Predictive Authoring for Brazilian Portuguese Augmentative and Alternative Communication
यह शोध पत्र ब्राज़ीलियाई पुर्तगाली ऑगमेंटेटिव एंड अल्टरनेटिव कम्युनिकेशन (AAC) प्रणालियों में पिकटोग्राम की भविष्यवाणी करने के लिए BERTimbau मॉडल का उपयोग करने का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि पिकटोग्राम को कैप्शन के माध्यम से प्रस्तुत करने से उच्चतम सटीकता प्राप्त होती है और साथ ही भविष्यवाणी के लिए छवियों के उपयोग की क्षमता का भी पता लगाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक बड़ी तस्वीर: बिना शब्दों के बोलने में मदद करना
कल्पना कीजिए कि एक व्यक्ति है जो विकलांगता के कारण बोल नहीं सकता। संवाद करने के लिए, वे एक विशेष "टॉकिंग बोर्ड" (एक AAC सिस्टम) का उपयोग करते हैं। यह बोर्ड हजारों चित्रों (पिक्टोग्राम) से भरा होता है जो "खाना," "गेंद," "खुश," या "माँ" जैसे शब्दों का प्रतिनिधित्व करते हैं।
"मुझे एक सेब चाहिए" जैसा वाक्य बोलने के लिए, उपयोगकर्ता को चित्रों के एक विशाल ग्रिड में तलाश करनी पड़ती है, "मैं" को ढूंढना पड़ता है, फिर "चाहिए" को, और फिर "सेब" को, और उन्हें एक-एक करके टैप करना पड़ता है। यह बिल्कुल वैसा ही है जैसे स्क्रैबल टाइल्स (Scrabble tiles) के एक विशाल डिब्बे में से सही अक्षरों को एक-एक करके खोजने की कोशिश करना। इसमें बहुत समय लगता है और यह निराशाजनक हो सकता है।
इस पेपर का लक्ष्य:
शोधकर्ताओं ने इस टॉकिंग बोर्ड के लिए एक "स्मार्ट असिस्टेंट" बनाने की कोशिश की। जिस तरह आपका फोन आपके द्वारा टाइप किए जाने वाले अगले शब्द का अनुमान लगाता है, वे एक ऐसा सिस्टम बनाना चाहते थे जो उपयोगकर्ता द्वारा पहले से टैप किए गए चित्रों को देख सके और कह सके, "हे, आप शायद अगला सेब वाला चित्र टैप करना चाहते हैं!"
चुनौती: "डिक्शनरी" की समस्या
पेचीदा बात यह है कि ये टॉकिंग बोर्ड चित्रों का उपयोग करते हैं, टेक्स्ट का नहीं। कंप्यूटर शब्दों को पढ़ने में बहुत अच्छे होते हैं, लेकिन उन्हें यह समझने में कठिनाई होती है कि लाल फल का एक चित्र "सेब" शब्द का अर्थ है।
इसके अलावा, शोधकर्ता ब्राजीलियाई पुर्तगाली पर काम कर रहे थे। जबकि अंग्रेजी टेक्स्ट के विशाल डेटाबेस मौजूद हैं जिनसे कंप्यूटर को सिखाया जा सकता है, इन पिक्चर बोर्ड्स का उपयोग करने वाले लोगों द्वारा लिखे गए पुर्तगाली वाक्यों का कोई बड़ा पुस्तकालय नहीं था। कंप्यूटर को "चित्रों की भाषा" सीखने की आवश्यकता थी।
समाधान: एक रोबोट को चित्र पढ़ना सिखाना
टीम ने BERTimbau नामक एक शक्तिशाली AI मस्तिष्क का उपयोग किया (जो प्रसिद्ध BERT मॉडल का एक संस्करण है जिसे पुर्तगाली के लिए प्रशिक्षित किया गया है)। यहाँ बताया गया है कि उन्होंने इसे अगला चित्र अनुमानित करना कैसे सिखाया:
1. प्रशिक्षण लाइब्रेरी (द कॉर्पस) बनाना
आप एक शेफ को सामग्री के बिना खाना बनाना नहीं सिखा सकते। शोधकर्ताओं को वाक्यों की एक "रेसिपी बुक" की आवश्यकता थी।
- चरण A: उन्होंने वास्तविक विशेषज्ञों (स्पीच थेरेपिस्ट और माता-पिता) से उन सामान्य वाक्यों को लिखने के लिए कहा जो इन उपयोगकर्ताओं द्वारा बोले जाते हैं।
- चरण B: उन्होंने एक सुपर-स्मार्ट AI (GPT-3) का उपयोग उन वाक्यों को पढ़ने और हजारों नए वाक्य लिखने के लिए किया जो बिल्कुल उन्हीं की तरह सुनाई देते थे।
- चरण C: उन्होंने इन टेक्स्ट वाक्यों को वापस चित्र अनुक्रमों (picture sequences) में बदल दिया।
- उपमा: कल्पना कीजिए कि एक कुत्ते को चीज़ें लाना सिखाना। पहले, आप उसे एक असली गेंद दिखाते हैं (मानवीय वाक्य)। फिर, आप एक रोबोट को गेंदों के हजारों चित्र बनाने के लिए कहते हैं (सिंथेटिक वाक्य) ताकि कुत्ता बहुत अभ्यास कर सके।
2. "अनुवाद" परीक्षण
अब उन्हें AI को यह सिखाना था कि चित्र कैसे "देखा" जाए। उन्होंने कंप्यूटर को एक चित्र का वर्णन करने के चार अलग-अलग तरीकों का परीक्षण किया:
- विधि A (कैप्शन): केवल वह शब्द उपयोग करें जो चित्र के नीचे लिखा है (जैसे, "बिल्ली")।
- विधि B (समानार्थी शब्द): समान शब्दों की एक सूची का उपयोग करें (जैसे, "बिल्ली," "बिलाव," "किटी")।
- विधि C (परिभाषा): एक डिक्शनरी की परिभाषा का उपयोग करें (जैसे, "एक छोटा पालतू मांसाहारी स्तनधारी")।
- विधि D (छवि): कंप्यूटर को वास्तविक चित्र फ़ाइल दिखाएं।
परिणाम: क्या सबसे अच्छा काम कर गया?
