Behavioral Geometric Supervision Aligns Video Foundation Models with Human Social Perception
यह शोध पत्र बिहेवियरल ज्योमेट्रिक सुपरविजन (BGS) को प्रस्तुत करता है, जो एक हाइब्रिड ऑब्जेक्टिव है जो एम्बेडिंग ज्योमेट्री को मानव समानता निर्णयों के अनुरूप सीमित करके वीडियो फाउंडेशन मॉडल्स को मानवीय सामाजिक धारणा के साथ संरेखित करता है, जिससे मॉडल भाषा-आधारित बेसलाइन से काफी बेहतर प्रदर्शन करने, व्याख्या योग्य सामाजिक-भावात्मक गुणों को विकसित करने और उन विशेषताओं पर स्पष्ट प्रशिक्षण के बिना सामाजिक रूप से सूचनात्मक क्षेत्रों पर ध्यान केंद्रित करने में सक्षम होते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
बड़ी समस्या: AI देखता है, पर लोगों को "समझता" नहीं है
कल्पना कीजिए कि आप एक बहुत ही स्मार्ट AI और एक इंसान को दो लोगों के बीच बहस का एक वीडियो दिखाते हैं।
- इंसान तुरंत सामाजिक बारीकियों को समझ जाता है: "वे निराश हैं लेकिन फिर भी एक-दूसरे की परवाह कर रहे हैं," या "यह एक हंसी-मजाक वाली प्रतियोगिता है।"
- AI (विशेष रूप से आज के सबसे बेहतरीन वीडियो मॉडल) मुख्य रूप से केवल चलते हुए पिक्सल देखता है। वह यह पहचान तो सकता है कि "एक व्यक्ति हाथ उठा रहा है" या "कोई चिल्ला रहा है," लेकिन वह लोगों के बीच के संबंध या भावना को समझने में विफल रहता है।
शोधकर्ताओं ने पाया कि यदि आप एक AI से तीन वीडियो क्लिप्स में से किन्हीं दो को सबसे समान बताने के लिए कहते, तो वह एक साधारण टेक्स्ट-आधारित AI से भी खराब प्रदर्शन करता जो केवल वीडियो का वर्णन करने वाले कैप्शन पढ़ता है। दूसरे शब्दों में, AI सामाजिक गतिशीलता को समझने के लिए वास्तव में "फिल्म देखने" के बजाय केवल "फिल्म के सारांश" को पढ़ने में बेहतर था।
समाधान: "अलग दिखने वाली चीज़" (Odd-One-Out) के खेल से AI को सिखाना
शोधकर्ता बिना महंगे ब्रेन स्कैन या भारी मात्रा में नए डेटा के इसे ठीक करना चाहते थे। उन्होंने बिहेवियरल ज्योमेट्रिक सुपरविज़न (BGS) नामक एक विधि पेश की।
इसे एक बच्चे को भावनाओं को पहचानने के लिए सिखाने जैसा समझें, जहाँ उसे कोई पाठ्यपुस्तक नहीं दी जाती, बल्कि एक खेल खिलाया जाता है:
- खेल: AI को तीन छोटे वीडियो क्लिप दिखाएं। उससे पूछें: "इनमें से कौन सा अलग है?" (जैसे, "दो क्लिप्स में दोस्त गले मिल रहे हैं, एक में अजनबी लड़ रहे हैं। कौन सा अलग है?")
