ഒരു ഫോട്ടോയും ഒരു ചോദ്യവും: പലതരം വിവരങ്ങൾ എഐ എങ്ങനെ ചേർക്കുന്നു?

ഒരു സാങ്കൽപ്പിക സാഹചര്യത്തിൽ നിങ്ങൾ ബസ് സമയപ്പട്ടികയുടെ ഫോട്ടോ എടുത്ത് “വൈകിട്ട് ആറിനു ശേഷം ഏത് ബസ് ഉണ്ട്?” എന്ന് ചോദിക്കുന്നു. എഴുത്ത് മാത്രം സ്വീകരിക്കുന്ന സഹായിക്ക് പട്ടികയിലെ വിവരം നിങ്ങൾ ടൈപ്പ് ചെയ്തു നൽകേണ്ടിവരും. ചിത്രം സ്വീകരിക്കുന്ന സഹായിക്ക് ഫോട്ടോയും ചോദ്യവും ഒരുമിച്ച് ഉപയോഗിക്കാൻ കഴിയും. എന്നാൽ ഫോട്ടോ മങ്ങിയതാണെങ്കിൽ അതിലെ സമയം തെറ്റായി വായിക്കാനും സാധ്യതയുണ്ട്. കൂടുതൽ വഴികളിലൂടെ വിവരം ലഭിക്കുന്നത് തെറ്റില്ലാത്ത ഉത്തരത്തിന്റെ ഉറപ്പല്ല.

വിവരത്തിന്റെ രൂപം മാറുമ്പോൾ

ബഹുരൂപം എന്നത് പലതരം വിവരരൂപങ്ങൾ എന്നാണ്. എഴുത്തിൽ വാക്കുകളുടെ ക്രമമുണ്ട്; ചിത്രത്തിൽ നിറങ്ങളും ആകൃതികളും അവയുടെ സ്ഥാനങ്ങളും; ശബ്ദത്തിൽ സമയത്തിനനുസരിച്ചുള്ള മാറ്റങ്ങളും. ഇവ മനുഷ്യന്റെ ഒരേ ഇന്ദ്രിയത്തിലൂടെ വരുന്നതല്ല. എഐയിൽ ഇവയെ പ്രക്രിയ ചെയ്യാനുള്ള രീതികളും വ്യത്യസ്തമാകാം. രണ്ടുരൂപം മാത്രം ഉപയോഗിക്കുന്ന സംവിധാനവും ബഹുരൂപമാണ്. പേരിലുള്ള “പല” എന്നത് എല്ലാത്തരം ഫയലുകളും സ്വീകരിക്കും എന്ന വാഗ്ദാനമല്ല.

ഇത് പല ഭാഷകൾ അറിയുന്നതിന്റെ മറ്റൊരു പേരുമല്ല. മലയാളവും ഇംഗ്ലീഷും ഉള്ള എഴുത്ത് ഉപയോഗിക്കുന്ന സംവിധാനം പലഭാഷാ സംവിധാനമാകാം; അത് ചിത്രം സ്വീകരിക്കണമെന്നില്ല. മറിച്ച്, ചിത്രം കൂടെ എഴുത്ത് സ്വീകരിക്കുന്ന സംവിധാനം ബഹുരൂപമാണെങ്കിലും മലയാളത്തിലെ എല്ലാ ചോദ്യങ്ങൾക്കും ഒരേ നിലവാരത്തിൽ മറുപടി നൽകണമെന്നില്ല. പിന്തുണയ്ക്കുന്ന വിവരരൂപവും ഭാഷയും വേറെ പരിശോധിക്കേണ്ട കാര്യങ്ങളാണ്. സേവനത്തിന്റെ പേരിൽനിന്ന് മാത്രം ഈ കഴിവുകൾ തീരുമാനിക്കരുത്.

ഫോട്ടോ ചോദ്യവുമായി എങ്ങനെ ചേരുന്നു?

