AI vs Human Expert Reasoning: Assessing Agreements in Building Typology Predictions based on Street View Imagery
यह अध्ययन प्रदर्शित करता है कि विजन-लैंग्वेज मॉडल, विशेष रूप से जब उन्हें चेन-ऑफ-थॉट प्रॉम्प्टिंग के साथ उन्नत किया जाता है, दृश्य पैटर्न पहचान का लाभ उठाकर स्ट्रीट व्यू इमेजरी से भवन टिपोलॉजी (building typologies) की भविष्यवाणी करने में लगभग 70% सटीकता प्राप्त कर सकते हैं, हालांकि वे व्यापक संदर्भ संकेतों और डोमेन ज्ञान पर कम निर्भर रहने के कारण मानव विशेषज्ञों से भिन्न होते हैं।
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 शहर को समझने की कोशिश कर रहे हैं, लेकिन इसके बजाय कि आप उसकी सड़कों पर चलें, आप उसे एक विशाल, हाई-टेक कैमरे के माध्यम से देख रहे हैं जो जमीन से ऊपर तक सब कुछ देख सकता है। यह शहरी विश्लेषण (urban analysis) की दुनिया है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक और योजनाकार यह मैप करने की कोशिश करते हैं कि शहर कैसे काम करते हैं, इमारतों के निर्माण में उपयोग की जाने वाली सामग्री से लेकर उनमें कितनी मंजिलें हैं तक। लंबे समय तक, यह जानकारी प्राप्त करने के लिए, विशेषज्ञों को हर एक इमारत का दौरा करना पड़ता था, नोट्स लेने पड़ते थे और अनुमान लगाना पड़ता था कि उसका उपयोग किस लिए किया जा रहा है—जो एक धीमी, महंगी और थका देने वाली नौकरी थी। लेकिन हाल ही में, एक नए प्रकार का "मस्तिष्क" इस खेल में आया है: विजन-लैंग्वेज मॉडल (VLM)। एक VLM को एक सुपर-स्मार्ट रोबोट के रूप में समझें जिसने इंटरनेट की लगभग हर किताब पढ़ी है और साथ ही "देखना" भी सीखा है। यह एक घर की फोटो देखकर न केवल यह बता सकता है कि वह कैसा दिखता है, बल्कि यह भी कि वह किस चीज़ से बना है, उसमें कितनी मंजिलें हैं, और लोग उसके अंदर क्या करते हैं, और यह सब देखने के साथ-साथ अपनी भाषाई जानकारी को जोड़कर कर सकता है। बड़ा सवाल जो हर कोई पूछ रहा है वह यह है: क्या यह रोबोट एक मानव विशेषज्ञ, जैसे कि एक आर्किटेक्ट या इंजीनियर की तरह अच्छा काम कर सकता है, खासकर उन जगहों पर जहाँ डेटा मिलना मुश्किल है?
यह शोध पत्र उस सवाल को उत्तरी जकार्ता, इंडोनेशिया की हलचल भरी, अराजक और जीवंत सड़कों तक ले जाता है, एक ऐसी जगह जहाँ इमारतें अक्सर हाथों से बनाई जाती हैं, समय के साथ उनमें बदलाव किए जाते हैं, और वे हमेशा आधिकारिक नियमों का पालन नहीं करती हैं। शोधकर्ताओं ने यह देखना चाहा कि क्या ये AI रोबल्स स्ट्रीट-व्यू फोटो देखकर हजारों इमारतों की "टाइपोलॉजी" (टाइप और उपयोग के लिए एक फैंसी शब्द) का सही अनुमान लगा सकते हैं। उन्होंने तीन सबसे प्रसिद्ध AI मॉडलों—GPT-4o, Claude 3.5 Sonnet, और Gemini 2.0 Flash—और मानव विशेषज्ञों की एक टीम के बीच एक मैत्रीपूर्ण प्रतियोगिता आयोजित की। इंसानों ने, जो सिविल इंजीनियर और आर्किटेक्ट हैं, अपने वर्षों के प्रशिक्षण के आधार पर सही उत्तर प्रदान करके "गोल्ड स्टैंडर्ड" के रूप में कार्य किया। AI मॉडलों को निर्देशों का एक विशेष सेट, या "प्रॉम्प्ट्स" दिए गए, यह देखने के लिए कि क्या उन्हें "स्टेप-बाय-स्टेप सोचने" (जिसे चेन-ऑफ-थॉट तकनीक कहा जाता है) के लिए कहना उन्हें बेहतर ग्रेड दिलाने में मदद करेगा।
