: विवरणले प्रयोगकर्ताहरूलाई कुनै पनि छविको महत्त्वपूर्ण सामग्री पहुँच गर्न मद्दत गर्दछ, चाहे त्यो खोज परिणामहरूमा फर्काइएको तस्बिर होस् वा प्रस्तुतिको लागि चित्रण।

"वेब पृष्ठहरू र कागजातहरूमा छविहरूको सामग्री (तथाकथित वैकल्पिक वा वैकल्पिक पाठ) वर्णन गर्ने क्याप्शनहरूको प्रयोग विशेष गरी दृष्टिविहीन वा दृष्टिविहीन व्यक्तिहरूको लागि महत्त्वपूर्ण छ," साकिब शेखले भने (साकिब शेख), रेडमन्डमा माइक्रोसफ्टको एआई प्लेटफर्म समूहमा सफ्टवेयर प्रबन्धक।

उदाहरणका लागि, उनको टोलीले अन्धा र दृष्टिविहीन व्यक्तिहरूको लागि एपमा सुधारिएको छवि विवरण सुविधा प्रयोग गरिरहेको छ। एआई हेर्दै, जसले क्यामेराले के खिचिरहेको छ भनेर पहिचान गर्छ र यसको बारेमा बताउँछ। एपले सामाजिक सञ्जाल सहित फोटोहरू वर्णन गर्न उत्पन्न क्याप्सनहरू प्रयोग गर्दछ।

"आदर्श रूपमा, सबैले कागजातहरूमा, वेबमा, सामाजिक सञ्जालहरूमा सबै छविहरूमा Alt पाठ थप्नु पर्छ, किनकि यसले दृष्टिविहीन व्यक्तिहरूलाई सामग्री पहुँच गर्न र कुराकानीमा भाग लिन अनुमति दिन्छ। तर, अफसोस, मानिसहरूले त्यसो गर्दैनन्,” शेख भन्छन्। "यद्यपि, त्यहाँ केही एपहरू छन् जुन छवि विवरण सुविधा प्रयोग गर्न वैकल्पिक पाठ थप्न प्रयोग गर्दछ जब यो हराइरहेको छ।"
  


माइक्रोसफ्टको रेडमण्ड ल्याबमा अनुसन्धानका महाप्रबन्धक लिरुआन वाङले एउटा अनुसन्धान टोलीको नेतृत्व गरे जसले मानव परिणामहरू हासिल गर्यो र पार गर्यो। तस्बिर: ड्यान डेलङ।

नयाँ वस्तुहरूको विवरण

"तस्बिरहरू वर्णन गर्नु कम्प्युटर दृष्टिको मुख्य कार्यहरू मध्ये एक हो, जसमा छविमा प्रस्तुत गरिएको मुख्य सामग्री वा कार्यलाई बुझ्न र वर्णन गर्न कृत्रिम बुद्धिमत्ता प्रणाली चाहिन्छ," लिरुआन वाङ (लिजुआन वाङ), माइक्रोसफ्टको रेडमन्ड प्रयोगशालामा अनुसन्धानको महाप्रबन्धक।

"तपाईले के भइरहेको छ भनेर बुझ्नु आवश्यक छ, वस्तु र कार्यहरू बीचको सम्बन्ध के हो भनेर पत्ता लगाउनु पर्छ, र त्यसपछि ती सबैलाई मानव-पठनीय भाषामा वाक्यमा संक्षेप र वर्णन गर्नुहोस्," उनले भनिन्।

वाङले अनुसन्धान टोलीको नेतृत्व गरे, जसले बेन्चमार्किङमा nocaps (उपन्यास वस्तु क्याप्शनिंग मा स्केल, नयाँ वस्तुहरूको ठूलो-स्केल विवरण) ले मानवसँग तुलना गर्न मिल्ने नतिजा हासिल गर्यो, र यसलाई पार गर्यो। यो परीक्षणले तपाईंलाई AI प्रणालीहरूले मोडेललाई तालिम दिइएको डेटा सेटमा समावेश नगरिएका चित्रण गरिएका वस्तुहरूको विवरणहरू कति राम्रोसँग उत्पन्न गर्छ भनेर मूल्याङ्कन गर्न अनुमति दिन्छ।

सामान्यतया, छवि विवरण प्रणालीहरू डेटा सेटहरूमा प्रशिक्षित हुन्छन् जसमा यी छविहरूको पाठ्य विवरणको साथ छविहरू समावेश हुन्छन्, अर्थात् हस्ताक्षर गरिएका छविहरूको सेटहरूमा।

"नोक्याप्स परीक्षणले प्रशिक्षण डेटामा नभेटिएका नयाँ वस्तुहरूलाई प्रणालीले कत्तिको राम्रोसँग वर्णन गर्न सक्षम छ भनेर देखाउँछ," वाङ भन्छन्।

यो समस्या समाधान गर्न, माइक्रोसफ्ट टोलीले शब्द-ट्याग गरिएका छविहरू, प्रत्येक छविमा एक विशिष्ट वस्तुसँग सम्बन्धित ठूलो डाटासेटमा ठूलो एआई मोडेललाई पूर्व-प्रशिक्षित गर्यो।

पूर्ण क्याप्शनको सट्टा शब्द ट्यागहरूसँग छवि सेटहरू सिर्जना गर्न अझ प्रभावकारी छन्, वाङको टोलीलाई उनीहरूको मोडेलमा धेरै डेटा फिड गर्न अनुमति दिन्छ। यस दृष्टिकोणले टोलीले दृश्य शब्दावलीलाई मोडेल दियो।

