कंप्यूटर विज़न तेजी से महत्वपूर्ण भूमिका निभा रहा है उद्योग क्षेत्रों मेंसे, निर्माण स्थलों पर प्रगति पर नज़र रखना तैनात करने के लिए गोदामों में स्मार्ट बारकोड स्कैनिंग. लेकिन छवियों की सटीक पहचान करने के लिए अंतर्निहित एआई मॉडल को प्रशिक्षित करना एक धीमा, संसाधन-गहन प्रयास हो सकता है जिसके परिणाम देने की गारंटी नहीं है। नवोदित जर्मन स्टार्टअप हेस्टी "अगली पीढ़ी" टूल के वादे में मदद करना चाहता है जो छवियों को एनोटेट करने के लिए संपूर्ण मॉडल प्रशिक्षण प्रक्रिया को तेज करता है।
हेस्टी, जिसकी स्थापना 2019 में बर्लिन से हुई थी, ने आज घोषणा की कि उसने सीड राउंड में 3.7 मिलियन डॉलर जुटाए हैं। शास्ता वेंचर्स. सिलिकॉन वैली वीसी फर्म के नाम पर कई उल्लेखनीय निकास हैं, जिनमें नेस्ट (प्राप्त गूगल द्वारा), ईरो (प्राप्त अमेज़ॅन द्वारा), और ज़ुओरा (आईपीओ). राउंड में अन्य प्रतिभागियों में शामिल हैं आईरोबोट वेंचर्स और नकलची.
वैश्विक कंप्यूटर विज़न बाज़ार था $11.4 बिलियन आंकी गई 2020 में, यह आंकड़ा 19 तक बढ़कर $2027 बिलियन से अधिक होने का अनुमान है। डेटा तैयारी और प्रसंस्करण है सबसे अधिक समय लेने वाले कार्यों में से एक एआई में, संबंधित परियोजनाओं पर खर्च होने वाला लगभग 80% समय खर्च होता है। कंप्यूटर विज़न में, एनोटेशन या लेबलिंग, छवियों को चिह्नित करने और वर्गीकृत करने के लिए उपयोग की जाने वाली एक तकनीक है, जिससे मशीनों को चित्र के पीछे का अर्थ और संदर्भ मिलता है, जिससे वे समान वस्तुओं को पहचानने में सक्षम हो जाते हैं। इस टिप्पणी का अधिकांश कार्य भरोसेमंद वृद्ध मनुष्यों पर निर्भर करता है।
हेस्टी जिस समस्या को ठीक करना चाहता है वह यह है कि अधिकांश डेटा विज्ञान परियोजनाएँ हैं इसे कभी उत्पादन में न बनाएं, इस प्रक्रिया में महत्वपूर्ण संसाधन बर्बाद हुए।
हेस्टी के सह-संस्थापक और सीईओ ट्रिस्टन रूइलार्ड ने वेंचरबीट को बताया, "डेटा लेबलिंग के मौजूदा दृष्टिकोण बहुत धीमे हैं।" "लेबलिंग और मॉडल प्रशिक्षण के बीच देरी के कारण मशीन लर्निंग इंजीनियरों को अक्सर पहले परिणामों के लिए तीन से छह महीने तक इंतजार करना पड़ता है, यह देखने के लिए कि क्या उनकी एनोटेशन रणनीति और दृष्टिकोण काम कर रहा है।"
जल्दबाजी होती है
10 अंतर्निर्मित स्वचालित एआई सहायकों के साथ जल्दबाजी वाले जहाज, प्रत्येक मानव स्पैडवर्क को कम करने के लिए समर्पित है। उदाहरण के लिए, डेक्सट्र उपयोगकर्ताओं को किसी ऑब्जेक्ट को हाइलाइट करने और एनोटेशन का सुझाव देने के लिए उस पर केवल चार चरम बिंदुओं पर क्लिक करने की अनुमति देता है।
