பட அங்கீகாரத்திற்கான AI: அது என்ன, அது எவ்வாறு செயல்படுகிறது & எடுத்துக்காட்டுகள்

மனிதர்கள் புகைப்படங்களிலிருந்து பொருள்கள், மக்கள், விலங்குகள் மற்றும் இடங்களை வேறுபடுத்தி துல்லியமாக அடையாளம் காணும் உள்ளார்ந்த திறனைக் கொண்டுள்ளனர். செயற்கை நுண்ணறிவு என்பது பட அங்கீகாரத்தை இயக்கும் அடிப்படை தொழில்நுட்பமாகும், இது கணினிகள் காட்சித் தரவை பகுப்பாய்வு செய்து விளக்க உதவுகிறது. இருப்பினும், கணினிகள் படங்களை வகைப்படுத்தும் திறனைக் கொண்டிருக்கவில்லை. இருப்பினும், கணினி பார்வை பயன்பாடுகள் மற்றும் பட அங்கீகார தொழில்நுட்பத்தைப் பயன்படுத்தி காட்சித் தகவல்களை விளக்குவதற்கு அவர்களுக்கு பயிற்சி அளிக்கப்படலாம்.

AI மற்றும் கணினி பார்வையின் ஒரு பகுதியாக, பட அங்கீகாரம் ஆழமான கற்றல் நுட்பங்களை ஒருங்கிணைத்து பல நிஜ உலக பயன்பாட்டு நிகழ்வுகளுக்கு சக்தி அளிக்கிறது. உலகை துல்லியமாக உணர, AI கணினி பார்வையைச் சார்ந்துள்ளது. காட்சி அங்கீகாரம் என்பது கணினிகள் டிஜிட்டல் படங்கள் மற்றும் காட்சி உள்ளடக்கத்தை விளக்குவதற்கு உதவும் ஒரு பரந்த தொழில்நுட்ப செயல்முறையாகும், இது பல்வேறு பயன்பாடுகளில் மேம்பட்ட பகுப்பாய்வு மற்றும் புரிதலை அனுமதிக்கிறது.

பட அங்கீகார தொழில்நுட்பத்தின் உதவியின்றி, ஒரு கணினி பார்வை மாதிரியால் பட வகைப்பாட்டைக் கண்டறிந்து, அடையாளம் கண்டு, செயல்படுத்த முடியாது. எனவே, AI- அடிப்படையிலான பட அங்கீகார மென்பொருள் படங்களை டிகோட் செய்யும் திறன் கொண்டதாகவும், முன்கணிப்பு பகுப்பாய்வு செய்யும் திறன் கொண்டதாகவும் இருக்க வேண்டும். இதற்காக, துல்லியமான கணிப்புகளைச் செய்ய AI மாதிரிகள் பாரிய தரவுத்தொகுப்புகளில் பயிற்சி அளிக்கப்படுகின்றன.

பார்ச்சூன் பிசினஸ் இன்சைட்ஸின் கூற்றுப்படி, 23.8 ஆம் ஆண்டில் உலகளாவிய பட அங்கீகார தொழில்நுட்பத்தின் சந்தை அளவு $2019 பில்லியனாக இருந்தது. இந்த எண்ணிக்கை உயரும் என எதிர்பார்க்கப்படுகிறது. $ 86.3 பில்லியன்இந்தக் காலகட்டத்தில் 17.6% கூட்டு வளர்ச்சி விகிதத்தில் வளர்ச்சியடைந்துள்ளது. தொழில்துறைத் தலைவர்கள் சுகாதாரப் பராமரிப்பு, மின் வணிகம் மற்றும் தன்னாட்சி வாகனங்கள் போன்ற துறைகளில் காட்சி AI மற்றும் கணினி பார்வை தொழில்நுட்பத்தை ஏற்றுக்கொள்வதை உந்துகின்றனர், இது சந்தை வளர்ச்சியை துரிதப்படுத்துகிறது.

பட அங்கீகாரம் என்றால் என்ன?

பட அங்கீகாரம் என்பது கணினிகள் ஒரு படத்தில் ஆர்வமுள்ள கூறுகளை அடையாளம் காணவும், லேபிளிடவும், வகைப்படுத்தவும் உதவும் தொழில்நுட்பம் மற்றும் நுட்பங்களைப் பயன்படுத்துகிறது. துல்லியமான உள்ளடக்க அடிப்படையிலான படத்தை மீட்டெடுப்பதற்கும் அங்கீகரிப்பதற்கும் அவசியமான முக்கிய அம்சங்கள் மற்றும் காட்சி அம்சங்களை படங்களில் கண்டறிவதன் மூலம் தொழில்நுட்பம் செயல்படுகிறது.

