कल्पना कीजिए कि आप एक विशाल कारखाने में एक गुणवत्ता निरीक्षक (quality inspector) हैं जो चमकदार धातु के गियर से लेकर नाजुक कांच के फूलदानों तक सब कुछ बनाता है। आपका काम उस मामूली खरोंच या दरार को पहचानना है जो वहां नहीं होनी चाहिए। वास्तविक दुनिया में, यह एक दुस्वप्न है क्योंकि दोष (defects) दुर्लभ, अजीब और अप्रत्याशित होते हैं। आप एक टूटे हुए हिस्से को देखने से पहले लाखों सही गियर देख सकते हैं। यह एक कंप्यूटर के लिए यह सीखना बेहद कठिन बना देता है कि "टूटा हुआ" क्या दिखता है, क्योंकि उसे देखने के लिए "टूटे हुए" उदाहरण लगभग न के बराबर होते हैं।

तो, इंजीनियर एक चतुर समाधान निकालते हैं: कंप्यूटर को केवल यह सिखाएं कि एक "परफेक्ट" चीज़ कैसी दिखती है। यदि कंप्यूटर देखता है कि कुछ भी "परफेक्ट" पैटर्न से मेल नहीं खाता, तो वह उसे दोष के रूप में चिह्नित कर देता है। इसे 'अनोमली डिटेक्शन' (anomaly detection) कहा जाता है। लेकिन यहाँ एक पेंच है: क्या होगा यदि आप एक बिल्कुल नया उत्पाद बनाना शुरू करते हैं, जैसे कि एक भविष्यवादी टोस्टर, और आपके पास कंप्यूटर को सिखाने के लिए केवल चार परफेक्ट टोस्टर की तस्वीरें हैं? यह "फ्यू-शॉट" (few-shot) समस्या है। कंप्यूटर एक ऐसे छात्र की तरह है जिसे एक टेक्स्टबुक का एक पन्ना दिया गया है और फिर एक थीसिस लिखने के लिए कहा गया है। कंप्यूटर के लिए शॉर्टकट पर निर्भर करना आसान है, जैसे कि उन चार तस्वीरों के सटीक पिक्सेल को याद कर लेना, बजाय इसके कि वह एक "परफेक्ट" टोस्टर के विचार को सीखे। यदि वह शॉर्टकट पर निर्भर रहता है, तो वह एक असली खरोंच को मिस कर सकता है क्योंकि वह खरोंच उन तस्वीरों से थोड़ी अलग दिख सकती है जिन्हें उसने याद किया था।

यहीं पर पेपर ConceptADapt काम आता है। लेखक, जो शियान यूनिवर्सिटी (Xidian University) के एक दल हैं, एक नया तरीका प्रस्तावित करते हैं जिससे कंप्यूटर को दोषों को पहचानने के लिए सिखाया जा सके, भले ही उसके पास प्रशिक्षण डेटा बहुत कम हो। केवल तस्वीरों को याद करने के बजाय, उनका मॉडल "कॉन्सेप्ट्स" (concepts) का एक सेट सीखता है—इन्हें आप एक सामान्य वस्तु के दिखने के मूलभूत निर्माण खंड (building blocks) या "शब्दावली" के रूप में समझ सकते हैं। वे डायनेमिक अटेंशन (dynamic attention) नामक एक विशेष तकनीक का उपयोग करते हैं ताकि यह सुनिश्चित हो सके कि कंप्यूटर इन कॉन्सेप्ट्स के केवल सबसे महत्वपूर्ण हिस्सों पर ध्यान केंद्रित करे और शोर (noise) को अनदेखा करे। फिर, जब कोई नया उत्पाद सामने आता है, तो मॉडल "सामान्य" की अपनी समझ को उस विशिष्ट वस्तु के अनुरूप तेजी से ढाल लेता है, बिना भ्रमित हुए या नई त्रुटियां पैदा किए। उन्होंने तीन प्रमुख औद्योगिक डेटासेट्स (MVTec-AD, VisA, और MPDD) पर इसका परीक्षण किया और पाया कि उनकी विधि लगातार अधिक दोषों को पकड़ती है और उनके स्थानों को बेहतर ढंग से बताती है, विशेष रूप से तब जब प्रशिक्षण डेटा कम हो।

समस्या: "शॉर्टकट" और "कोल्ड स्टार्ट"

कल्पना कीजिए कि आप एक रोबोट को एक आदर्श सेब को पहचानना सिखाने की कोशिश कर रहे हैं। आप उसे सेबों की एक टोकरी देते हैं, और वह सीखता है कि "यह एक सेब है!" लेकिन फिर, आप उसे अध्ययन करने के लिए केवल एक परफेक्ट सेब की फोटो देते हैं और उसे एक पूरे बगीचे का निरीक्षण करना होता है। यह "फ्यू-शॉट" परिदृश्य है। रोबोट एक "कोल्ड स्टार्ट" स्थिति में है।

