Domeniul viziunii computaționale s-a concentrat mult timp pe recunoașterea conceptelor obiective, precum animalele, vehiculele și obiectele specifice. Cu toate acestea, în lumea reală, există o creștere a nevoii de identificare a conceptelor subiective care pot varia semnificativ între indivizi. Aceste concepte subiective includ prezicerea emoțiilor, evaluarea atractivității estetice și moderarea conținutului. Provocarea constă în crearea unor cadre de antrenament centrate pe utilizator care permit oricui să antreneze modele de viziune subiectivă în funcție de criteriile lor specifice.
Pentru a aborda această provocare, Agile Modeling a introdus recent un cadru de lucru care implică utilizatorul și transformă orice concept vizual într-un model de viziune. Cu toate acestea, abordările existente necesită încă eforturi manuale semnificative, făcându-le mai puțin eficiente. Una dintre deficiențe constă în algoritmul de învățare activă, care necesită utilizatorii să eticheteze iterative numeroase imagini de antrenament, rezultând într-un proces anevoios și consumator de timp. Există o nevoie clară de metode mai eficiente care să valorifice capacitățile umane în timp ce minimizează efortul manual.
Una dintre capacitățile cheie pe care oamenii le poseda constă în capacitatea de a descompune concepte subiective complexe în componente mai manevrabile și obiective folosind logica de ordin întâi. Prin fragmentarea conceptelor subiective în propoziții obiective, indivizii pot defini idei complexe într-un mod lipsit de efort și fără a consuma cognitiv. Acest proces cognitiv este exploatat de instrumentul Modeling Collaborator, care permite utilizatorilor să construiască clasificatoare prin descompunerea conceptelor subiective în componentele lor subordonate. Acest lucru reduce semnificativ efortul manual și crește eficiența.
Modeling Collaborator folosește avansuri în modelele de limbaj larg (LLM-uri) și modelele de limbaj-viziune (VLM-uri) pentru a facilita antrenamentul. Sistemul utilizează un LLM pentru a descompune conceptele în întrebări ușor de digerat pentru un model de răspuns la întrebări vizuale (VQA), facilitând utilizatorilor definirea și clasificarea conceptelor subiective. Utilizatorii sunt solicitați să eticheteze manual doar un mic set de validare format din 100 de imagini, reducând semnificativ povara de anotare.
Ceea ce diferențiază Modeling Collaborator de metodele existente este performanța sa la sarcinile dificile legate de conceptele subiective. În comparație cu abordările precum Agile Modeling, Modeling Collaborator nu doar depășește calitatea evaluărilor efectuate de oameni pe concepte dificile, dar reduce și semnificativ necesitatea de anotare manuală a ghidurilor de referință cu ordine de mărime. Prin reducerea barierelor de dezvoltare a modelelor de clasificare, Modeling Collaborator permite utilizatorilor să-și traducă ideile în realitate mai rapid, deschizând calea pentru o nouă val de aplicații de utilizator final în domeniul viziunii artificiale.
Modeling Collaborator nu numai că oferă o abordare mai accesibilă și mai eficientă în construirea modelelor subiective de viziune, dar are și potențialul de a revoluționa dezvoltarea aplicațiilor de AI. Prin reducerea efortului și costurilor manuale, o gamă mai largă de utilizatori, inclusiv cei fără expertiză tehnică extinsă, pot acum participa la crearea de modele de viziune personalizate, adaptate nevoilor și preferințelor lor specifice. Această democratizare a dezvoltării AI poate duce la apariția de aplicații inovatoare în diferite domenii, precum sănătatea, educația și divertismentul. În cele din urmă, prin împuternicirea utilizatorilor de a-și transforma rapid ideile în realitate, Modeling Collaborator contribuie la democratizarea AI-ului și promovează un peisaj mai inclusiv și divers de soluții alimentate de AI.
The source of the article is from the blog mendozaextremo.com.ar