ऊपर: हेस्टी का डेक्सट्रा एआई सहायक
और हेस्टी का एआई "इंस्टेंस सेगमेंटेशन" सहायक जब किसी छवि के भीतर किसी ऑब्जेक्ट के कई उदाहरण पाता है तो वह तेजी से एनोटेशन बनाता है।
ऊपर: जल्दबाजी में एआई उदाहरण विभाजन
जब उपयोगकर्ता टिप्पणी करते हैं तो सहायक निगरानी करता है और एक विशिष्ट आत्मविश्वास स्कोर तक पहुंचने पर लेबल के लिए सुझाव दे सकता है। और उपयोगकर्ता एनोटेशन रणनीति कितनी प्रभावी है, इस पर फीडबैक प्राप्त करते हुए मॉडल को बेहतर बनाने के लिए इन सुझावों को सही कर सकता है।
रूइलार्ड ने कहा, "यह तंत्रिका नेटवर्क को सीखने की अवस्था देता है - यह आपके लेबल के अनुसार प्रोजेक्ट पर सीखता है।"
इस प्रक्रिया को सरल बनाने के लिए पहले से ही अनगिनत उपकरण डिज़ाइन किए गए हैं, जिनमें शामिल हैं अमेज़ॅन का सेजमेकर, Google समर्थित लेबलबॉक्स, V7, तथा डटलप, जिसने घोषणा की 11 मिलियन डॉलर की ताज़ा फ़ंडिंग अभी पिछले महीने।
लेकिन हेस्टी का दावा है कि यह स्वचालन, मॉडल-प्रशिक्षण और एनोटेशन के संयोजन से पूरी प्रक्रिया को काफी तेज बना सकता है।
समान प्लेटफार्मों की तरह, हेस्टी एक इंटरफ़ेस का उपयोग करता है जिसके माध्यम से मनुष्य और मशीनें सहयोग करते हैं। उपयोगकर्ता (उदाहरण के लिए मशीन लर्निंग इंजीनियर) द्वारा उस सुझाव को स्वीकार करने, अस्वीकार करने या संपादित करने के बाद, हेस्टी केवल कुछ मानव-एनोटेटेड छवियों के संपर्क में आने के बाद सुझाए गए एनोटेशन बना सकता है। इस वास्तविक समय के फीडबैक का मतलब है कि मॉडलों में जितना अधिक उपयोग किया जाता है, उसमें सुधार होता है, जिसे अक्सर "डेटा फ्लाईव्हील" के रूप में जाना जाता है।
“हर कोई एक स्व-सुधार डेटा फ्लाईव्हील बनाना चाह रहा है। (कंप्यूटर) विज़न एआई के साथ समस्या यह है कि फ्लाईव्हील को पहली बार में ही चालू कर दिया जाए, [क्योंकि] यह बहुत महंगा है और केवल 50% समय ही काम करता है - यही वह जगह है जहां हम आते हैं,'' रूइलार्ड ने कहा।
तीव्र प्रतिक्रिया
वास्तव में, हेस्टी के तंत्रिका नेटवर्क तब सीखते हैं जब इंजीनियर अपने डेटासेट का निर्माण कर रहे होते हैं, इसलिए प्रक्रिया के "निर्माण," "तैनात" और "मूल्यांकन" पहलू कमोबेश एक साथ होते हैं। एक सामान्य रैखिक दृष्टिकोण को परीक्षण योग्य एआई मॉडल तक पहुंचने में महीनों लग सकते हैं, जो डेटा में त्रुटियों या परियोजना की शुरुआत में की गई अंध धारणाओं के कारण गहरी त्रुटिपूर्ण हो सकता है। हेस्टी ने जो वादा किया है वह है चपलता।