परिणाम प्रभावशाली ऊंचाइयों और कुछ मजेदार, मानवीय गलतियों का मिश्रण थे। AI मॉडल बुनियादी चीजों का अनुमान लगाने में काफी अच्छे निकले। जब बात यह गिनने की आई कि इमारत में कितनी मंजिलें हैं, तो रोबोट और इंसान 70% से 80% बार सहमत थे। यह ऐसा है जैसे AI ऊंचाई का अनुमान लगाने के लिए खिड़कियों को गिनने में बहुत अच्छा है। हालाँकि, जब बात यह अनुमान लगाने की आई कि इमारत का उपयोग क्या था (जैसे दुकान, घर, या कारखाना), तो सहमति गिरकर लगभग 60-70% हो गई। AI कभी-कभी भ्रमित हो जाता था क्योंकि एक घर और एक छोटी दुकान सड़क से देखने में बहुत समान लग सकती हैं। अध्ययन में पाया गया कि "चेन-ऑफ-थॉट" पद्धति, जहाँ AI को अपना उत्तर देने से पहले अपने तर्क को समझाने के लिए मजबूर किया जाता है, मॉडलों को अधिक स्थिर और विश्वसनीय बनाती है, ठीक वैसे ही जैसे एक छात्र टेस्ट में बेहतर प्रदर्शन करता है जब वह अपना काम दिखाता है।
सबसे दिलचस्प खोजों में से एक यह था कि AI और इंसान कैसे अलग तरह से सोचते हैं। AI एक ऐसे जासूस की तरह था जो केवल उसी पर भरोसा करता है जो वह अपनी आँखों से देख सकता है: इसने "दीवारों", "खिड़कियों", "सामग्री" और "ऊंचाई" जैसी भौतिक चीजों पर बहुत अधिक ध्यान केंद्रित किया। दूसरी ओर, मानव विशेषज्ञ अनुभवी स्थानीय लोगों की तरह थे जो उस इलाके को जानते थे। उन्होंने उन्हीं तस्वीरों को देखा लेकिन साथ ही इलाके के "वाइब" (माहौल), इमारत की स्थिति और पड़ोस के संदर्भ पर भी विचार किया। उदाहरण के लिए, यदि कोई इमारत थोड़ी पुरानी दिख रही थी लेकिन एक व्यस्त बाजार क्षेत्र में थी, तो एक इंसान अनुमान लगा सकता था कि यह एक दुकान है, जबकि AI इसे सिर्फ "पुरानी ईंटें" देखकर एक गोदाम मान सकता था। पेपर सुझाव देता है कि हालांकि AI अभी पूरी तरह से परफेक्ट नहीं है, फिर भी यह मनुष्यों द्वारा किए जाने वाले लगभग 70% काम को कर सकता है, और यह बहुत बड़े पैमाने पर, एक मामूली समय में 30,000 इमारतों को देख सकता है।
शोधकर्ता निष्कर्ष निकालते हैं कि ये AI उपकरण, विशेष रूप से अस्त-व्यस्त, अनौपचारिक मोहल्लों में इमारत के उपयोग का अनुमान लगाने जैसे कठिन कार्यों के लिए, मानव विशेषज्ञों को पूरी तरह से बदलने के लिए तैयार नहीं हैं। हालाँकि, वे शक्तिशाली साथी हैं। वे एक "फर्स्ट पास" के रूप में कार्य कर सकते हैं, तेजी से हजारों छवियों को छाँट सकते हैं ताकि योजनाकारों को एक विचार मिल सके कि उनका शहर कैसा दिखता है, जो उन जगहों के लिए एक बड़ी मदद है जहाँ डेटा दुर्लभ या पुराना है। अध्ययन दिखाता है कि दृश्य पैटर्न को पहचानने की AI की क्षमता को संदर्भ को समझने की मानवीय विशेषज्ञता के साथ जोड़कर, हम अपने शहरों की एक बहुत स्पष्ट तस्वीर बना सकते हैं। यह रोबोट के जीतने के बारे में नहीं है; यह रोबोट और इंसान के मिलकर शहरी दुनिया की पहेली को सुलझाने के बारे में 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।