OmniAD: Detect and Understand Industrial Anomaly via Multimodal Reasoning
OmniAD एक नवीन मल्टीमॉडल फ्रेमवर्क है जो टेक्स्ट-आधारित मास्क एनकोडिंग और विजुअल-गाइडेड रीजनिंग का लाभ उठाकर औद्योगिक सेटिंग्स में विसंगति का पता लगाने (anomaly detection) और समझ (understanding) को एकीकृत करता है, जो सुपरवाइज्ड फाइन-ट्यूनिंग और रिइन्फोर्समेंट लर्निंग की एक हाइब्रिड प्रशिक्षण रणनीति के माध्यम से MMAD बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करता 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
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन किसी अपराध स्थल के बजाय, आप एक फैक्ट्री के फर्श को देख रहे हैं। आपका काम उस एक छोटी सी, अजीब चीज़ को ढूँढना है जो वहाँ नहीं होनी चाहिए—जैसे कि एक चमकदार धातु के पुर्जे पर खरोंच, एक काजू के दाने पर अजीब सा दाग, या एक सर्किट बोर्ड में गायब हुआ पेंच। कंप्यूटर की दुनिया में, इसे "अनोमली डिटेक्शन" (anomaly detection) कहा जाता है। लंबे समय तक, इसे करने का सबसे स्मार्ट तरीका दो अलग-अलग विशेषज्ञों को काम पर रखना था: एक जो आवर्धक लेंस (magnifying glass) की तरह काम करे जो अजीब धब्बे को उजागर करे, और दूसरा जो एक जासूस की तरह सुराग पढ़े और समझाए कि क्या गलत है। लेकिन यहाँ एक पेच है: कभी-कभी आवर्धक लेंस गलत दिशा में इशारा करता है, या वह उस धब्बे को लेकर इतना जुनूनी हो जाता है कि वह बाकी तस्वीर को देखना भूल जाता है। यह पेपर एक नए प्रकार के जासूस से परिचय कराता है जिसे अलग से आवर्धक लेंस की आवश्यकता नहीं है। इसके बजाय, यह सीखता है कि अजीब धब्बे को देखना और उसका अर्थ समझना, दोनों एक ही बार में, एक सहज विचार प्रक्रिया के माध्यम से कैसे किया जाए। यह इसलिए महत्वपूर्ण है क्योंकि फैक्ट्रियों में, दोष (defect) कहाँ है और वह समस्या क्यों है, यह जानना उतना ही महत्वपूर्ण है जितना कि केवल यह जानना कि वह मौजूद है।
यह पेपर एक नया सिस्टम पेश करता है जिसे OmniAD कहा जाता है, जो एक "मल्टीमॉडल लार्ज लैंग्वेज मॉडल" (एक फैंसी AI जो चित्र देख सकता है और टेक्स्ट पढ़ सकता है) है, जिसे एक साथ खोजने और समझाने के लिए डिज़ाइन किया गया है। शोधकर्ताओं ने पाया कि काम करने का पुराना तरीका—जहाँ एक AI को देखने के लिए कहाँ देखना है, इसके बारे में एक अलग डिटेक्टर से "संकेत" मिलता है—वास्तव में थोड़ा टूटा हुआ है। वे इसे "एक्सपर्ट-एड" (Expert-Aid) प्रतिमान कहते हैं। यह एक जासूस से केस सुलझाने के लिए कहने जैसा है जबकि कोई दूसरा व्यक्ति चिल्ला रहा हो, "यहाँ देखो! वहाँ देखो!" समस्या यह है कि चिल्लाने वाला व्यक्ति गलत हो सकता है, या वह इतना शोर मचा सकता है कि जासूस अपनी खुद की सोच छोड़ देता है और बस उंगली के इशारे का अनुसरण करने लगता है। इससे गलतियाँ होती हैं, खासकर जब दोष सूक्ष्म हो या बैकग्राउंड जटिल हो।