यह पूरी तरह से नया नहीं है, लेकिन रूइलार्ड ने कहा कि उनकी कंपनी स्वचालित लेबलिंग को स्वायत्त ड्राइविंग के समान मानती है, जिसमें विभिन्न प्रौद्योगिकियां अलग-अलग तरीकों से काम करती हैं स्तर. स्व-चालित वाहन क्षेत्र में, कुछ कारें केवल ब्रेक लगा सकती हैं या लेन बदल सकती हैं, जबकि अन्य हैं लगभग पूर्ण स्वायत्तता में सक्षम. एनोटेशन में अनुवादित, रूइलार्ड ने कहा कि किसी छवि या छवियों के बैचों को लेबल करने के लिए आवश्यक क्लिकों की संख्या को कम करने के मामले में, हेस्टी अपने कई प्रतिद्वंद्वियों की तुलना में स्वचालन को आगे ले जाता है।
"हर कोई स्वचालन का प्रचार करता है, लेकिन यह स्पष्ट नहीं है कि स्वचालित क्या हो रहा है," रूइलार्ड ने समझाया। "लगभग सभी उपकरणों में लेवल 1 ऑटोमेशन का अच्छा कार्यान्वयन होता है, लेकिन हममें से केवल कुछ ही लेवल 2 और 3 को इस तरह से प्रदान करने की परेशानी उठाते हैं जिससे सार्थक परिणाम मिलते हैं।"
चूंकि डेटा अनिवार्य रूप से मशीन लर्निंग के लिए ईंधन है, इसलिए एआई मॉडल में बड़े पैमाने पर अधिक (सटीक) डेटा प्राप्त करना महत्वपूर्ण है।
ऊपर: जल्दबाजी: स्वचालित लेबलिंग स्तर
मैन्युअल त्रुटि खोज उपकरण के अलावा, हेस्टी एक एआई-संचालित त्रुटि खोजक प्रदान करता है जो किसी प्रोजेक्ट के प्रशिक्षण डेटा में संभावित मुद्दों की स्वचालित रूप से पहचान करता है। यह एक गुणवत्ता नियंत्रण सुविधा है जो त्रुटियों के लिए डेटा की खोज करने की आवश्यकता को रोकती है।
रूइलार्ड ने कहा, "यह आपको त्रुटियों को ढूंढने के बजाय उन्हें ठीक करने में अपना समय व्यतीत करने की अनुमति देता है और आपको एनोटेट करते समय अपने डेटा पर जल्दी से विश्वास बनाने में मदद करता है।"
ऊपर: जल्दबाजी: त्रुटि खोजक
हेस्टी लगभग 4,000 उपयोगकर्ताओं का दावा करता है, जो निगमों, विश्वविद्यालयों, स्टार्टअप और ऐप डेवलपर्स का एक समान मिश्रण है जो लगभग हर उद्योग में फैला हुआ है। रूइलार्ड ने कहा, "हमारे पास रसद, कृषि और खुदरा क्षेत्र में शीर्ष 10 जर्मन कंपनियों में से तीन हेस्टी का उपयोग कर रही हैं।"
एक विशिष्ट कृषि उपयोग के मामले में फसलों, कीटों या बीमारियों की पहचान करने के लिए एआई मॉडल का प्रशिक्षण शामिल हो सकता है। लॉजिस्टिक्स में, मॉडल का उपयोग मशीनों को प्रकार के आधार पर पार्सल को स्वचालित रूप से क्रमबद्ध करने के लिए प्रशिक्षित करने के लिए किया जा सकता है। रूइलार्ड ने कहा कि फ़ुटबॉल कवरेज के लिए वास्तविक समय के खेल विश्लेषण और आँकड़े प्रदान करने के लिए हेस्टी का उपयोग खेल क्षेत्र में भी किया जा रहा है।
बैंक में $3.7 मिलियन के साथ, कंपनी उत्पाद विकास में तेजी लाने और पूरे यूरोप और उत्तरी अमेरिका में अपने ग्राहक आधार का विस्तार करने की योजना बना रही है।