ചിത്രം പ്രക്രിയ ചെയ്യുന്ന ഭാഗം ദൃശ്യത്തിലെ സൂചനകൾ ഉപയോഗിക്കാവുന്ന സംഖ്യാരൂപത്തിലുള്ള പ്രതിനിധാനങ്ങളാക്കുന്നു. പട്ടികയുടെ വരികൾ, അക്കങ്ങളുടെ രൂപം, അവയുടെ സ്ഥാനം എന്നിവ മറുപടിക്ക് പ്രസക്തമായേക്കാം. എഴുതിയ ചോദ്യം ആറിനു ശേഷമുള്ള സമയങ്ങളിലേക്കാണ് ശ്രദ്ധ തിരിക്കുന്നത്. ഇവ ബന്ധിപ്പിച്ച് മറുപടി നിർമ്മിക്കുന്ന ഭാഗത്തിന് ചിത്രവുമായി ബന്ധപ്പെട്ട വിവരങ്ങൾ ഉപയോഗിക്കാൻ കഴിയുന്നു. പട്ടിക ആദ്യം മുഴുവനായി എഴുത്താക്കി മാറ്റിയിട്ടാണ് എല്ലാ സംവിധാനങ്ങളും പ്രവർത്തിക്കുന്നത് എന്ന് കരുതേണ്ടതില്ല.

2022-ലെ Flamingo ഗവേഷണം ചിത്രങ്ങൾ പ്രക്രിയ ചെയ്യുന്ന മാതൃകയെയും ഭാഷ കൈകാര്യം ചെയ്യുന്ന മാതൃകയെയും ബന്ധിപ്പിച്ച ഒരു ഉദാഹരണമാണ്. ചോദ്യം അനുസരിച്ച് മറുപടി നിർമ്മിക്കുന്നതിനിടെ ദൃശ്യവിവരം ഉപയോഗിക്കാനുള്ള ബന്ധമാണ് അതിൽ ഒരുക്കിയത്. പരിശീലനത്തിൽ ചിത്രങ്ങളോടൊപ്പം വരുന്ന എഴുത്ത് ഉപയോഗിക്കുന്നു. ചിത്രം, വിവരണം, ചോദ്യം എന്നിവ തമ്മിലുള്ള ബന്ധം അങ്ങനെ പഠിക്കാം. ഇതേ രൂപരേഖയാണ് എല്ലാ വാണിജ്യ സഹായികളിലും ഉള്ളതെന്ന് ഈ ഗവേഷണം തെളിയിക്കുന്നില്ല.

തയ്യാറാക്കുന്ന ഘട്ടത്തിൽ ഇത്തരം ഉദാഹരണങ്ങളിൽ നിന്ന് ബന്ധങ്ങൾ പഠിക്കുന്നതും ഉപയോഗിക്കുമ്പോൾ നിങ്ങളുടെ ഫോട്ടോയെക്കുറിച്ച് മറുപടി നൽകുന്നതും വ്യത്യസ്തമാണ്. നൽകിയ ഫോട്ടോയിലെ വിവരവും നേരത്തേ പഠിച്ച ബന്ധങ്ങളും രണ്ടും ഫലത്തെ സ്വാധീനിക്കാം. അതിനാൽ ചിത്രത്തിൽ കാണാത്തൊരു സമയം സാധാരണ പട്ടികകളിലെ രീതിയുമായി പൊരുത്തപ്പെടുത്തി പറയുന്നത് ശരിയായ വായനയാകില്ല. മറുപടി ഉറപ്പുള്ള ശൈലിയിൽ എഴുതിയാലും അത് ഫോട്ടോയിൽനിന്ന് കൃത്യമായി എടുത്തതാണ് എന്നതിന് തെളിവില്ല.

ചോദ്യം സഹായിക്കുന്നിടവും സഹായിക്കാത്തിടവും

“ഇത് വിശദീകരിക്കൂ” എന്നതിനു പകരം “ഈ പട്ടികയിൽ വൈകിട്ട് ആറിനു ശേഷമുള്ള പുറപ്പെടൽ സമയങ്ങൾ വായിക്കൂ; വ്യക്തമല്ലാത്ത അക്കങ്ങൾ ഊഹിക്കരുത്” എന്നു ചോദിക്കാം. ഇവിടെ പൊതുവായ വിവരണത്തിനു പകരം ആവശ്യമായ വിവരമാണ് ചൂണ്ടിക്കാണിക്കുന്നത്. സ്വന്തം ചോദ്യം എഴുതി ചിത്രം മുഴുവനായും നൽകുന്നത് പ്രസക്തമായ ഭാഗം വ്യക്തമാക്കാൻ സഹായിക്കും. പക്ഷേ വ്യക്തമായ നിർദേശം തെറ്റായ വായന ഇല്ലാതാക്കുന്നില്ല; ഫോട്ടോയിലെ വരികളുമായി ഫലം ഒത്തുനോക്കണം.

