कल्पना कीजिए कि आप एक रोबोट को सैटेलाइट तस्वीरों के विशाल, अनंत समुद्र में विशिष्ट चीजों को पहचानना सिखाने की कोशिश कर रहे हैं। शायद आप जहाजों, हवाई जहाजों या कारों को खोजना चाहते हैं। रोबोट स्मार्ट है, लेकिन बिना शिक्षक के वह अंधा है। सीखने के लिए, उसे हजारों तस्वीरें दिखानी होंगी जहाँ एक इंसान ने हर एक वस्तु के चारों ओर एक बॉक्स बनाया हो, और उसे बताया हो, "यह एक जहाज है," या "यह एक कार है।" इस प्रक्रिया को "एनोटेशन" (annotation) कहा जाता है, और यह अविश्वसनीय रूप से महंगा और उबाऊ है। इंसानों को छोटे-छोटे पिक्सल को घूरना पड़ता है और घंटों तक बॉक्स खींचकर इधर-उधर करना पड़ता है।

यहाँ आता है एक्टिव लर्निंग (Active Learning)। इसे एक सुपर-स्मार्ट ट्यूटर की तरह समझें जो छात्र को पाठ्यपुस्तक के हर एक सवाल पर अभ्यास करने के लिए मजबूर नहीं करता। इसके बजाय, ट्यूटर उसके कमजोर बिंदुओं को देखता है और कहता है, "तुम गणित में बहुत अच्छे हो, लेकिन तुम भिन्नों (fractions) में बार-बार गलती कर रहे हो। चलो अगले एक घंटे के लिए सिर्फ भिन्नों का ही अभ्यास करते हैं।" AI की दुनिया में, इसका मतलब है कि कंप्यूटर उन सबसे भ्रमित करने वाली या सबसे उपयोगी तस्वीरों को चुनता है जिन्हें एक इंसान को लेबल करना चाहिए, जिससे समय और पैसा बचता है। लेकिन यहाँ एक पेच है: जब रोबोट बिल्कुल नया होता है (जिसे "कोल्ड-स्टार्ट" चरण कहा जाता है), तो वह इतना भ्रमित होता है कि वह यह भी नहीं बता सकता कि कौन सी तस्वीरें सबसे अधिक भ्रमित करने वाली हैं। वह गलत जगहों पर बॉक्स बना सकता है, जिससे मानव शिक्षक के लिए यह जानना मुश्किल हो जाता है कि उसे क्या ठीक करना है। यह शोध पत्र इस उलझे हुए शुरुआती दौर को हल करने की कोशिश करता है, जिसमें वह रोबोट को एक अलग तरह के सुपर-स्मार्ट AI से बने "ट्रेनिंग व्हील्स" (सहायक पहिए) प्रदान करता है।

---

समस्या: एक रोबोट जो अपने बॉक्स नहीं ढूँढ पाता

रिमोट सेंसिंग (अंतरिक्ष से पृथ्वी को देखना) की दुनिया में, वस्तुओं को खोजना कठिन है। वस्तुएं छोटी हैं, कोण अजीब हैं, और उनकी संख्या बहुत अधिक है। रोबोट को यह करने के लिए सिखाने वाली मौजूदा विधियाँ रोबोट के अपने अनुमानों पर निर्भर करती हैं ताकि यह तय किया जा सके कि आगे क्या सीखना है। लेकिन जब रोबोट अभी शुरुआत ही कर रहा होता है, तो उसके अनुमान डगमगाते हुए होते हैं। वह यह कहने में तो काफी अच्छा हो सकता है कि "वह एक जहाज है!" (वर्गीकरण/classification), लेकिन उसके चारों ओर बॉक्स बनाने (लोकलइज़ेशन/localization) में बहुत बुरा हो सकता है। यह उस छात्र की तरह है जो जानता है कि उत्तर "42" है, लेकिन टेस्ट पेपर पर उसे गलत लाइन पर लिख देता है।

