PDF-এর ছবি-চার্ট এখন AI পড়বে, আপনার কাজ ৩ গুণ দ্রুত হবে

ভিশন ল্যাঙ্গুয়েজ মডেল (Vision LLM) এখন PDF ডকুমেন্টের চার্ট, ডায়াগ্রাম ও অন্যান্য ভিজুয়াল ডেটা পড়তে সক্ষম হয়েছে। টুওয়ার্ডস ডেটা সায়েন্স-এর এক গবেষণা নিবন্ধে এই তথ্য প্রকাশ করা হয়েছে। এই সক্ষমতা আগের চেয়ে অনেক বেশি, কারণ প্রচলিত পদ্ধতি শুধু টেক্সট পার্স করত।

গবেষণাটি এন্টারপ্রাইজ ডকুমেন্ট ইন্টেলিজেন্স সিরিজের অংশ। সিরিজটির লক্ষ্য হল ব্যবসায়িক ডকুমেন্ট থেকে বুদ্ধিমত্তার সাথে তথ্য বের করা। প্রচলিত PDF পার্সাররা শুধু শব্দ পড়তে পারে, কিন্তু ভিশন মডেল ছবিও পড়ে। এই কারণে RAG (Retrieval-Augmented Generation) সিস্টেমে ভিজুয়াল ডেটা ব্যবহার করার পথ খুলে গেছে।

RAG সিস্টেম সাধারণত টেক্সট ভিত্তিক তথ্য অনুসন্ধান করে এবং তার উপর ভিত্তি করে উত্তর তৈরি করে। কিন্তু এখন Vision LLM চার্ট ও ডায়াগ্রাম থেকে তথ্য বের করে সেই প্রক্রিয়ায় যোগ করতে পারে। উদাহরণস্বরূপ, একটি বার চার্ট থেকে বিক্রয়ের প্রবণতা বোঝা বা একটি ফ্লোচার্ট থেকে প্রক্রিয়া বুঝে নেওয়া এখন সম্ভব।

এই প্রযুক্তি এন্টারপ্রাইজ পর্যায়ে ডকুমেন্ট প্রসেসিংকে আরও কার্যকর করবে। কোম্পানিগুলো তাদের পিডিএফ রিপোর্ট, ফাইন্যান্সিয়াল স্টেটমেন্ট এবং টেকনিক্যাল ম্যানুয়াল থেকে আরও সম্পূর্ণ তথ্য পাবে। টুওয়ার্ডস ডেটা সায়েন্স জানিয়েছে, এই পদ্ধতি টেক্সট ও ভিজুয়াল ডেটাকে একত্রিত করে আরও নির্ভুল উত্তর দিতে পারে।

বাংলাদেশের ডেভেলপার ও ফ্রিল্যান্সারদের জন্য এটি গুরুত্বপূর্ণ। স্থানীয় স্টার্টআপ ও আইটি কোম্পানিগুলো তাদের প্রোডাক্টে এই প্রযুক্তি ব্যবহার করতে পারে। উদাহরণস্বরূপ, ব্যাংকিং বা বিমা সেক্টরে ডকুমেন্ট বিশ্লেষণে এটি কাজে লাগবে। শিক্ষার্থী ও গবেষকরাও জটিল একাডেমিক পিডিএফ থেকে চার্ট ও ডায়াগ্রামের তথ্য সহজে বের করতে পারবেন।

ভবিষ্যতে Vision LLM আরও উন্নত হবে বলে আশা করা যাচ্ছে। এটি RAG সিস্টেমকে আরও শক্তিশালী করে তুলবে। এন্টারপ্রাইজ ডকুমেন্ট ইন্টেলিজেন্সের এই নতুন দিক দিয়ে তথ্য ব্যবস্থাপনায় বড় পরিবর্তন আসতে পারে।

আরও পড়ুন

• মাল্টিমোডাল AI-তে বড় উন্নতি, ডেভেলপারদের কাজ হবে ৩ গুণ দ্রুত
• ChatGPT এখন স্বপ্ন দেখবে, আপনার কাজ হবে ৩ গুণ দ্রুত
• AI এখন সিদ্ধান্ত নেবে: Hugging Face-IBM-এর নতুন প্রযুক্তি বাংলাদেশি ব্যবসায় বিপ্লব আনবে