A Picture is Worth a Thousand Tokens: How Vision Language Models Cut AI Energy Costs While Improving Accuracy
यह शोध पत्र यह प्रदर्शित करता है कि संख्यात्मक समय-श्रृंखला डेटा (numerical time-series data) को विजन-लैंग्वेज मॉडल्स के लिए 2D विजुअल प्लॉट्स में परिवर्तित करने से पारंपरिक टेक्स्ट-आधारित LLMs और सांख्यिकीय बेसलाइन्स की तुलना में एआई इन्फरेंस ऊर्जा लागत और कॉन्टेक्स्ट विंडो आवश्यकताओं को महत्वपूर्ण रूप से कम करते हुए साथ ही साथ बेहतर विसंगति पहचान (anomaly detection) सटीकता प्राप्त होती है।
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 सुपर-स्मार्ट रोबोट को संख्याओं की एक लंबी सूची देखकर कार के फ्लैट टायर को पहचानने के बारे में सिखाने की कोशिश कर रहे हैं। यह रोबोट एक "लार्ज लैंग्वेज मॉडल" (LLM) है, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो आमतौर पर शब्दों और वाक्यों को पढ़ता है। लेकिन यहाँ एक पेंच है: जब आप इसे कच्चे नंबरों (raw numbers) का डेटा देते हैं, तो इसे हर एक अंक को एक अलग शब्द की तरह पढ़ना पड़ता है। 381 नंबरों की एक सूची 50,000 छोटे "टोकन" (डेटा की बुनियादी इकाइयाँ) में बदल सकती है। यह बिल्कुल वैसा ही है जैसे किसी सुंदर सूर्यास्त का वर्णन करने के लिए उसके हर एक पिक्सेल के कलर कोड को एक-एक करके पढ़ा जाए। यह प्रक्रिया अविश्वसनीय रूप से धीमी है, इसमें भारी मात्रा में बिजली खर्च होती है, और अक्सर यह रोबोट को भ्रमित भी कर देती है क्योंकि संख्याएँ एक स्पष्ट कहानी नहीं बतातीं।
अब, सूची को पढ़ने के बजाय, कल्पना कीजिए कि आप रोबोट को डेटा की एक तस्वीर दिखा देते हैं—एक सरल लाइन ग्राफ। अचानक, रोबोट एक बार में पूरी तस्वीर देख लेता है। वह तुरंत एक उछाल या गिरावट को पहचान सकता है, ठीक वैसे ही जैसे एक इंसान करता है। यही "विज़न-लैंग्वेज मॉडल्स" (VLMs) की शक्ति है। ये ऐसे AI सिस्टम हैं जो इमेज (चित्र) और टेक्स्ट (पाठ) दोनों को एक साथ "देख" और "पढ़" सकते हैं। मुख्य सवाल जो वैज्ञानिक पूछ रहे हैं वह यह है: क्या डेटा को चित्रों में बदलने के लिए अतिरिक्त प्रयास करना सार्थक है? क्या ग्राफ दिखाने से ऊर्जा बचती है और AI अधिक स्मार्ट बनता है, या यह सिर्फ एक दिखावटी ट्रिक है? यह शोध पत्र इसी सवाल की गहराई में जाता है, विशेष रूप से सेल फोन नेटवर्क जैसे जटिल सिस्टम की निगरानी करने के संदर्भ में, जहाँ ऊर्जा की लागत और गति अत्यंत महत्वपूर्ण है।
तस्वीर हज़ार टोकन (और बहुत सारी ऊर्जा) के बराबर है
टेलीकॉम नेटवर्क की दुनिया में, चीजें हर समय गलत होती रहती हैं। एक सेल टॉवर अचानक काम करना बंद कर सकता है, या डेटा की गति गिर सकती है। इन समस्याओं को पकड़ने के लिए, इंजीनियर "KPIs" (की परफॉरमेंस इंडिकेटर्स) की निगरानी करते हैं—जो मूल रूप से संख्याओं का एक समूह है जो ट्रैक करता है कि नेटवर्क कैसा प्रदर्शन कर रहा है। पारंपरिक रूप से, वे इन नंबरों को AI मॉडल्स में फीड करते हैं ताकि समस्या वाले स्थानों का पता लगाया जा सके। लेकिन जैसा कि इस शोध पत्र के लेखकों ने पाया, एक मानक टेक्स्ट-आधारित AI को कच्चे नंबर देना एक तेज़ धार वाली पानी की बौछार (firehose) से पानी पीने जैसा है: यह अव्यवस्थित, अपव्ययी और कभी-कभी असंभव है।
