STORM পদ্ধতি: দীর্ঘ ভিডিও বুঝতে এখন খরচ কম, নির্ভুলতা আগের মতোই
গবেষকরা STORM নামে একটি টোকেন-দক্ষ পদ্ধতি তৈরি করেছেন যা মাল্টিমোডাল LLM-কে দীর্ঘ ভিডিও বুঝতে সাহায্য করে। এই পদ্ধতি গণনামূলক খরচ কমিয়ে উচ্চ নির্ভুলতা বজায় রাখে। ফলে সীমিত সম্পদযুক্ত পরিবেশেও ভিডিও AI অ্যাপ্লিকেশন চালানো সম্ভব হবে।
গবেষকরা STORM নামে একটি টোকেন-দক্ষ পদ্ধতি তৈরি করেছেন যা মাল্টিমোডাল LLM-কে দীর্ঘ ভিডিও বুঝতে সাহায্য করে। এই পদ্ধতি গণনামূলক খরচ কমিয়ে উচ্চ নির্ভুলতা বজায় রাখে। ফলে সীমিত সম্পদযুক্ত পরিবেশেও ভিডিও AI অ্যাপ্লিকেশন চালানো সম্ভব হবে।
মাল্টিমোডাল লার্জ ল্যাঙ্গুয়েজ মডেল বা MLLM-এর জন্য দীর্ঘ ভিডিও বোঝা এখন আর ব্যয়বহুল নয়। গবেষকরা STORM নামে একটি টোকেন-দক্ষ পদ্ধতি তৈরি করেছেন যা এই কাজকে সহজ ও সাশ্রয়ী করেছে। dev.to AI-র প্রতিবেদন অনুযায়ী, এই পদ্ধতি গণনামূলক খরচ অনেক কমিয়ে দিয়ে ভিডিও সংক্রান্ত কাজে উচ্চ নির্ভুলতা বজায় রাখে।
STORM পদ্ধতির মূল লক্ষ্য হলো মাল্টিমোডাল LLM-কে দীর্ঘ ভিডিও প্রক্রিয়াকরণে সক্ষম করা। সাধারণত দীর্ঘ ভিডিও বিশ্লেষণ করতে বিপুল পরিমাণ টোকেন বা ডেটা ইউনিট প্রক্রিয়াকরণ করতে হয়। এই প্রক্রিয়ায় প্রচুর GPU শক্তি এবং সময় লাগে। STORM সেই টোকেনের সংখ্যা কমিয়ে আনে যাতে করে কম সম্পদ দিয়েও দ্রুত কাজ করা যায়। গবেষকরা দেখিয়েছেন যে এই পদ্ধতি ব্যবহার করে আগের চেয়ে অনেক কম খরচে ভিডিও থেকে তথ্য বের করা সম্ভব।
এই গবেষণার গুরুত্ব অনেক। বর্তমানে ভিডিও কন্টেন্ট বিশ্লেষণ করতে যে AI মডেলগুলো ব্যবহার হয় সেগুলো অত্যন্ত শক্তিশালী হার্ডওয়্যার প্রয়োজন করে। ছোট প্রতিষ্ঠান বা ডেভেলপারদের জন্য সেই সুযোগ সবসময় থাকে না। STORM সেই বাধা দূর করতে পারে। এটি সীমিত সম্পদযুক্ত পরিবেশেও ভিডিও AI অ্যাপ্লিকেশন চালানোর পথ খুলে দেবে। যেমন মোবাইল ডিভাইস বা এজ কম্পিউটিং সিস্টেমে ভিডিও বিশ্লেষণ করা সম্ভব হবে।
প্রযুক্তিগতভাবে STORM কাজ করে টোকেন কম্প্রেশন এবং সিলেক্টিভ অ্যাটেনশন মেকানিজমের মাধ্যমে। মডেলটি ভিডিওর গুরুত্বপূর্ণ ফ্রেম বা অংশ চিহ্নিত করে সেগুলোতে বেশি ফোকাস করে। অপ্রয়োজনীয় ফ্রেম বাদ দিয়ে মডেলটি শুধু প্রয়োজনীয় টোকেন প্রক্রিয়াকরণ করে। এই পদ্ধতি GPT-4 বা অন্যান্য বড় মডেলের তুলনায় ৩ গুণ পর্যন্ত দ্রুত হতে পারে বলে গবেষণায় দেখা গেছে। নির্ভুলতার দিক থেকেও এটি বিদ্যমান পদ্ধতির সমান বা কিছু ক্ষেত্রে ভালো পারফর্ম করে।
বাংলাদেশের ডেভেলপার, ফ্রিল্যান্সার এবং শিক্ষার্থীদের জন্য এই গবেষণার বাস্তব অর্থ অনেক। দেশে সীমিত সম্পদ নিয়ে কাজ করতে হয় এমন অনেক প্রযুক্তি উদ্যোক্তা আছেন। STORM পদ্ধতি ব্যবহার করে তারা কম খরচে ভিডিও বিশ্লেষণ অ্যাপ তৈরি করতে পারবেন। যেমন ই-কমার্স সাইটে পণ্য পর্যালোচনার ভিডিও বিশ্লেষণ, শিক্ষামূলক ভিডিও থেকে স্বয়ংক্রিয় নোট তৈরি, বা সিসিটিভি ফুটেজ বিশ্লেষণ। ফ্রিল্যান্সারদের জন্যও এটি একটি নতুন দক্ষতা হিসেবে কাজ করতে পারে কারণ ভিডিও AI-র চাহিদা দিন দিন বাড়ছে।
ভবিষ্যতে STORM পদ্ধতি আরও উন্নত হয়ে রিয়েল-টাইম ভিডিও প্রক্রিয়াকরণের দিকে এগোতে পারে। গবেষকরা ইতিমধ্যে ভিডিও স্ট্রিমিংয়ের সময় সরাসরি বিশ্লেষণের সম্ভাবনা নিয়ে কাজ করছেন। এই পদ্ধতি মাল্টিমোডাল AI-র জগতে একটি গুরুত্বপূর্ণ পদক্ষেপ হিসেবে বিবেচিত 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: dev.to AI
সোর্স দেখুন ↗মন্তব্য০
লোড হচ্ছে...