Google-ന്റെ ചിത്രം കൈകാര്യം ചെയ്യാനുള്ള രേഖകൾ ചിത്രവിവരണം, വർഗീകരണം, ദൃശ്യത്തെക്കുറിച്ചുള്ള ചോദ്യങ്ങൾക്ക് മറുപടി എന്നിവ ഉദാഹരണങ്ങളായി നൽകുന്നു. വ്യക്തമായ ചിത്രവും ശരിയായ തിരിവും പ്രധാനമാണെന്നും അവ പറയുന്നു. ചെറിയ അക്കങ്ങൾ വായിക്കുന്നത് ബുദ്ധിമുട്ടാകാം; ആവശ്യമുള്ള ഭാഗം വ്യക്തമായി പകർത്തുന്നത് സഹായിക്കും. വായിക്കാനാവാത്ത സമയമുണ്ടെങ്കിൽ നിലവിലെ വിവരം ഗതാഗതസ്ഥാപനത്തിന്റെ ഔദ്യോഗിക പട്ടികയിൽ പരിശോധിക്കുക. ചിത്രത്തെക്കുറിച്ചുള്ള മറുപടി ഇപ്പോൾ ബസ് സർവീസ് നടക്കുന്നുണ്ടെന്ന ഉറപ്പല്ല.

ശബ്ദം സ്വീകരിക്കുന്ന ചില സംവിധാനങ്ങളിൽ റെക്കോർഡിങ്ങിനെക്കുറിച്ച് ചോദിക്കാനോ എഴുത്താക്കി മാറ്റാനോ സംഗ്രഹിക്കാനോ കഴിയും. Google-ന്റെ ശബ്ദരേഖകൾ ഇത്തരം ഉപയോഗങ്ങൾ വിവരിക്കുന്നു. എന്നാൽ ചിത്രം സ്വീകരിക്കുന്ന എല്ലാ സംവിധാനങ്ങളും ശബ്ദം സ്വീകരിക്കണമെന്നില്ല. വീഡിയോ സ്വീകരിക്കുന്നത് ഓരോ സംഭവവും തുടർച്ചയായി ശരിയായി തിരിച്ചറിയുമെന്ന ഉറപ്പുമല്ല. ഇൻപുട്ടായി ഏതു രൂപം നൽകാം, മറുപടിയായി ഏതു രൂപം ലഭിക്കും, അവയുടെ പരിധികൾ എന്താണ് എന്നിവ പ്രത്യേകം നോക്കണം.

ഫോട്ടോ നൽകുന്നതിനു മുമ്പ് ആവശ്യമില്ലാത്ത പേര്, ഫോൺനമ്പർ, മറ്റൊരാളുടെ മുഖം എന്നിവ ഉണ്ടോ എന്നു നോക്കുക. Google-ന്റെ രേഖകളിലെ സേവനം ചിത്രങ്ങളും ശബ്ദങ്ങളും അപ്‌ലോഡ് ചെയ്യാനുള്ള വഴികൾ വിവരിക്കുന്നു; അത് എല്ലാ ബഹുരൂപ സംവിധാനങ്ങളും ഉപകരണത്തിനുള്ളിൽ മാത്രം പ്രവർത്തിക്കുന്നു എന്നതിനു തെളിവല്ല. ഉപയോഗിക്കുന്ന സേവനത്തിന്റെ സംഭരണവും പങ്കിടലും സംബന്ധിച്ച നിബന്ധനകൾ പരിശോധിക്കുക. കൂടുതൽ വിവരം ചേർക്കാനുള്ള കഴിവ് എന്തും നൽകണം എന്ന കാരണമല്ല.

Google-ന്റെ സുരക്ഷാ മാർഗനിർദേശം തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാമെന്ന് വ്യക്തമാക്കുന്നു. അതിനാൽ രണ്ട് കാര്യങ്ങൾ വേർതിരിക്കാം: ഫോട്ടോയിൽ എന്തുണ്ട് എന്നു കണ്ടെത്താനുള്ള സഹായവും ആ വിവരം ശരിയും നിലവിലുള്ളതുമാണോ എന്ന പരിശോധനയും. ബഹുരൂപ എഐ ആദ്യത്തെ ജോലിയിൽ സഹായിക്കാം; രണ്ടാമത്തേതിന് ആവശ്യമുള്ള പുറംതെളിവ് സ്വയം ലഭിക്കണമെന്നില്ല. പ്രധാന തീരുമാനങ്ങളിൽ മറുപടിയുടെ ആത്മവിശ്വാസത്തേക്കാൾ മൂലവിവരവുമായി പൊരുത്തപ്പെടുന്നതാണ് പരിശോധിക്കേണ്ടത്.