மனிதர்கள் படங்களைச் செயலாக்கி, படங்களுக்குள் உள்ள பொருட்களை மிக எளிதாக வகைப்படுத்தினாலும், ஒரு இயந்திரம் அவ்வாறு செய்ய குறிப்பாகப் பயிற்சி பெறாவிட்டால் அது சாத்தியமற்றது. ஆழமான கற்றல் மாதிரிகள் இந்த முக்கிய அம்சங்கள் மற்றும் காட்சி அம்சங்களைப் பிரித்தெடுத்து விளக்குவதன் மூலம் படங்களை பகுப்பாய்வு செய்ய பயிற்சி அளிக்கப்படுகின்றன. பட அங்கீகாரத்தின் விளைவாக, ஆழமான கற்றல் தொழில்நுட்பத்தின் உதவியுடன் கண்டறியப்பட்ட பொருட்களை பல்வேறு முன்னரே தீர்மானிக்கப்பட்ட வகைகளாக துல்லியமாக அடையாளம் கண்டு வகைப்படுத்துவதாகும்.

AI பட அங்கீகாரம் எவ்வாறு செயல்படுகிறது?

காட்சி தகவல்களை மனிதர்கள் எவ்வாறு விளக்குகிறார்கள்?

நமது இயற்கையான நரம்பியல் வலையமைப்புகள், நமது கடந்த கால அனுபவங்கள், கற்றறிந்த அறிவு மற்றும் உள்ளுணர்வு ஆகியவற்றின் அடிப்படையில் படங்களை அடையாளம் காணவும், வகைப்படுத்தவும், விளக்கவும் உதவுகின்றன. அதேபோல், ஒரு செயற்கை நரம்பியல் வலையமைப்பு இயந்திரங்கள் படங்களை அடையாளம் காணவும் வகைப்படுத்தவும் உதவுகிறது. ஆனால் ஒரு படத்தில் உள்ள பொருட்களை அடையாளம் காண முதலில் அவை பயிற்சி பெற வேண்டும்.

படங்களை துல்லியமாக அடையாளம் கண்டு வகைப்படுத்த AI மாதிரிகளைப் பயிற்றுவிப்பதற்கான அத்தியாவசிய படிகளாக, பயனுள்ள தரவு சேகரிப்பு மற்றும் உயர்தர, பெயரிடப்பட்ட படங்களைத் தயாரிப்பது ஆகியவை உள்ளன.

பொருள் கண்டறிதல் நுட்பம் செயல்பட, மாதிரி முதலில் ஆழமான கற்றல் முறைகளைப் பயன்படுத்தி பல்வேறு பட தரவுத்தொகுப்புகளில் பயிற்சி பெற வேண்டும். வலுவான மாதிரி கற்றலை உறுதி செய்ய, மாறுபட்ட பயிற்சி தரவுத்தொகுப்புகளைப் பயன்படுத்துவதும் முழுமையான பட லேபிளிங்கைப் பயன்படுத்துவதும் முக்கியம், இது மாதிரியை சிறப்பாகப் பொதுமைப்படுத்தவும் துல்லியத்தை மேம்படுத்தவும் உதவுகிறது.

உள்ளீட்டுத் தரவு அல்காரிதம்களைப் பயன்படுத்தி பகுப்பாய்வு செய்யப்படும் ML போலல்லாமல், ஆழமான கற்றல் ஒரு அடுக்கு நரம்பியல் வலையமைப்பைப் பயன்படுத்துகிறது. இதில் மூன்று வகையான அடுக்குகள் உள்ளன - உள்ளீடு, மறைக்கப்பட்ட மற்றும் வெளியீடு. 

• உள்ளீட்டு அடுக்கு: ஆரம்ப படத் தரவை (பிக்சல்கள்) பெறுகிறது.
• மறைக்கப்பட்ட அடுக்கு(கள்): தகவல்களைப் பல நிலைகளில் செயலாக்கி, அம்சங்களைப் பிரித்தெடுக்கிறது.
• வெளியீட்டு அடுக்கு: இறுதி வகைப்பாடு அல்லது அடையாள முடிவை உருவாக்குகிறது.

அடுக்குகள் ஒன்றோடொன்று இணைக்கப்பட்டுள்ளதால், ஒவ்வொரு அடுக்கும் முந்தைய அடுக்கின் முடிவுகளைப் பொறுத்தது. எனவே, ஒரு நரம்பியல் வலையமைப்பைப் பயிற்றுவிப்பதற்கு ஒரு பெரிய தரவுத்தொகுப்பு இன்றியமையாதது, இதனால் ஆழமான கற்றல் அமைப்பு மனித பகுத்தறிவு செயல்முறையைப் பின்பற்றி தொடர்ந்து கற்றுக்கொள்கிறது.