शोधकर्ताओं ने AI को यह देखने के लिए एक परीक्षण के माध्यम से चलाया कि कौन सी विधि सबसे अच्छा अनुमान लगाती है।
- विजेता: कैप्शंस (शब्द) और समानार्थी शब्द (Synonyms)।
- उपमा: यह पता चलता है कि कंप्यूटर सबसे अच्छी तरह सीखता है जब आप उसे चित्र का नाम बताते हैं। यदि आप कहते हैं "बिल्ली," तो वह जानता है कि क्या करना है। यदि आप समानार्थी शब्दों की सूची ("बिल्ली," "बिलाव") देते हैं, तो यह संदर्भ (कम "परप्लेक्सिटी," जो एक तकनीकी शब्द है जिसका अर्थ है कि कंप्यूटर कम भ्रमित है) का अनुमान लगाने में और भी बेहतर हो जाता है।
- हारने वाला: परिभाषाएं और छवियां।
- उपमा: कंप्यूटर को वास्तविक चित्र दिखाकर या लंबी डिक्शनरी परिभाषा देकर सिखाना इंजन मैकेनिक्स पर एक मैनुअल पढ़ने के माध्यम से किसी को गाड़ी चलाना सिखाने जैसा था। यह बहुत जटिल था और कंप्यूटर तेजी से नहीं सीख सका। "छवि" विधि विशेष रूप से खराब थी क्योंकि टेक्स्ट पढ़ने के लिए कंप्यूटर का "मस्तिष्क" और चित्र देखने के लिए उसका "मस्तिष्क" अलग-अलग भाषाएं बोलते हैं।
निष्कर्ष
पेपर यह निष्कर्ष निकालता है कि एक स्मार्ट पिक्चर-प्रेडिक्टर बनाने का सबसे अच्छा तरीका चित्रों को शब्दों की तरह मानना है।
- यदि आपके पास समानार्थी शब्दों की डिक्शनरी है: तो उसका उपयोग करें! यह कंप्यूटर को अर्थ को बेहतर ढंग से समझने में मदद करता है।
- यदि आपके पास नहीं है: तो बस चित्र के नीचे लिखे सरल शब्द का उपयोग करें। यह लगभग उतना ही अच्छा काम करता है और इसे सेटअप करना बहुत आसान है।
- इस विशिष्ट कार्य के लिए वास्तविक छवियों (images) के चक्कर में न पड़ें; यह बहुत भारी है और कंप्यूटर को अगला शब्द अनुमान लगाने में मदद नहीं करता है।
यह क्यों महत्वपूर्ण है
यह शोध उन लोगों को चश्मे का एक नया सेट देने जैसा है जो पिक्चर बोर्ड पर निर्भर हैं। सैकड़ों चित्रों को खोजने के बजाय, सिस्टम अब स्क्रीन के शीर्ष पर ही सबसे संभावित 5 या 10 चित्रों का सुझाव दे सकता है। इससे समय बचता है, निराशा कम होती है, और जटिल संचार आवश्यकताओं वाले लोगों को अपने विचार, भावनाएं और ज़रूरतें तेज़ी से साझा करने में मदद मिलती है।
संक्षेप में: उन्होंने एक कंप्यूटर को "शब्दों में अनुवाद करके" "चित्र भाषा" बोलना सिखाया, और उन्होंने पाया कि सबसे सरल अनुवाद (चित्र के नीचे का शब्द) अक्सर सबसे प्रभावी होता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।