क्योंकि शुरुआत में रोबोट के बॉक्स इतने बिखरे हुए होते हैं, इसलिए "एक्टिव लर्निंग" ट्यूटर भी भ्रमित हो जाता है। उसे लगता है कि ये बिखरे हुए बॉक्स ही सीखने के लिए सबसे महत्वपूर्ण चीजें हैं, या वह नकली विविधता (fake variety) से विचलित हो जाता है (यह सोचकर कि दो थोड़े अलग बिखरे हुए बॉक्स दो पूरी तरह से अलग चीजें हैं)। इससे बहुत समय बर्बाद होता है और कई निराश मानव एनोटेटर्स को बार-बार बॉक्स को फिर से बनाना पड़ता है।

समाधान: सुपर-टीचर्स की एक टीम

इस पेपर के लेखक एक नया ढांचा प्रस्तावित करते हैं जो मदद के लिए एक "फाउंडेशन मॉडल" (Foundation Model) को लाता है। फाउंडेशन मॉडल को एक सामान्यज्ञ जीनियस की तरह समझें जिसने दुनिया में लगभग सब कुछ देखा है और जानता है कि वस्तुएं सामान्य रूप से कैसी दिखती हैं, भले ही उसे अभी उनके विशिष्ट नाम न पता हों।

उन्होंने दो मुख्य सहायकों के साथ मिलकर एक सिस्टम बनाया है जो एक साथ काम करते हैं:

1. "स्थिर हाथ" (SA-source): यह सहायक UPN और SAM2 नामक एक शक्तिशाली AI का उपयोग करता है। कल्पना कीजिए कि UPN एक स्काउट की तरह है जो पूरी छवि पर जाल फेंकता है, और हर उस चीज़ को पकड़ लेता है जो एक वस्तु हो सकती है, चाहे वह कुछ भी हो। फिर SAM2 एक सटीक सर्जन की तरह कार्य करता है, वस्तु के सटीक आकार को काटता है और उसके चारों ओर एक आदर्श बॉक्स बनाता है। यह सहायक वस्तु का नाम नहीं जानता; यह बस एक अत्यंत स्थिर, सटीक ज्यामितीय बॉक्स प्रदान करता है। यह वे "ट्रेनिंग व्हील्स" हैं जो रोबोट को गिरने से बचाते हैं।
2. "स्मार्ट गेस" (OD-source): यह वही रोबोट है जिसे वास्तव में प्रशिक्षित किया जा रहा है। यह छवि को देखता है और अनुमान लगाने की कोशिश करता है कि वस्तु क्या है और वह कहाँ है।

वे एक साथ कैसे काम करते हैं: जादुई स्विच

पेपर में एक चतुर तरीका पेश किया गया है जिससे इन दोनों सहायकों को जोड़ा जाता है, जिसे वे फाउंडेशन-एनहांस्ड डुअल-सोर्स अनसर्टेंटी (Foundation-Enhanced Dual-Source Uncertainty) कहते हैं।

भ्रमित रोबोट से, "तुम क्या सोचते हो?" पूछने और उसके बिखरे हुए उत्तर को स्वीकार करने के बजाय, सिस्टम "स्थिर हाथ" से सटीक बॉक्स स्थान मांगता है और "स्मार्ट गेस" से नाम पूछता है। फिर यह दोनों की तुलना करता है। यदि रोबोट का नाम के लिए अनुमान संदिग्ध है, या यदि उसका बॉक्स "स्थिर हाथ" के सटीक बॉक्स से मेल नहीं खाता है, तो सिस्टम जान जाता है कि वह छवि एक मानव द्वारा लेबल किए जाने के लिए एक बेहतरीन उम्मीदवार है। यह "कोल्ड-स्टार्ट" समस्या को हल करता है क्योंकि सिस्टम निर्णय लेने के लिए रोबोट के डगमगाते बॉक्सों पर निर्भर नहीं है; यह संदर्भ के रूप में फाउंडेशन मॉडल से प्राप्त ठोस बॉक्सों का उपयोग कर रहा है।