[மேலும் படிக்கவும்: பட சிறுகுறிப்புக்கான முழுமையான வழிகாட்டி]

படத்தை அடையாளம் காண AI எவ்வாறு பயிற்சியளிக்கப்படுகிறது?

ஒரு கணினி ஒரு படத்தை மனிதர்களிடமிருந்து மிகவும் வித்தியாசமாகப் பார்த்து செயலாக்குகிறது. ஒரு கணினியைப் பொறுத்தவரை, ஒரு படம் வெறும் பிக்சல்களின் தொகுப்பாகும் - ஒரு வெக்டர் படமாகவோ அல்லது ராஸ்டராகவோ. ராஸ்டர் படங்களில், ஒவ்வொரு பிக்சலும் ஒரு கட்ட வடிவத்தில் அமைக்கப்பட்டிருக்கும், அதே நேரத்தில் ஒரு வெக்டர் படத்தில், அவை வெவ்வேறு வண்ணங்களின் பலகோணங்களாக அமைக்கப்பட்டிருக்கும். குறிப்பிட்ட பட அங்கீகாரப் பணிகளுக்கு, பயனர்கள் ஒரு தனிப்பயன் மாதிரியைப் பயன்படுத்தலாம் அல்லது தங்கள் சொந்த மாதிரியைப் பயிற்றுவிக்கலாம், இது நிலையான மாதிரிகள் போதுமானதாக இல்லாதபோது அதிக நெகிழ்வுத்தன்மை மற்றும் துல்லியத்தை அனுமதிக்கிறது.

தரவு அமைப்பின் போது, ஒவ்வொரு படமும் வகைப்படுத்தப்பட்டு, இயற்பியல் அம்சங்கள் பிரித்தெடுக்கப்படுகின்றன. இறுதியாக, வடிவியல் குறியாக்கம் படங்களை விவரிக்கும் லேபிள்களாக மாற்றப்படுகிறது. இந்த நிலை - படங்களை சேகரித்தல், ஒழுங்கமைத்தல், லேபிளிடுதல் மற்றும் குறிப்பு எழுதுதல் - கணினி பார்வை மாதிரிகளின் செயல்திறனுக்கு மிகவும் முக்கியமானது. பட லேபிளிடுதல் மற்றும் பட அடையாளம் காணுதல் ஆகியவை அங்கீகாரம் மற்றும் பொருள் கண்டறிதல் பணிகளுக்கு மிக முக்கியமானவை, இது மாதிரிகள் படங்களுக்குள் உள்ள பொருட்களை துல்லியமாக வகைப்படுத்தி கண்டுபிடிக்க முடியும் என்பதை உறுதி செய்கிறது.

ஆழமான கற்றல் தரவுத்தொகுப்புகள் துல்லியமாக உருவாக்கப்பட்டவுடன், பட அங்கீகார வழிமுறைகள் படங்களிலிருந்து வடிவங்களை வரைய வேலை செய்கின்றன. பட கண்டறிதல் என்பது ஒரு எல்லைப் பெட்டி அல்லது எல்லைப் பெட்டிகளைப் பயன்படுத்தி ஒரு படத்திற்குள் உள்ள பொருட்களைக் கண்டறிவதை உள்ளடக்குகிறது, இது கண்டறியப்பட்ட பொருட்களைப் பற்றிய இடஞ்சார்ந்த தகவல்களை வழங்குவதன் மூலம் பட பகுப்பாய்வு, புகைப்பட அங்கீகாரம் மற்றும் படத் திருத்தத்தை ஆதரிக்கிறது.

இந்த செயல்முறைகள் பட அங்கீகார பயன்பாடுகளில் மேம்பட்ட துல்லியத்திற்கும் பயனர் அனுபவத்தை மேம்படுத்துவதற்கும் பங்களிக்கின்றன.

முக அங்கீகாரம்:

ஒரு நபரின் முக அம்சங்களை வரைபடமாக்குவதன் மூலமும், அடையாளம், உணர்ச்சி மற்றும் மக்கள்தொகை அங்கீகாரத்திற்கான முக பகுப்பாய்வைச் செய்வதன் மூலமும் முகங்களை அடையாளம் காண AI பயிற்சி அளிக்கப்படுகிறது, பின்னர் அவற்றை ஆழமான கற்றல் தரவுத்தளத்தில் உள்ள படங்களுடன் ஒப்பிட்டுப் பொருத்தத்தைப் பெறுகிறது.

