Toward Uncertainty Quantification in Modern Art
यह शोध पत्र एक नवीन प्रोटोकॉल और आधुनिक कला एनीमेशन में जनरेटिव अनिश्चितता (generative uncertainty) को मापने के लिए पहले समर्पित संग्रह (corpus) को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि स्रोत-अंध (source-blind), बहु-आयामी अनुमानक (multi-dimensional estimators) विभिन्न प्रकार के अर्थ संबंधी विविधताओं के बीच प्रभावी ढंग से अंतर कर सकते हैं और निष्ठावान चित्रणों की पहचान कर सकते हैं, जो पारंपरिक स्केलर-आधारित अनिश्चितता मेट्रिक्स की तुलना में काफी बेहतर प्रदर्शन करते 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 निर्देशक हैं जो एक जादुई, अदृश्य कैमरा क्रू को एक एकल, अस्पष्ट निर्देश के आधार पर एक दृश्य फिल्माने के लिए कह रहे हैं: "इस पेंटिंग को चलते हुए दिखाओ।" आर्टिफिशियल इंटेलिजेंस की दुनिया में, ये "कैमरे" टेक्स्ट-टू-वीडियो मॉडल हैं, और ये "पेंटिंग्स" आधुनिक कला (मॉडर्न आर्ट) हैं। आधुनिक कला विशेष है क्योंकि इसे व्याख्या के लिए खुला रखने के लिए डिज़ाइन किया गया है; एक एकल अमूर्त आकार किसी के लिए तूफान और किसी के लिए नृत्य जैसा दिख सकता है। जब आप एआई से इस पेंटिंग को फिल्माने के लिए कहते हैं, तो वह केवल एक फिल्म नहीं बनाता; वह कई फिल्में बनाता है, जो इस बात पर निर्भर करता है कि शुरुआत में चुना गया एक छोटा सा रैंडम नंबर, जिसे "सीड" (seed) कहा जाता है, क्या है। कभी-कभी ये सीड्स ऐसी फिल्में बनाते हैं जो एक-दूसरे से बहुत अलग होती हैं।
लंबे समय तक, वैज्ञानिक जो यह मापने की कोशिश कर रहे थे कि एआई कितना "भ्रमित" या "अनिश्चित" है, उन्होंने एक साधारण पैमाने का उपयोग किया है: वे बस यह मापते हैं कि फिल्में एक-दूसरे से कितनी दूर हैं और एक एकल संख्या देते हैं, जैसे "10 में से 5"। लेकिन यह यह बताने जैसा है कि लोगों का एक समूह "शोर मचा रहा है" बिना यह बताए कि क्या वे सभी एक ही बात चिल्ला रहे हैं, या क्या एक व्यक्ति चीख रहा है जबकि अन्य फुसफुसा रहे हैं, या क्या वे दो अलग-अलग भाषाओं में बहस कर रहे हैं। बड़ा सवाल जिसका यह शोध पत्र समाधान निकालता है, वह यह है: क्या हम एआई द्वारा उत्पन्न वीडियो के एक समूह को देख सकते हैं और यह पता लगा सकते हैं कि वे कैसे अलग हैं, न कि केवल यह कि वे कितने अलग हैं? यह महत्वपूर्ण है क्योंकि यदि कोई एआई कला बना रहा है, तो हम चाहते हैं कि यह पता चले कि क्या वह हमें रचनात्मक विचारों की एक समृद्ध विविधता प्रदान कर रहा है या वह केवल गड़बड़ी कर रहा है और मूल कलाकृति को पकड़ने में विफल हो रहा है।
शोधकर्ताओं ने इस निर्णय के साथ काम करना शुरू किया कि वे केवल एकल "शोर" वाले पैमाने का उपयोग करना बंद कर देंगे और इसके बजाय एआई के भ्रम के आकार का विश्लेषण करने के लिए एक परिष्कृत जासूसी किट (detective kit) बनाएंगे। उन्होंने आधुनिक कला के कैप्शन से उत्पन्न वीडियो के समूहों का विश्लेषण करने का एक नया तरीका बनाया। उनके तरीके का उपयोग करके, वे केवल यह नहीं कहते कि "ये वीडियो अलग हैं," बल्कि उनके तरीके के विशिष्ट प्रश्न हैं: क्या वीडियो एक ही घने समूह में सिमटे हुए हैं? क्या कोई एक अजीब वीडियो है जो एक अलग पहचान (outlier) की तरह उभर कर आता है? क्या वीडियो के दो अलग-अलग समूह हैं, जैसे दो अलग-अलग व्याख्याएं ध्यान खींचने के लिए लड़ रही हों? या क्या वीडियो बिना किसी स्पष्ट पैटर्न के हर जगह बिखरे हुए हैं?