उन्होंने "छद्म-विविधता" (pseudo-diversity) नामक समस्या को भी ठीक किया है। कभी-कभी, "स्थिर हाथ" एक ही वस्तु को दो छोटे, ओवरलैपिंग टुकड़ों के रूप में पकड़ सकता है। एक सामान्य सिस्टम सोच सकता है, "वाह, दो अलग चीजें!" और एक ही चीज़ को दो बार लेबल करने में मानव का समय बर्बाद कर सकता है। लेखकों ने एक "फ्रैगमेंटेशन सप्रेशन" (खंडन दमन) नियम जोड़ा है जो कहता है, "हे, ये दो बॉक्स मूल रूप से एक ही चीज़ हैं; चलो इन्हें एक ही गिनते हैं।" यह सुनिश्चित करता है कि मानव एनोटेटर वास्तविक अलग वस्तुओं की एक विस्तृत विविधता देखे, न कि केवल बिखरे हुए डुप्लिकेट्स।

तेज़ लेबलिंग के लिए "बॉक्स स्विच"

उनकी खोज का सबसे दिलचस्प हिस्सा डुअल-सोर्स बॉक्स स्विचिंग (DSBS) है। जब एक मानव एनोटेटर लेबल करने के लिए एक छवि खोलता है, तो सिस्टम उसे रोबोट का बिखरा हुआ, डगमगाता हुआ बॉक्स नहीं दिखाता। इसके बजाय, यह उसे बदल देता है! यह रोबोट का नाम (जैसे, "वह एक जहाज है") का अनुमान लेता है लेकिन बिखरे हुए बॉक्स को "स्थिर हाथ" के सटीक बॉक्स से बदल देता है।

यह ऐसा है जैसे आप एक वीडियो गेम खेल रहे हों जहाँ दुश्मन हिल रहा है, लेकिन गेम आपके लिए क्रॉसहेयर को दुश्मन के बिल्कुल केंद्र पर स्वचालित रूप से सेट कर देता है। आपको बस पुष्टि करने के लिए बटन दबाना है। यह इंसान को लगातार बॉक्स को खींचने और आकार बदलने की परेशानी से बचाता है, जो इस काम का सबसे उबाऊ हिस्सा है। पेपर सुझाव देता है कि यह विशेष रूप से शुरुआत में मददगार है, जब रोबोट अभी चलना सीख रहा होता है।

उन्होंने क्या पाया

लेखकों ने सैटेलाइट छवियों के चार अलग-अलग डेटासेट्स (DIOR, HRSC2016, DOTAv2, और FAIR1M) पर इस सिस्टम का परीक्षण किया। उन्होंने पाया कि:

• बेहतर शुरुआत: शुरुआती चरणों में (जब उनके पास केवल कुछ ही लेबल की गई छवियां थीं), उनकी विधि अन्य विधियों की तुलना में सही छवियों को चुनने में बहुत बेहतर थी। इसने रोबोट को तब तेजी से सीखने में मदद की जब वह सबसे अधिक भ्रमित था।
• कम काम: "बॉक्स स्विच" का उपयोग करके, उन्होंने बॉक्स को ठीक करने में बिताए गए मानव समय को काफी कम कर दिया। सिस्टम ने सुझाव दिया कि यह पूरी प्रक्रिया को तेज करने का एक व्यावहारिक तरीका है।
• कोई नकली विविधता नहीं: उनका "छद्म-विविधता" को रोकने का तरीका अच्छी तरह से काम करता है, यह सुनिश्चित करता है कि मानव एनोटेटर्स अपना समय दोहराव वाली, खंडित वस्तुओं पर बर्बाद न करें।

परिणामों ने दिखाया कि उनका दृष्टिकोण अधिकांश बजटों में मौजूदा विधियों के समान या बेहतर परिणाम प्राप्त करता है, जिसमें लेबलिंग के बजट के बहुत कम होने पर विशेष रूप से मजबूत बढ़त मिली। उन्होंने यह दावा नहीं किया कि उन्होंने भविष्य के लिए AI एनोटेशन की पूरी समस्या को हल कर दिया है, बल्कि उन्होंने सुझाव दिया कि इन "फाउंडेशन मॉडल" उपकरणों को एक्टिव लर्निंग के साथ मिलाना इन डेटासेट्स को बनाने की प्रक्रिया को तेज़, सस्ता और कम निराशाजनक बनाने का एक बहुत ही आशाजनक तरीका है।