அடையாள சரிபார்ப்பு மற்றும் அணுகல் கட்டுப்பாட்டிற்காக ஸ்மார்ட் சாதனங்கள் மற்றும் பாதுகாப்பு அமைப்புகளில் முகம் அங்கீகாரம் பரவலாகப் பயன்படுத்தப்படுகிறது.

நவீன அமைப்புகள் டிஜிட்டல் கேமராக்கள் மற்றும் வெப்கேம்களிலிருந்து வீடியோ ஊட்டத்தைப் பயன்படுத்தி நிகழ்நேர முகம் கண்டறிதல் மற்றும் பகுப்பாய்வை செயல்படுத்துகின்றன.

பொருள் அடையாளம்:

பட அங்கீகாரத் தொழில்நுட்பம், பொருள் அங்கீகாரத்தைப் பயன்படுத்தி பொருட்களை அடையாளம் கண்டு வகைப்படுத்துவதன் மூலம், ஒரு படத்தின் தேர்ந்தெடுக்கப்பட்ட பகுதியில் உள்ள ஆர்வமுள்ள பொருட்களைக் கண்டறிய உதவுகிறது. தொழில்துறை அமைப்புகளில், பொருள் அடையாளம் காணுதல் என்பது தானியக்கம் மற்றும் தரக் கட்டுப்பாட்டிற்காகப் பயன்படுத்தப்படுகிறது, இது ரோபோக்கள் பொருட்களைத் திறமையாக ஸ்கேன் செய்யவும், மீட்டெடுக்கவும் மற்றும் வரிசைப்படுத்தவும் உதவுகிறது. காட்சித் தேடல் முதலில் ஒரு படத்தில் உள்ள பொருட்களை அடையாளம் கண்டு, அவற்றை இணையத்தில் உள்ள படங்களுடன் ஒப்பிடுவதன் மூலம் செயல்படுகிறது. பாதுகாப்பு கேமராக்களும் பொருள் அடையாளம் காணுதலைப் பயன்படுத்துகின்றன. நிகழ்நேர கண்காணிப்பு மற்றும் அச்சுறுத்தல் கண்டறிதல்.

உரை கண்டறிதல்:

பட அங்கீகார அமைப்பு, படங்களிலிருந்து உரையைக் கண்டறிந்து, ஆப்டிகல் எழுத்து அங்கீகாரத்தைப் பயன்படுத்தி இயந்திரம் படிக்கக்கூடிய வடிவமாக மாற்ற உதவுகிறது. ஒரு பட அங்கீகார பயன்பாட்டில் உரை கண்டறிதல் ஒரு முக்கிய அம்சமாக சேர்க்கப்படலாம், இது பயனர்கள் புகைப்படங்கள் அல்லது ஸ்கேன் செய்யப்பட்ட ஆவணங்களிலிருந்து உரைத் தகவலைப் பிரித்தெடுத்து செயலாக்க உதவுகிறது.

AI மேம்பாட்டில் நிபுணத்துவ பட விளக்கத்தின் முக்கியத்துவம்

தரவை டேக் செய்து லேபிளிடுவது என்பது கணிசமான மனித முயற்சி தேவைப்படும் ஒரு நேரத்தை எடுத்துக்கொள்ளும் செயல்முறையாகும். இந்த லேபிளிடப்பட்ட தரவு மிகவும் முக்கியமானது, ஏனெனில் இது உங்கள் இயந்திர கற்றல் வழிமுறையின் மனித காட்சி உணர்வைப் புரிந்துகொண்டு நகலெடுக்கும் திறனின் அடித்தளத்தை உருவாக்குகிறது. நம்பகமான முடிவுகளை அடைய துல்லியமான லேபிளிடப்பட்ட தரவைச் சார்ந்திருக்கும் பட அங்கீகார தீர்வுகளுக்கு உயர்தர குறிப்பு மிகவும் முக்கியமானது. மேற்பார்வை செய்யப்படாத இயந்திர கற்றலைப் பயன்படுத்தி லேபிளிடப்பட்ட தரவு இல்லாமல் சில AI பட அங்கீகார மாதிரிகள் செயல்பட முடியும் என்றாலும், அவை பெரும்பாலும் கணிசமான வரம்புகளுடன் வருகின்றன. துல்லியமான மற்றும் நுணுக்கமான கணிப்புகளை வழங்கும் பட அங்கீகார வழிமுறையை உருவாக்க, பட குறிப்பு நிபுணர்களுடன் ஒத்துழைப்பது அவசியம்.