बहुत कम डेटा देने के साथ बड़ी समस्या यह है कि वह शॉर्टकट पर निर्भर रहने लगता है। मशीन लर्निंग में, इसे फीचर शॉर्टकट समस्या (feature shortcut problem) कहा जाता है। एक सेब को सेब बनाने वाले गहरे, जटिल नियमों (वक्र, बनावट, डंठल) को सीखने के बजाय, रोबकट केवल उस एक फोटो के सटीक पिक्सेल पैटर्न को याद कर सकता है। यदि बगीचे में नया सेब थोड़ा घूम गया है या रोशनी थोड़ी अलग है, तो रोबोट सोच सकता है कि यह एक दोष है क्योंकि यह फोटो से पूरी तरह मेल नहीं खाता। या इससे भी बुरा, वह एक असली दोष को सामान्य मान सकता है क्योंकि वह उस एक फोटो जैसा दिखता है जिसे उसने याद किया था।

समाधान: एक "कॉन्सेप्ट लाइब्रेरी" बनाना

ConceptADapt के लेखकों ने केवल फोटो याद करने के बजाय कॉन्सेप्ट्स सीखना शुरू करने का निर्णय लिया।

एक कॉन्सेप्ट को लेगो ब्रिक (Lego brick) की तरह समझें। आपको यह जानने के लिए कि घर क्या है, हर संभावित घर की फोटो की आवश्यकता नहीं है; आपको बस यह जानने की आवश्यकता है कि "दीवार," "छत," और "खिड़की" कैसी दिखती है। इस पेपर में, मॉडल उपलब्ध कुछ तस्वीरों से "नॉर्मल कॉन्सेप्ट्स" का एक सेट प्री-लर्न करता है। ये केवल छवियों की धुंधली प्रतियां नहीं हैं; ये उन विशेषताओं के अमूर्त सारांश (abstract summaries) हैं जो एक उत्पाद को सामान्य बनाते हैं।

यह सुनिश्चित करने के लिए कि रोबोट शॉर्टकट पर निर्भर न हो और हर इमेज के हर हिस्से के लिए सभी कॉन्सेप्ट्स का उपयोग करने की कोशिश न करे (जिससे शॉर्टकट समस्या होती है), वे डायनेमिक अटेंशन (Dynamic Attention) तंत्र का उपयोग करते हैं। अंधेरे कमरे में एक स्पॉटलाइट की कल्पना करें। जब रोबोट इमेज के एक हिस्से को देखता है, तो स्पॉटलाइट केवल उन विशिष्ट "कॉन्सेप्ट ब्रिक्स" पर चमकती है जो उस समय प्रासंगिक हैं। यदि रोबोट एक चिकनी धातु की सतह को देख रहा है, तो स्पॉटलाइट "रफ टेक्सचर" (rough texture) के कॉन्सेप्ट को अनदेखा कर देती है। यह "स्पार्स" (sparse) फोकस मॉडल को सटीक होने के लिए मजबूर करता है और उसे पूरी तस्वीर को याद करके शॉर्टकट पर निर्भर होने से रोकता है।

जादुई ट्रिक: LoRA के साथ "फास्ट अडैप्टेशन"

एक बार जब मॉडल इन कॉन्सेप्ट्स को सीख लेता है, तो उसके सामने एक नई चुनौती आती है: बिना कुछ भूले या भ्रमित हुए एक नए उत्पाद पर इनका उपयोग कैसे किया जाए?

आमतौर पर, जब आप किसी मॉडल को कुछ नया सिखाने की कोशिश करते हैं, तो आपको इसे पूरी तरह से फिर से प्रशिक्षित (retrain) करना पड़ता है, जो धीमा और जोखिम भरा है। ConceptADapt एक चतुर शॉर्टकट जिसका उपयोग करता है जिसे LoRA (Low-Rank Adaptation) कहा जाता है। कल्पना कीजिए कि मॉडल किताबों का एक विशाल, भारी पुस्तकालय (कॉन्सेप्ट्स) है। जब एक नया उत्पाद आता है, तो पूरी किताबें फिर से लिखने के बजाय, मॉडल बस किताब के अंतिम पृष्ठ पर एक छोटा, हल्का "स्टिकी नोट" जोड़ देता है। यह स्टिकी नोट जानकारी को उस नए उत्पाद के अनुकूल बनाने के लिए पर्याप्त रूप से समायोजित करता है, लेकिन मुख्य लाइब्रेरी अछूती रहती है।

