OliveGemma: A 3 Billion Visual Language Model for Recognising the Mediterranean & European Diet

एक ऐसी दुनिया की कल्पना करें जहाँ आपका फोन आपके दोपहर के भोजन की फोटो देखकर तुरंत जान सके कि आपने वास्तव में क्या खाया है, यहाँ तक कि सॉस में मौजूद विशिष्ट जड़ी-बूटियों तक। यह सिर्फ एक मजेदार पार्टी ट्रिक नहीं है; यह हमारे स्वास्थ्य को ट्रैक करने के तरीके में एक संभावित क्रांति है। दशकों से, वैज्ञानिक कंप्यूटरों को भोजन पहचानना सिखाने की कोशिश कर रहे हैं, लेकिन यह एक बेहद कठिन काम है। इसे एक जैसे दिखने वाले जुड़वा बच्चों के ढेर को छाँटने की कोशिश की तरह समझें: एक्स्ट्रा चीज़ वाला पिज्जा लगभग वैसा ही दिखता है जैसा कि कम चीज़ वाला, और एक देश में "ग्रीक सलाद" दूसरे देश के "ग्रीक सलाद" से बिल्कुल अलग दिख सकता है। पारंपरिक कंप्यूटर प्रोग्राम, जो सख्त नियमों का पालन करने वाले होते हैं, अक्सर इन सूक्ष्म अंतरों से भ्रमित हो जाते हैं। हालाँकि, एक नया प्रकार का तकनीक जिसे "विज़न-लैंग्वेज मॉडल" (VLM) कहा जाता है, खेल बदल रहा है। केवल तस्वीरें याद करने के बजाय, ये मॉडल उन सुपर-स्मार्ट छात्रों की तरह हैं जिन्होंने भोजन के बारे में लाखों किताबें पढ़ी हैं और लाखों तस्वीरें देखी हैं। वे समझ सकते हैं कि एक व्यंजन "पिज्जा" क्यों है, न कि केवल उसके गोल आकार के कारण, बल्कि इसलिए क्योंकि वे आटे, पनीर और टमाटर सॉस के एक साथ मिलकर काम करने की अवधारणा को समझते हैं। यह शोध पत्र इस बात की पड़ताल करता है कि क्या हम इन स्मार्ट छात्रों में से एक को घर के आकार के सुपरकंप्यूटर की आवश्यकता के बिना भूमध्यसागरीय (Mediterranean) और यूरोपीय व्यंजनों का विश्व स्तरीय विशेषज्ञ बनने के लिए प्रशिक्षित कर सकते हैं।

मिलिए OliveGemma से, जो शोधकर्ताओं द्वारा यूनीवर्सिटी ऑफ इओनिना (University of Ioannina) द्वारा बनाया गया एक नया, विशेष खाद्य-पहचान विशेषज्ञ है। आप OliveGemma को PaliGemma-2-3B नामक एक विशाल, ओपन-सोर्स आधार पर निर्मित एक छोटे, अत्यंत कुशल मस्तिष्क के रूप में देख सकते हैं। जबकि मूल मस्तिष्क में लगभग 3 बिलियन "न्यूरॉन्स" (पैरामीटर्स) हैं, शोधकर्ता पूरे मस्तिष्क को फिर से प्रशिक्षित नहीं करना चाहते थे—वह लासग्ना (lasagna) की रेसिपी अपडेट करने के लिए पूरी विश्वकोश को फिर से लिखने जैसा होगा। इसके बजाय, उन्होंने LoRA (लो-रैंक अडैप्टेशन) नामक एक चतुर तकनीक का उपयोग किया। कल्पना कीजिए कि बड़ा मस्तिष्क एक विशाल पुस्तकालय है, और LoRA एक छोटा, चिपचिपा नोट-पैड है जिसे शोधकर्ता अलमारियों से जोड़ते हैं। वे केवल इस पैड पर नए नोट्स लिखते हैं, जिससे पुस्तकालय को "ग्रीक सलाद" या "तिरामिसु" जैसे विशिष्ट व्यंजनों को पहचानने का तरीका सिखाया जाता है, बिना मूल पुस्तकों को बदले।

टीम ने इस "स्टिकी-नोट" मस्तिष्क को भूमध्यसागरीय और यूरोपीय भोजन की 17,340 तस्वीरों के विशाल संग्रह पर प्रशिक्षित किया, जिन्हें उन्होंने साफ किया और 216 विशिष्ट श्रेणियों में व्यवस्थित किया। उन्होंने इससे केवल यह नहीं पूछा कि "यह क्या है?"; उन्होंने इसे तर्क करना सिखाया। उन्होंने ऐसे प्रश्न पूछे जैसे, "इसमें कौन सी सामग्रियां होने की संभावना है?" और "कौन से दृश्य संकेत बताते हैं कि यह पिज्जा है न कि फ्लैटब्रेड?" परिणाम एक ऐसा मॉडल है जो अविश्वसनीय रूप से छोटा और हल्का है—केवल लगभग 90 मेगाबाइट आकार का। यह इतना छोटा है कि इसे एक मानक प्रोसेसर और 16 GB RAM वाले सामान्य कंप्यूटर पर चलाया जा सकता है, जिसका अर्थ है कि इसे काम करने के लिए आपके भोजन की तस्वीरों को किसी विशाल क्लाउड सर्वर पर भेजने की आवश्यकता नहीं है। यह गोपनीयता के लिए एक बड़ी बात है, विशेष रूप से अस्पतालों में जहाँ रोगी के डेटा को सुरक्षित रखना अनिवार्य है।