ह्वाङले व्याख्या गरेझैं, भिजुअल शब्दावली प्रयोग गरेर पूर्व-सिकाउने दृष्टिकोण बच्चाहरूलाई पढ्नको लागि तयार पार्ने जस्तै हो: पहिलो, चित्र पुस्तक प्रयोग गरिन्छ जसमा व्यक्तिगत शब्दहरू छविहरूसँग सम्बन्धित हुन्छन्, उदाहरणका लागि, स्याउको तस्बिर मुनि "एप्पल" लेखिएको हुन्छ। र बिरालोको फोटो मुनि "बिरालो" शब्द छ।

"दृश्य शब्दावलीको साथ यो पूर्व-प्रशिक्षण, संक्षेपमा, प्रणालीलाई प्रशिक्षित गर्न आवश्यक प्रारम्भिक शिक्षा हो। यसरी हामी एक प्रकारको मोटर मेमोरी विकास गर्ने प्रयास गर्छौं, "ह्वाङले भने।

पूर्व-प्रशिक्षित मोडेललाई लेबल गरिएका छविहरू सहित डेटासेटको साथ परिष्कृत गरिन्छ। प्रशिक्षणको यस चरणमा, मोडेलले वाक्य बनाउन सिक्छ। यदि नयाँ वस्तुहरू समावेश भएको छवि देखा पर्यो भने, एआई प्रणालीले सटीक विवरणहरू सिर्जना गर्न भिजुअल शब्दकोश प्रयोग गर्दछ।

"परीक्षणको क्रममा नयाँ वस्तुहरूसँग काम गर्न, प्रणालीले पूर्व-प्रशिक्षण र त्यसपछिको परिष्करणको क्रममा सिकेका कुराहरूलाई एकीकृत गर्दछ," वाङ भन्छन्।
सोग्लासनो रेजुल्टाम अनुसन्धान, जब nocaps परीक्षणहरूमा मूल्याङ्कन गरियो, एआई प्रणालीले समान छविहरूको लागि मानवहरूले भन्दा बढी अर्थपूर्ण र सही विवरणहरू उत्पादन गर्यो।

काम गर्ने वातावरणमा छिटो संक्रमण 

अन्य चीजहरू मध्ये, नयाँ छवि विवरण प्रणाली 2015 पछि Microsoft उत्पादनहरू र सेवाहरूमा प्रयोग गरिएको मोडेलको रूपमा दुई गुणा राम्रो छ, अर्को उद्योग बेन्चमार्कको तुलनामा।

Microsoft उत्पादन र सेवाका सबै प्रयोगकर्ताहरूले यस सुधारबाट प्राप्त हुने फाइदाहरूलाई ध्यानमा राख्दै, Huang ले Azure कार्य वातावरणमा नयाँ मोडेलको एकीकरणलाई गति दियो।

"हामीले यस विघटनकारी एआई प्रविधिलाई Azure मा ग्राहकहरूको फराकिलो दायरालाई सेवा दिने प्लेटफर्मको रूपमा लिइरहेका छौं," उनले भने। "र यो अनुसन्धान मा एक सफलता मात्र होइन। Azure उत्पादन वातावरणमा यो सफलता समाहित गर्न लागेको समय पनि एक सफलता थियो। ”

ह्वाङले मानवजस्तै नतिजाहरू प्राप्त गर्नु भनेको माइक्रोसफ्टको संज्ञानात्मक बुद्धिमत्ता प्रणालीमा पहिले नै स्थापित भएको प्रवृति जारी रहेको बताए।

“विगत पाँच वर्षमा, हामीले पाँच प्रमुख क्षेत्रहरूमा मानव-समान परिणामहरू हासिल गरेका छौं: वाक् पहिचानमा, मेसिन अनुवादमा, प्रश्नहरूको उत्तर दिनेमा, मेसिन पढ्ने र पाठ बुझाइमा, र 2020 मा, COVID-19 को बावजूद, छवि विवरणमा। ' जुआनले भने।

विषय अनुसार

• साइट भ्रमण गर्नुहोस् Azure संज्ञानात्मक सेवाहरु कम्प्युटर दृष्टिको बारेमा थप जान्नको लागि (कम्प्यूटर दृष्टि)
• लेख पढ्नुहोस् ऐतिहासिक उपलब्धि - माइक्रोसफ्ट अनुसन्धानकर्ताहरूले स्वचालित वाक् पहिचानमा मानव स्तरहरू प्राप्त गर्छन् 

प्रणालीले पहिले र अहिले AI प्रयोग गरी दिएको छविहरूको विवरणको नतिजाहरू तुलना गर्नुहोस्

तस्विर गेटी इमेजेज को सौजन्य। अघिल्लो विवरण: काट्ने बोर्डमा हट डग तयार गरिरहेको मान्छेको क्लोज-अप। नयाँ विवरण: मानिसले रोटी बनाउँछ।

तस्विर गेटी इमेजेज को सौजन्य। अघिल्लो विवरण: एक मानिस सूर्यास्तमा बसिरहेको छ। नयाँ विवरण: समुद्र तटमा बोनफायर।



तस्विर गेटी इमेजेज को सौजन्य। अघिल्लो विवरण: निलो शर्ट लगाएको मान्छे। नयाँ विवरण: सर्जिकल मास्क लगाएका धेरै व्यक्तिहरू।

तस्विर गेटी इमेजेज को सौजन्य। अघिल्लो विवरण: स्केटबोर्डमा एक मानिस भित्ता माथि उड्छ। नयाँ विवरण: बेसबल खेलाडीले बल समात्छन्।

स्रोत: www.habr.com