इसका परीक्षण करने के लिए, उन्होंने 1,000 वीडियो का एक विशाल पुस्तकालय बनाया। उन्होंने आधुनिक कला का वर्णन करने वाले 250 कैप्शन लिए और एक शक्तिशाली एआई मॉडल, Wan2.1, को प्रत्येक कैप्शन के लिए चार अलग-अलग रैंडम सीड्स का उपयोग करके चार अलग-अलग वीडियो उत्पन्न करने के लिए कहा। महत्वपूर्ण रूप से, एआई ने मूल कलाकृति को कभी नहीं देखा; उसने केवल टेक्स्ट विवरण को देखा। शोधकर्ताओं ने इन वीडियो पर अपनी नई "जासूसी किट" चलाई।
परिणाम बेहद दिलचस्प थे। सबसे पहले, उन्होंने पाया कि उनकी नई किट सफलतापूर्वक समूह के "आकार" की पहचान कर सकती थी। यह एक घने समान वीडियो के समूह और एक अजीब आउटलियर वाले समूह के बीच लगभग पूर्ण सटीकता (98% सटीकता) के साथ अंतर बता सकती थी, जबकि पुराना एकल-संख्या वाला तरीका अंतर देख ही नहीं पाया। उन्होंने यह भी खोजा कि उच्च अनिश्चितता का मतलब हमेशा यह नहीं होता कि एआई विफल हो रहा है। कभी-कभी, एआई कई संस्करण बनाता है जो अभी भी मूल कला की भावना को पूरी तरह से पकड़ते हैं (रेफरेंस कवरिंग)। अन्य समय में, एआई कई संस्करण बनाता है, लेकिन उनमें से कोई भी वास्तव में मूल कला जैसा नहीं दिखता (रेफरेंस मिसिंग)। उनका नया प्रोटोकॉल इस अंतर को पहचान सकता है, जिसे पुराने तरीके नहीं पहचान सके।
हालाँकि, इस शोध पत्र ने कुछ महत्वपूर्ण "नो-गो" (no-go) संकेत भी दिए। भले ही नई किट अनिश्चितता के आकार का वर्णन करने में महान है, लेकिन यह सटीक रूप से यह अनुमान लगाने में बेहतर नहीं रही कि एआई किन बातों पर असहमत होगा (जैसे कि एआई को लगा कि पेंटिंग उदासी के बारे में थी या क्रोध के बारे में)। पुराना, सरल "कितनी दूर हैं" वाला नंबर उस तरह के असहमति की भविष्यवाणी करने में उतना ही अच्छा था। इसके अलावा, शोधकर्ताओं ने पुष्टि की कि मूल कलाकृति को देखे बिना वीडियो को देखना (सोर्स ब्लाइंड) आपको यह बता सकता है कि एआई प्रॉम्प्ट की व्याख्या कैसे कर रहा है, लेकिन यह आपको यह नहीं बता सकता कि क्या एआई मूल कला की वफादारी से नकल कर रहा है।
संक्षेप में, यह शोध पत्र यह सिद्ध करता है कि हम एआई के रचनात्मक विकल्पों की संरचना को समझने के लिए सरल संख्याओं से आगे बढ़ सकते हैं। अब हम यह बता सकते हैं कि क्या एआई वैध व्याख्याओं की एक विविध श्रृंखला पेश कर रहा है या वह केवल व्यर्थ में प्रयास कर रहा है। हालांकि यह जादू से एआई को भविष्य बताने में बेहतर नहीं बनाता है, लेकिन यह हमें यह समझने के लिए एक बहुत अधिक सटीक उपकरण देता है कि ये रचनात्मक मशीनें कैसे सोचती हैं, जिससे हमें यह तय करने में मदद मिलती है कि हमें उनके आउटपुट को स्वीकार करना है या फिर से बनाने के लिए कहना है। शोधकर्ताओं ने अपना कोड और अपने 1,000 वीडियो का पुस्तकालय साझा किया है ताकि अन्य लोग देखने के इस नए तरीके का उपयोग कर सकें।
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।