La visión computacional ha estado tradicionalmente enfocada en reconocer conceptos objetivos como animales, vehículos y objetos específicos. Sin embargo, en el mundo real, existe una creciente necesidad de identificar conceptos subjetivos que pueden variar significativamente entre individuos. Estos conceptos subjetivos incluyen predecir emociones, evaluar el atractivo estético y moderar contenido. El desafío radica en crear marcos de entrenamiento centrados en el usuario que permitan a cualquiera entrenar modelos de visión subjetivos basados en sus criterios específicos.
Para abordar este desafío, en Modeling Agile se introdujo recientemente un marco de trabajo de usuario en bucle que transforma cualquier concepto visual en un modelo de visión. Sin embargo, los enfoques existentes aún requieren un esfuerzo manual significativo, lo que los hace menos eficientes. Una de las deficiencias es el algoritmo de aprendizaje activo, que obliga a los usuarios a etiquetar numerosas imágenes de entrenamiento de forma iterativa, lo que resulta en un proceso tedioso y que consume mucho tiempo. Existe una clara necesidad de métodos más eficientes que aprovechen las capacidades humanas mientras minimizan el esfuerzo manual.
Una capacidad clave que poseen los humanos es la capacidad de desglosar conceptos subjetivos complejos en componentes más manejables y objetivos utilizando lógica de primer orden. Al descomponer conceptos subjetivos en cláusulas objetivas, los individuos pueden definir ideas complejas de manera no laboriosa y cognitivamente sin esfuerzo. Este proceso cognitivo es aprovechado por la herramienta Colaborador de Modelado, que permite a los usuarios construir clasificadores desglosando conceptos subjetivos en sus subcomponentes constitutivos. Esto reduce significativamente el esfuerzo manual y aumenta la eficiencia.
El Colaborador de Modelado aprovecha los avances en los modelos de lenguaje grandes (LLMs) y los modelos de visión-lenguaje (VLMs) para facilitar el entrenamiento. El sistema utiliza un LLM para desglosar conceptos en preguntas digeribles para un modelo de Preguntas y Respuestas Visuales (VQA), lo que facilita a los usuarios definir y clasificar conceptos subjetivos. A los usuarios solo se les exige etiquetar manualmente un pequeño conjunto de validación de 100 imágenes, lo que reduce considerablemente la carga de anotación.
Lo que distingue al Colaborador de Modelado de los métodos existentes es su rendimiento en tareas desafiantes relacionadas con conceptos subjetivos. En comparación con enfoques como el Modelado Ágil, el Colaborador de Modelado no solo supera la calidad de los evaluadores de multitudes en conceptos difíciles, sino que también reduce significativamente la necesidad de anotación manual de verdad de terreno en órdenes de magnitud. Al reducir las barreras para el desarrollo de modelos de clasificación, el Colaborador de Modelado permite a los usuarios traducir sus ideas en realidad más rápidamente, allanando el camino para una nueva ola de aplicaciones de usuario final en visión computacional.
El Colaborador de Modelado no solo proporciona un enfoque más accesible y eficiente para construir modelos de visión subjetivos, sino que también tiene el potencial para revolucionar el desarrollo de aplicaciones de IA. Con un menor esfuerzo y costos manuales, un rango más amplio de usuarios, incluidos aquellos sin una amplia experiencia técnica, ahora pueden participar en la creación de modelos de visión personalizados adaptados a sus necesidades y preferencias específicas. Esta democratización del desarrollo de IA puede llevar a la aparición de aplicaciones innovadoras en varios dominios, como la salud, la educación y el entretenimiento. En última instancia, al permitir a los usuarios convertir rápidamente sus ideas en realidad, el Colaborador de Modelado contribuye a la democratización de la IA y fomenta un paisaje de soluciones impulsadas por IA más inclusivo y diverso.
FAQ
The source of the article is from the blog hashtagsroom.com