AI-யில், தரவு குறிப்பு என்பது அர்த்தமுள்ள குறிச்சொற்களை ஒதுக்குவதன் மூலமோ அல்லது ஒவ்வொரு படத்தையும் ஒரு குறிப்பிட்ட வகுப்பாக வகைப்படுத்துவதன் மூலமோ ஒரு தரவுத்தொகுப்பை கவனமாக லேபிளிடுவதை உள்ளடக்குகிறது. மென்பொருள் மற்றும் இயந்திர கற்றல் மாதிரிகளை உருவாக்கும் பெரும்பாலான நிறுவனங்களுக்கு இந்த நுணுக்கமான பணியை உள்நாட்டில் நிர்வகிக்க வளங்களும் நேரமும் இல்லை. இந்த வேலையை அவுட்சோர்சிங் செய்வது ஒரு புத்திசாலித்தனமான, செலவு குறைந்த உத்தியாகும், இது வணிகங்கள் பயிற்சி மற்றும் உள்-வணிக லேபிளிங் குழுவை பராமரிப்பதன் சுமை இல்லாமல் வேலையை திறமையாக முடிக்க உதவுகிறது. குறிப்பு தரவு ஏற்கனவே உள்ள அமைப்புகளுடன் தடையின்றி ஒருங்கிணைக்கப்படலாம், அவற்றின் செயல்பாட்டை மேம்படுத்தலாம் மற்றும் AI தீர்வுகளை திறம்பட பயன்படுத்துவதை ஆதரிக்கலாம்.

துல்லியமான குறிப்பு மாதிரி பயிற்சியை ஆதரிப்பது மட்டுமல்லாமல், உள்ளடக்க மதிப்பீட்டிற்காக பொருத்தமற்ற படங்களை வடிகட்டுதல் மற்றும் பயனர் அனுபவத்தை மேம்படுத்துதல் உள்ளிட்ட பல்வேறு பயன்பாடுகளில் காட்சி உள்ளீடுகளை செயலாக்கவும் காட்சி உள்ளடக்கத்தை பகுப்பாய்வு செய்யவும் AI அமைப்புகளை செயல்படுத்துகிறது.

AI பட அங்கீகாரத்தில் உள்ள சவால்கள்

• மோசமான தரவு தரம்: மாதிரிகளுக்கு பெரிய மற்றும் மாறுபட்ட தரவுத்தொகுப்புகள் தேவை. போதுமான வகை இல்லாமல், கணிப்புகள் சார்புடையதாகவோ அல்லது துல்லியமற்றதாகவோ இருக்கலாம்.
• நிஜ-உலக சிக்கலானது: வெளிச்சம், கோணங்கள் மற்றும் குழப்பமான பின்னணிகள் ஆகியவை பொருட்களை துல்லியமாக அடையாளம் காண்பதை AI கடினமாக்குகின்றன.
• நேரத்தை எடுத்துக்கொள்ளும் சிறுகுறிப்பு: பயிற்சிக்காக படங்களை லேபிளிடுவது மெதுவானது மற்றும் விலை உயர்ந்தது, ஆனால் துல்லியமான மாதிரிகளுக்கு அவசியம்.
• வரையறுக்கப்பட்ட நெகிழ்வுத்தன்மை: ஒரு பணிக்காகப் பயிற்சி பெற்ற AI மாதிரிகள் பெரும்பாலும் புதிய பயன்பாடுகளுக்கு ஏற்ப மாற்றிக்கொள்ள சிரமப்படுகின்றன.
• தனியுரிமை சிக்கல்கள்: கண்காணிப்பு மற்றும் முக அங்கீகாரம் போன்ற தவறான பயன்பாடு குறித்த கவலைகள் நெறிமுறை சார்ந்த கேள்விகளை எழுப்புகின்றன.
• பாதுகாப்பு அபாயங்கள்: படங்களில் சிறிய மாற்றங்கள் AI அமைப்புகளை ஏமாற்றி, தவறான முடிவுகளுக்கு வழிவகுக்கும்.
• அதிக செலவுகள்: AI பயிற்சிக்கு சக்திவாய்ந்த வன்பொருள் மற்றும் குறிப்பிடத்தக்க ஆற்றல் தேவைப்படுகிறது, இது விலை உயர்ந்ததாக இருக்கலாம்.
• வெளிப்படைத்தன்மை இல்லாமை: AI மாதிரிகள் பெரும்பாலும் "கருப்புப் பெட்டிகள்" போல வேலை செய்கின்றன, இதனால் அவற்றின் முடிவுகளைப் புரிந்துகொள்வது கடினமாகிறது.