इसे ठीक करने के लिए, OmniAD एक चतुर तकनीक का उपयोग करता है जिसे सेमेंटिक अनोमली एनकोडिंग (Semantic Anomaly Encoding) कहा जाता है। एक बाहरी टूल पर निर्भर रहने के बजाय जो दोष के चारों ओर एक बॉक्स बनाए, AI अपने स्वयं के आंतरिक "भाषा" का उपयोग करके अजीब धब्बे का वर्णन करना सीखता है। कल्पना कीजिए कि AI काजू के दाने की एक तस्वीर देख रहा है और सोच रहा है, "ठीक है, इस नट के ऊपरी दाएं हिस्से में एक टेक्सचर है जो बाकी चिकनी और मलाईदार रंग के विपरीत खुरदरा और भूरा है।" वह उस दृश्य विचित्रता को अपने ही दिमाग के भीतर एक टेक्स्ट विवरण में बदल देता है। यह टेक्स्ट फिर उसके तर्क के लिए एक मार्गदर्शक के रूप में कार्य करता है। AI केवल यह नहीं कहता कि "वहाँ एक दोष है"; बल्कि वह कहता है, "मैं यहाँ एक टेढ़ा-मेढ़ा टेक्सचर देख रहा हूँ, जो चिकनी रेखा को तोड़ता है, इसलिए यह काजू शायद टूटा हुआ है।" इस प्रक्रिया को विजुअल गाइडेड टेक्स्टुअल रीजनिंग (Visual Guided Textual Textual Reasoning) कहा जाता है। यह ऐसा है जैसे AI खुद से बात कर रहा हो, उस दृश्य सुराग का उपयोग कर रहा हो जो उसने अभी खोजा है ताकि वह एक बेहतर स्पष्टीकरण लिख सके।
लेखकों ने विभिन्न औद्योगिक डेटासेट्स पर इस विचार का परीक्षण किया, जिसमें MMAD नामक एक डेटासेट भी शामिल है। उन्होंने पाया कि OmniAD, अन्य AI मॉडल्स (जिनमें GPT-4o जैसे प्रसिद्ध मॉडल भी शामिल हैं) की तुलना में दोषों को खोजने और उन्हें समझाने, दोनों में बहुत बेहतर था। वास्तव में, MMAD टेस्ट पर, OmniAD की औसत सटीकता 79.9% रही, जिसने पिछले सर्वश्रेष्ठ ओपन-सोर्स मॉडल को एक बड़े अंतर से पीछे छोड़ दिया। पेपर सुझाव देता है कि "खोजने" और "समझाने" को एक ही मस्तिष्क के भीतर रखने से AI अधिक विश्वसनीय हो जाता है। यह शोर वाले संकेतों से भ्रमित नहीं होता, और न ही यह पूरी तस्वीर देखना भूल जाता है।
शोधकर्ताओं ने यह भी खोजा कि AI को दो चरणों में प्रशिक्षित करना महत्वपूर्ण था। पहले, उन्होंने उसे दोषों के बारे में बात करने के बुनियादी नियम सिखाए (सुपरवाइज्ड फाइन-ट्यूनिंग)। फिर, उन्होंने उसे समस्याएँ हल करने का अभ्यास करने दिया और उसे केवल तभी पुरस्कृत किया जब उसे सही उत्तर और सही स्पष्टीकरण मिला (GRPO या ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइज़ेशन नामक एक विधि का उपयोग करके)। इस संयोजन ने AI को सटीक और तार्किक दोनों होने में मदद की। पेपर दिखाता है कि यह "इंट्रिंसिक" (intrinsic) दृष्टिकोण—जहाँ AI स्वयं साक्ष्य उत्पन्न करता है और तुरंत उसका उपयोग करता है—विभिन्न उपकरणों के बीच सुरागों को पास करने के पुराने तरीके की तुलना में औद्योगिक समस्याओं को संभालने का एक बहुत अधिक मजबूत तरीका है। हालाँकि यह पेपर दावा नहीं करता कि यह दुनिया की हर संभव समस्या को हल कर देगा, लेकिन इसके परिणाम दृढ़ता रूप से संकेत देते हैं कि सोचने का यह एकीकृत तरीका फैक्ट्रियों में AI को स्मार्ट और अधिक सहायक बनाने की दिशा में एक बड़ा कदम 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।