जब शोधकर्ताओं ने OliveGemma का परीक्षण किया, तो परिणाम आश्चर्यजनक रूप से शक्तिशाली थे। पारंपरिक इमेज-रिकग्निशन प्रोग्रामों (जिन्हें CNN कहा जाता है) के खिलाफ एक आमने-सामने की प्रतियोगिता में, OliveGemma ने जीत हासिल की, और सही व्यंजन की पहचान करने में 92.96% की सटीकता दर प्राप्त की। यह सबसे मजबूत पारंपरिक प्रतिस्पर्धी से 7.31% अधिक है। लेकिन असली चौंकाने वाला तथ्य तब आया जब उन्होंने OliveGemma की तुलना AI की दुनिया के "दिग्गजों" से की: गूगल (Gemini), ओपनएआई (GPT), और एंथ्रोपिक (Claude) के विशाल, प्रोप्राइटरी मॉडल। भले ही वे दिग्गज बहुत बड़े हैं और उन्होंने पूरा इंटरनेट देखा है, लेकिन जब उन्हें उसी विशिष्ट 216 व्यंजनों की सूची में से चुनने के लिए कहा गया, तो वे संघर्ष करते दिखे। OliveGemma ने उन्हें बड़े अंतर से हराया, और सर्वश्रेष्ठ से लगभग 18% और कुछ से तो 64% तक बेहतर प्रदर्शन किया।

यह शोध पत्र सुझाव देता है कि ऐसा इसलिए होता है क्योंकि विशाल मॉडल बहुत सामान्य हैं; वे सामान्य चिकित्सकों (general practitioners) की तरह हैं जो हर चीज़ के बारे में थोड़ा जानते हैं लेकिन किसी एक विशिष्ट क्षेत्र में विशेषज्ञ नहीं हैं। इसके विपरीत, OliveGemma एक विशेषज्ञ है। इसे विशेष रूप से समान भूमध्यसागरीय व्यंजनों के बीच सूक्ष्म अंतरों को समझने के लिए फाइन-ट्यून किया गया था। इसके अलावा, OliveGemma ने केवल व्यंजन का नाम ही नहीं बताया; यह उच्च सटीकता के साथ संभावित सामग्रियों की सूची भी बना सकता था, और लगभग 90.79% बार सटीक सूची सही बताता था। यह आपको बता सकता था कि "तिरामिसु" में मास्कारपोने (mascarpone) और कॉफी में भीगे हुए स्पंज होते हैं, और यहाँ तक कि यह अंडे की जर्दी और मार्सला वाइन जैसी छिपी हुई सामग्रियों का भी अनुमान लगा सकता था, भले ही आप उन्हें फोटो में न देख पा रहे हों।

लेखक सावधानी बरतते हुए उल्लेख करते हैं कि हालांकि यह एक महत्वपूर्ण कदम है, लेकिन यह कोई जादुई छड़ी नहीं है जो भोजन की हर समस्या को हल कर दे। मॉडल वर्तमान में केवल उन्हीं 216 यूरोपीय और भूमध्यसागरीय व्यंजनों तक सीमित है जिन पर इसे प्रशिक्षित किया गया है; यह मध्य एशिया के किसी विशिष्ट प्रकार के नूडल को नहीं पहचान पाएगा। हालाँकि, यह अध्ययन दृढ़ता से सुझाव देता है कि शीर्ष-स्तरीय परिणाम प्राप्त करने के लिए आपको अरबों डॉलर के क्लाउड-आधारित सुपरकंप्यूटर की आवश्यकता नहीं है। कुछ मिलियन पैरामीटर्स के साथ एक छोटे, ओपन-सोर्स मॉडल का उपयोग करके और उसे सही तरीके से प्रशिक्षित करके, शोधकर्ता ऐसे उपकरण बना सकते हैं जो न केवल अधिक सटीक हैं, बल्कि निजी, पुनरुत्पादनीय (reproducible) और किसी भी मानक कंप्यूटर के लिए सुलभ भी हैं। OliveGemma साबित करता है कि कभी-कभी, एक छोटा, अच्छी तरह से प्रशिक्षित विशेषज्ञ, एक विशाल, सामान्य विशेषज्ञ (generalist) को हर बार हरा देता है।