यह "इन्फरेंस टाइम" (जब रोबोट वास्तव में निरीक्षण कर रहा होता है) पर होता है। मॉडल अपने सीखे हुए कॉन्सेप्ट्स को फ्रीज कर देता है और केवल इस छोटे, हल्के स्तर (layer) को अपडेट करता है। यह इसे बिना "प्रोटोटाइप शिफ्ट" (prototype shift) के जोखिम के—जो कि एक फैंसी तरीका है यह कहने का कि मॉडल गलती से यह भूल न जाए कि "सामान्य" क्या दिखता है—नए उत्पादों के प्रति तुरंत अनुकूल होने की अनुमति देता है।

उन्होंने इसका परीक्षण कैसे किया

टीम ने अपने विचार का परीक्षण तीन प्रसिद्ध औद्योगिक डेटासेट्स पर किया:

1. MVTec-AD: 15 विभिन्न वस्तुओं और बनावटों का संग्रह, जैसे केबल, कालीन और बोतलें।
2. VisA: बहुत जटिल और कठिन दोषों वाली हाई-रिज़ॉल्यूशन छवियां।
3. MPDD: संरचनात्मक विविधताओं वाले धातु के पुर्जे।

उन्होंने एक "फ्यू-शॉट" चुनौती आयोजित की जहाँ मॉडल को निरीक्षण करने से पहले एक परफेक्ट आइटम की केवल 1, 2, या 4 तस्वीरें दिखाई गईं। उन्होंने अपनी विधि की तुलना वर्तमान स्टेट-ऑफ-द-आर्ट (SOTA) मॉडल्स से की।

परिणाम: अदृश्य को पहचानना

परिणाम प्रभावशाली थे। 1-शॉट सेटिंग (जहाँ मॉडल ने केवल एक परफेक्ट फोटो देखी) में, ConceptADapt ने लगातार अन्य विधियों को पछाड़ दिया।

• MVTec-AD डेटासेट पर, इसने 1 शॉट के साथ 97.4% की इमेज-लेवल सटीकता (AUROC) हासिल की, जो पिछले सर्वश्रेष्ठ 96.4% से अधिक है।
• पेचीदा VisA डेटासेट पर, इसने 1 शॉट के साथ 92.8% सटीकता प्राप्त की, जबकि अगले सर्वश्रेष्ठ मॉडल की सटीकता 82.2% थी।

पेपर सुझाव देता है कि मॉडल "लोकलाइजेशन" (localization) में विशेष रूप से अच्छा है, जिसका अर्थ है कि यह केवल यह नहीं कहता कि "यह टूटा हुआ है," बल्कि यह भी बता सकता है कि खरोंच ठीक कहाँ है। VisA डेटासेट में, उनकी विधि ने एक मजबूत प्रतिस्पर्धी की तुलना में "पर-रीजन ओवरलैप" (PRO) स्कोर को 89.0% से बढ़ाकर 94.5% कर दिया, जिसका अर्थ है कि इसने वास्तविक दोषपूर्ण क्षेत्र को अधिक सटीक रूप से खोजा।

यह क्यों मायने रखता है

लेखकों का तर्क है कि उनका दृष्टिकोण औद्योगिक निरीक्षण में दो मुख्य समस्याओं को हल करता है:

1. शॉर्टकट समस्या: स्पार्स अटेंशन और कॉन्सेप्ट्स का उपयोग करके, मॉडल पिक्सेल को याद करने के बजाय "नॉर्मलिटी" के सार (essence) को सीखता है, जिससे शॉर्टकट पर निर्भर होना कठिन हो जाता है।
2. अडैप्टेशन समस्या: अपने कॉन्सेप्ट्स को फ्रीज करके और केवल एक छोटे स्तर (LoRA) को अपडेट करके, मॉडल यह भूलने के जोखिम के बिना कि "सामान्य" क्या दिखता है, नए उत्पादों के अनुकूल तेजी से हो सकता है।

पेपर निष्कर्ष निकालता है कि यह "कॉन्सेप्ट-गाइडेड" दृष्टिकोण औद्योगिक निरीक्षण के लिए एक स्थिर और लचीला तरीका प्रदान करता है जब डेटा कम हो। यह सुझाव देता है कि कंप्यूटर को अधिक डेटा खिलाने के बजाय, हमें उसे यह समझने के लिए सिखाना चाहिए कि किसी उत्पाद के मूलभूत निर्माण खंड क्या होने चाहिए। हालांकि पेपर यह दावा नहीं करता कि यह दुनिया की हर समस्या को हल कर देता है, लेकिन प्रयोगों से पता चलता है कि बहुत कम उदाहरणों के साथ दोषों को खोजने के विशिष्ट कार्य के लिए, यह विधि एक महत्वपूर्ण प्रगति है।