- मानवीय शिक्षक: इंसानों ने यह खेल हजारों बार खेला, जिससे इस बात का एक विशाल मानचित्र (map) तैयार हुआ कि हम सामाजिक समानताओं को कैसे देखते हैं।
- पाठ: शोधकर्ताओं ने AI को केवल सही उत्तर नहीं बताया। उन्होंने AI के आंतरिक "मस्तिष्क" को इस तरह समायोजित किया कि वीडियो के बीच "दूरी" की उसकी गणितीय समझ मानवीय मानचित्र के अनुरूप हो जाए। यदि इंसानों को लगा कि वीडियो A और वीडियो B बहुत समान हैं, तो AI को मजबूर किया गया कि वह A और B के आंतरिक प्रतिनिधित्व (representation) को एक-दूसरे के बहुत करीब रखे।
जादुмयी सामग्रियां (The Magic Ingredients)
इसे कुशलतापूर्वक काम करने के लिए, उन्होंने दो मुख्य उपकरणों का उपयोग किया:
- LoRA (लो-रैंक अडैप्टेशन): कल्पना कीजिए कि वीडियो AI एक विशाल, भारी पुस्तकालय है। पूरे पुस्तकालय को फिर से बनाने के बजाय, उन्होंने एक छोटा, हल्का "नोटबुक" जोड़ा (AI के मस्तिष्क के 2% से भी कम हिस्से को अपडेट किया) जिसने नए सामाजिक नियमों को सीखा। यह तेज़ और सस्ता था।
- हाइब्रिड लॉस (लोकल + ग्लोबल): उन्होंने AI को एक साथ दो तरीकों से सिखाया:
- लोकल (Local): "सुनिश्चित करें कि यह विशिष्ट जोड़ी उस दूसरी जोड़ी की तुलना में अधिक करीब है" (जैसे कि खेल के विशिष्ट उत्तरों को सही करना)।
- ग्लोबल (Global): "सुनिश्चित करें कि संबंधों का पूरा मानचित्र मानवीय मानचित्र जैसा ही दिखे" (जैसे कि सामाजिक दुनिया के सामान्य आकार को समझना)।
परिणाम: क्या बदला?
इस प्रशिक्षण के बाद, AI न केवल खेल में बेहतर हुआ; बल्कि इसने मौलिक रूप से दुनिया को देखने का अपना तरीका बदल लिया।
- उसने टेक्स्ट AI को हरा दिया: प्रशिक्षित वीडियो मॉडल, कैप्शन पढ़ने वाले टेक्स्ट-आधारित मॉडलों की तुलना में मानवीय सामाजिक निर्णयों से मेल खाने में बेहतर हो गए। यह साबित करता है कि AI ने कुछ ऐसा दृश्य (visual) सीखा जो केवल शब्दों से नहीं पकड़ा जा सकता था।
- उसने "अदृश्य" गुणों को सीखा: "क्रोध," "प्रसन्नता," या "प्रभुत्व" का अर्थ बताए बिना ही, AI ने अपने आप इन अवधारणाओं को पहचानना शुरू कर दिया। यह उस छात्र की तरह है जो "दोस्ती" के कई उदाहरणों का अध्ययन करने के बाद, अचानक यह महसूस कर लेता है कि वे बिना किसी परिभाषा के "विश्वास" को पहचान सकते हैं।
- उसने सही चीजों पर ध्यान दिया: प्रशिक्षण से पहले, AI बैकग्राउंड या शरीर के अंगों पर ध्यान देता था। प्रशिक्षण के बाद, उसका ध्यान चेहरों, आंखों और हाथों पर स्थानांतरित हो गया—वही स्थान जहाँ इंसान सामाजिक बातचीत को समझने के लिए देखते हैं।
- वह अपनी पुरानी कला नहीं भूला: आमतौर पर, जब आप किसी AI को नया हुनर सिखाते हैं, तो वह पुराने हुनर भूल जाता है। लेकिन यह AI अभी भी मानक क्रियाओं (जैसे "नाचना" या "दौड़ना") को पहले की तरह ही पहचानने में सक्षम था। इसने अपने मूल कौशल को खोए बिना सामाजिक समझ को जोड़ लिया।
निष्कर्ष (The Bottom Line)
यह शोध पत्र दिखाता है कि वीडियो AI मॉडल्स के पास पहले से ही मानवीय सामाजिक अंतःक्रियाओं को समझने के लिए कच्चा डेटा मौजूद है, लेकिन वे इसके प्रति "सोए हुए" हैं। मानवीय व्यवहार के थोड़े से डेटा का उपयोग करके (लोगों द्वारा "अलग दिखने वाली चीज़" का खेल खेलने के माध्यम से), शोधकर्ता इस सामाजिक समझ को "जगा" सके।
उन्होंने सिद्ध किया कि आपको AI को मानवीय व्यवहार के जटिल नियमों के साथ प्रोग्राम करने की आवश्यकता नहीं है; आपको बस यह दिखाने की आवश्यकता है कि मनुष्य वीडियो की आपस में तुलना कैसे करते हैं, और AI स्वाभाविक रूप से दुनिया को हमारे तरीके से देखना सीख जाएगा।
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।