Google DeepMind-এর নতুন AI: ভিডিও দেখেই শিখবে গভীরতা নির্ণয়, কম খরচে বদলে যাবে ফ্রিল্যান্সিং
Google DeepMind-এর নতুন গবেষণা GenCeption দেখিয়েছে, ভিডিও জেনারেটর দিয়ে কম্পিউটার ভিশনের জটিল কাজ যেমন গভীরতা নির্ণয় ও ছবি আলাদা করা যায়। এটি অত্যন্ত কম প্রশিক্ষণ ডেটা ব্যবহার করেও সেরা ফলাফল দিচ্ছে। গবেষণাটি প্রমাণ করছে যে ভিডিও জেনারেটরের ভেতরেই একটি সার্বজনীন ওয়ার্ল্ড মডেল লুকিয়ে থাকতে পারে।
Google DeepMind-এর নতুন গবেষণা GenCeption দেখিয়েছে, ভিডিও জেনারেটর দিয়ে কম্পিউটার ভিশনের জটিল কাজ যেমন গভীরতা নির্ণয় ও ছবি আলাদা করা যায়। এটি অত্যন্ত কম প্রশিক্ষণ ডেটা ব্যবহার করেও সেরা ফলাফল দিচ্ছে। গবেষণাটি প্রমাণ করছে যে ভিডিও জেনারেটরের ভেতরেই একটি সার্বজনীন ওয়ার্ল্ড মডেল লুকিয়ে থাকতে পারে।
গুগল ডিপমাইন্ড একটি নতুন গবেষণা পদ্ধতি চালু করেছে যার নাম GenCeption। এই পদ্ধতি ভিডিও জেনারেটরকে ব্যবহার করে কম্পিউটার ভিশনের ঐতিহ্যবাহী কাজগুলো সম্পাদন করছে। এর মধ্যে রয়েছে ছবির গভীরতা নির্ণয় করা এবং বিভিন্ন বস্তুকে আলাদা করে চিহ্নিত করা।
GenCeption দেখিয়েছে যে একটি ভিডিও জেনারেটরকে পুনরায় কাজে লাগিয়ে এই জটিল কাজগুলো খুব সহজেই করা সম্ভব। এই মডেলটি বর্তমানের সেরা সিস্টেমগুলোর সমান পারফরম্যান্স দেখিয়েছে। কিন্তু সবচেয়ে বড় বিষয় হলো এটি সেই সিস্টেমগুলোর তুলনায় অনেক কম প্রশিক্ষণ ডেটা ব্যবহার করেছে।
গবেষকরা এই মডেলটিকে প্রায় সম্পূর্ণভাবে কৃত্রিম ভিডিও দিয়ে প্রশিক্ষণ দিয়েছেন। এর মানে হলো বাস্তব জগতের হাজার হাজার লেবেল করা ছবির প্রয়োজন হয়নি। এটি গবেষণার খরচ ও সময় অনেক কমিয়ে দিয়েছে।
এই গবেষণার ফলাফল প্রযুক্তি বিশ্বে একটি বড় বিতর্কের জন্ম দিয়েছে। প্রশ্ন উঠেছে যে ভিডিও জেনারেটরের ভেতরেই কি ইতিমধ্যে একটি সার্বজনীন ওয়ার্ল্ড মডেল তৈরি হয়ে গেছে। ওয়ার্ল্ড মডেল হলো এমন একটি সিস্টেম যা বাস্তব জগতের নিয়ম ও কাঠামো বুঝতে পারে।
কম্পিউটার ভিশনের ক্ষেত্রে এই আবিষ্কার একটি যুগান্তকারী পরিবর্তন আনতে পারে। এখন পর্যন্ত বিভিন্ন কাজের জন্য আলাদা আলাদা মডেল তৈরি করতে হতো। কিন্তু GenCeption দেখিয়েছে যে একটি একক ভিডিও জেনারেটর দিয়েই একাধিক কাজ করা সম্ভব।
বাংলাদেশের প্রযুক্তি অঙ্গনের জন্য এই খবর বিশেষ গুরুত্বপূর্ণ। দেশের ডেভেলপার ও গবেষকরা এখন ভিডিও জেনারেটরকে নতুনভাবে ব্যবহার করে ইমেজ প্রসেসিংয়ের কাজ করতে পারবেন। ফ্রিল্যান্সার ও স্টার্টআপগুলোর জন্য এটি একটি সাশ্রয়ী সমাধান হতে পারে। কারণ তাদের আর ব্যয়বহুল লেবেল করা ডেটার প্রয়োজন হবে না।
শিক্ষার্থীদের জন্যও এটি একটি বড় সুযোগ। তারা কৃত্রিম ভিডিও দিয়ে মডেল প্রশিক্ষণের মাধ্যমে কম্পিউটার ভিশন শিখতে পারবে। এটি গবেষণার খরচ কমিয়ে আনার পাশাপাশি নতুন উদ্ভাবনের পথ খুলে দেবে।
তবে এই প্রযুক্তি এখনো গবেষণার স্তরেই রয়েছে। বাস্তব জগতে প্রয়োগের আগে আরও পরীক্ষা-নিরীক্ষার প্রয়োজন আছে। তবুও এটি প্রমাণ করছে যে ভিডিও জেনারেটরের সম্ভাবনা আমরা এখনো পুরোপুরি বুঝতে পারিনি।
গুগল ডিপমাইন্ডের এই গবেষণা প্রযুক্তির ভবিষ্যৎ সম্পর্কে নতুন ধারণা দিচ্ছে। Decoder সূত্রে জানা গেছে, এটি প্রমাণ করে যে বড় মডেলগুলোর ভেতরে আরও অনেক লুকানো ক্ষমতা থাকতে পারে। ভবিষ্যতে আমরা হয়তো দেখব যে একটি একক মডেল দিয়েই সব ধরনের ভিজুয়াল কাজ করা সম্ভব হচ্ছে।
আরও পড়ুন
এই সংবাদটি আন্তর্জাতিক সূত্রের তথ্য অবলম্বনে AI-সহায়তায় বাংলায় উপস্থাপন ও বাংলাদেশের প্রেক্ষাপটে সম্পাদিত। মূল তথ্যের জন্য নিচের সূত্র দেখুন।
মূল প্রতিবেদন: The Decoder
সোর্স দেখুন ↗মন্তব্য০
লোড হচ্ছে...