Apple-এর নতুন AI ভিডিওতে ঘটনার ক্রম বুঝবে, ফ্রিল্যান্সারদের কাজ বদলে দেবে
Apple ML Research টিমের নতুন TGPO পদ্ধতি মাল্টিমোডাল AI-কে সময়ের ক্রম বুঝতে শেখায়। রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে এটি ভিডিওতে ঘটনার সঠিক ধারাবাহিকতা চিহ্নিত করতে পারে। এই গবেষণা ইগোসেন্ট্রিক ভিডিও বোঝাপড়ায় নতুন দিগন্ত খুলছে।
Apple ML Research টিমের নতুন TGPO পদ্ধতি মাল্টিমোডাল AI-কে সময়ের ক্রম বুঝতে শেখায়। রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে এটি ভিডিওতে ঘটনার সঠিক ধারাবাহিকতা চিহ্নিত করতে পারে। এই গবেষণা ইগোসেন্ট্রিক ভিডিও বোঝাপড়ায় নতুন দিগন্ত খুলছে।
Apple-এর মেশিন লার্নিং গবেষকরা একটি নতুন পদ্ধতি তৈরি করেছেন যা কৃত্রিম বুদ্ধিমত্তাকে ভিডিওতে সময়ের ধারাবাহিকতা বুঝতে সাহায্য করবে। এই পদ্ধতির নাম Temporal Global Policy Optimization বা TGPO। এটি বিশেষ করে ইগোসেন্ট্রিক ভিডিওর জন্য তৈরি করা হয়েছে। ইগোসেন্ট্রিক ভিডিও বলতে বোঝায় সেই সব ফুটেজ যা একজন ব্যক্তির চোখের দৃষ্টিকোণ থেকে ধারণ করা হয়। যেমন একটি স্মার্ট গ্লাস বা হেলমেট ক্যামেরা দিয়ে তোলা ভিডিও।
বর্তমান মাল্টিমোডাল লার্জ ল্যাঙ্গুয়েজ মডেল বা MLLM গুলি ভিডিও বোঝার সময় মূলত ফ্রেমের ভেতরের স্থির ছবির ওপর নির্ভর করে। তারা ঘটনার সঠিক ক্রম বা সময়ের বিবর্তন বুঝতে পারে না। উদাহরণস্বরূপ, একটি ভিডিওতে কেউ প্রথমে কলা খাচ্ছে এবং পরে জল খাচ্ছে। একটি সাধারণ AI এই দুটি ঘটনার ক্রম উল্টোভাবেও বুঝতে পারে। এই সমস্যা দূর করতেই TGPO তৈরি করা হয়েছে।
TGPO রিইনফোর্সমেন্ট লার্নিং বা শক্তিবৃদ্ধি শিক্ষণ নামক একটি কৌশল ব্যবহার করে। এই কৌশলে AI-কে সঠিক উত্তর দেওয়ার জন্য পুরস্কার দেওয়া হয় এবং ভুল উত্তরের জন্য শাস্তি দেওয়া হয়। TGPO বিশেষভাবে সময়গত যুক্তি বা টেম্পোরাল রিজনিংকে পুরস্কৃত করে। অর্থাৎ AI যখন ভিডিওর ঘটনার সঠিক ক্রম চিহ্নিত করে, তখন এটি বোনাস পায়। এভাবে মডেলটি ধীরে ধীরে সময় বোঝার ক্ষমতা অর্জন করে।
গবেষকরা বলছেন, প্রচলিত প্রশিক্ষণ পদ্ধতি সময় বোঝার জন্য আলাদাভাবে কোনও উৎসাহ দেয় না। ফলে মডেলগুলি শুধু ফ্রেমের ভেতরের বস্তু বা রং চিনতে শেখে। কিন্তু TGPO এই ফাঁক পূরণ করে। এটি নিশ্চিত করে যে মডেলটি শুধু কী ঘটছে তা নয়, বরং কখন এবং কী ক্রমে ঘটছে সেটিও বুঝতে পারে।
বাংলাদেশের জন্য এই গবেষণার বিশেষ গুরুত্ব রয়েছে। দেশের উদীয়মান AI স্টার্টআপ এবং গবেষকরা ইগোসেন্ট্রিক ভিডিও অ্যানালাইসিস নিয়ে কাজ করছেন। যেমন স্মার্ট সিটির জন্য ট্রাফিক মনিটরিং বা শিল্পকারখানায় কর্মীর নিরাপত্তা নিশ্চিত করা। TGPO-র মতো পদ্ধতি তাদের ভিডিও ডেটা থেকে আরও নির্ভুল তথ্য বের করতে সাহায্য করবে। ফ্রিল্যান্সার এবং শিক্ষার্থীরাও এই গবেষণা থেকে শিখে নিজেদের প্রজেক্টে প্রয়োগ করতে পারবেন।
ভবিষ্যতে TGPO-র মতো মডেল আরও উন্নত হবে বলে আশা করা যাচ্ছে। Apple তার গবেষণা পত্রটি প্রকাশ করেছে যা অন্যান্য গবেষকদের জন্য উন্মুক্ত। এর ফলে বিশ্বব্যাপী AI গবেষণার গতি বাড়বে। বাংলাদেশেও এই ধারা অনুসরণ করে স্থানীয় ভাষাভিত্তিক ভিডিও বোঝার মডেল তৈরি করা সম্ভব।
আরও পড়ুন
এই সংবাদটি আন্তর্জাতিক সূত্রের তথ্য অবলম্বনে AI-সহায়তায় বাংলায় উপস্থাপন ও বাংলাদেশের প্রেক্ষাপটে সম্পাদিত। মূল তথ্যের জন্য নিচের সূত্র দেখুন।
মূল প্রতিবেদন: Apple ML Research
সোর্স দেখুন ↗মন্তব্য০
লোড হচ্ছে...