Oblasti počítočovej výčity sa dlho zamerali na rozpoznávanie objektívnych konceptov ako zvieratá, vozidlá a konkrétne objekty. Avšak v reálnom svete existuje rastúca potreba identifikovať subjektívne koncepty, ktoré sa môžu výrazne líšiť medzi jednotlivcami. Tieto subjektívne koncepty zahŕňajú predpovedanie emocionálneho stavu, posudzovanie estetického pôvabu a moderovanie obsahu. Výzva spočíva v tom, ako vytvoriť tréningové rámce zamerané na užívateľa, ktoré umožnia každému trénovať subjektívne výčiťové modely na základe ich špecifických kritérií.
Nedávno spoločnosť Agile Modeling uviedla nový rámec s užívateľom vo slučke, ktorý transformuje akýkoľvek vizuálny koncept na výčíťový model. Avšak existujúce prístupy stále vyžadujú významné manuálne úsilie, čo ich robí menej efektívnymi. Jedným z nedostatkov je algoritmus aktívneho učenia, ktorý vyžaduje, aby užívatelia označovali množstvo trénovacích obrázkov iteratívne, čo vedie k zdĺhavému a časovo náročnému procesu. Je zrejmá potreba efektívnejších metód, ktoré využijú ľudské schopnosti a zároveň minimalizujú manuálne úsilie.
Jednou z kľúčových schopností, ktoré ľudia vlastnia, je schopnosť rozložiť zložité subjektívne koncepty na viac zvládnuteľné a objektívne komponenty pomocou logiky prvého rádu. Rozkladaním subjektívnych konceptov na objektívne klauzuly môžu jednotlivci definovať zložité myšlienky jednoduchým a kognitívne nenáročným spôsobom. Tento kognitívny proces využíva nástroj Modeling Collaborator, ktorý umožňuje užívateľom vytvárať klasifikátory dekomponovaním subjektívnych konceptov na ich zložky. Tým výrazne znižuje manuálne úsilie a zvyšuje efektivitu.
Modeling Collaborator využíva pokročilé vývojové modely veľkých jazykov (LLM) a modely vizuálno-jazykové (VLM) na uľahčenie tréningu. Systém využíva LLM na rozkladanie konceptov na ľahko stráviteľné otázky pre model vizuálnej otázky a odpovede (VQA), čo uľahčuje užívateľom definovať a klasifikovať subjektívne koncepty. Užívatelia sú povinní len manuálne označiť malú validačnú sadu 100 obrázkov, čo výrazne znižuje bremeno označovania.
Čo odlíšuje Modeling Collaborator od existujúcich metód, je jeho výkon pri náročných úlohách týkajúcich sa subjektívnych konceptov. Pri porovnaní s prístupmi ako Agile Modeling, Modeling Collaborator nielenže prevyšuje kvalitu skupinových ratingov na ťažké koncepty, ale aj významne znižuje potrebu manuálnej anotácie základných pravidiel o veľkosti. Tým, že znižuje prekážky vývoja klasifikačných modelov, umožňuje Modeling Collaborator užívatelom rýchlejšie preložiť svoje myšlienky do reality a otvorí cestu pre novú vlnu aplikácií koncových užívateľov v oblasti počítačovej výči.
Modeling Collaborator nielenže poskytuje prístup k vytváraniu subjektívnych výčíťových modelov, ale má tiež potenciál revolucionizovať vývoj aplikácií s umelou inteligenciou. S zníženým ručným úsilím a nákladmi sa teraz širšia škála užívateľov vrátane tých bez rozsiahlych technických znalostí môže zúčastniť na vytváraní šitých výčíťových modelov prispôsobených ich špecifickým potrebám a preferenciám. Táto demokratizácia vývoja umelej inteligencie môže viesť k vzniku inovatívnych aplikácií v rôznych oblastiach, ako sú zdravotníctvo, vzdelávanie a zábava. Nakoniec, tým, že umožňuje užívateľom rýchlo premeniť svoje myšlienky na realitu, Modeling Collaborator prispieva k demokratizácii umelej inteligencie a podporuje inkluzívnejšiu a rozmanitejšiu krajinu riešení poháňaných umelej inteligenciou.
The source of the article is from the blog procarsrl.com.ar