समस्या: "टोकन" का विस्फोट
जब एक मानक AI संख्याओं की एक सूची पढ़ता है, तो वह उन्हें "टोकन" नामक छोटे टुकड़ों में तोड़ देता है। लेखकों ने पाया कि केवल 8 अलग-अलग नेटवर्क मेट्रिक्स से प्राप्त डेटा का एक मध्यम विंडो 46,101 से 59,803 टोकन के बीच में बदल सकता है। यह AI के लिए चबाने हेतु बहुत बड़ी मात्रा में डेटा है। चूंकि AI द्वारा उपयोग की जाने वाली ऊर्जा सीधे तौर पर इस बात पर निर्भर करती है कि उसे कितने टोकन पढ़ने हैं, इसलिए यह तरीका अविश्वसनीय रूप से महंगा है। यह एक अकेले रेत के कण को ले जाने के लिए डिलीवरी ट्रक का भुगतान करने जैसा है क्योंकि आपने ज़िद की कि उस कण को दस लाख अलग-अलग बक्सों में लपेटा जाए।
इसके अलावा, 24 अलग-अलग मेट्रिक्स पर, संख्याओं की सूची इतनी लंबी हो जाती है कि यह अधिकांश वर्तमान AI मॉडल्स की मेमोरी सीमाओं को तोड़ देती है। यह डेटा को समाहित करने के लिए बहुत अधिक है, जिससे इंजीनियरों को डेटा को बीच में ही रोकना पड़ता है और संभावित रूप से समस्या को मिस कर दिया जाता है।
समाधान: संख्याओं को कला में बदलना
लेखकों ने एक अलग दृष्टिकोण अपनाया: उन्होंने AI को कच्चे नंबर देना बंद कर दिया और उसे तस्वीरें खिलाना शुरू कर दिया। उन्होंने उसी डेटा को 2D लाइन ग्राफ (विजुअल प्लॉट्स) में बदल दिया। 50,000 टोकन पढ़ने के बजाय, AI को केवल कुछ हजार "विजुअल टोकन" देखने पड़े जो उस इमेज का प्रतिनिधित्व करते थे।
परिणाम आश्चर्यजनक रूप से अच्छे थे। चित्रों का उपयोग करके, टीम ने डेटा की मात्रा में भारी कमी हासिल की:
- उपयोग किए गए विशिष्ट AI मॉडल के आधार पर, 3.6 से 10.4 गुना कम टोकन की आवश्यकता पड़ी।
- इससे प्रति चेक खपत होने वाली ऊर्जा में 1.8 से 2.5 गुना की कमी आई।
इसे समझने के लिए, यदि एक टेलीकॉम नेटवर्क हर 15 मिनट में 200 सेल साइट्स की निगरानी कर रहा है, तो यह बदलाव हर दिन लगभग 7.2 मेगाजूल (MJ) ऊर्जा बचाता है। यह लगभग उस बिजली के बराबर है जो एक औसत अमेरिकी घर एक दिन में उपयोग करता है, जो केवल कंप्यूटर को डेटा दिखाने का तरीका बदलकर बचाया गया है।
यह केवल बिजली बचाने के बारे में नहीं है; यह स्मार्ट होने के बारे में भी है
सबसे आश्चर्यजनक बात यह है: ऊर्जा बचाने का मतलब यह नहीं था कि AI कम बुद्धिमान हो गया। वास्तव में, यह बेहतर हो गया।
- जब AI ने तस्वीरों को देखा, तो वह नेटवर्क की समस्याओं को पकड़ने में टेक्स्ट पढ़ने की तुलना में 220.7% अधिक सटीक था।
- इसने पुराने, विशेष गणितीय उपकरणों (जैसे LSTM और ARIMA) को 144% से अधिक के अंतर से पीछे छोड़ दिया।
- सार्वजनिक परीक्षणों में, एक मॉडल (Pixtral-12B) टेक्स्ट के बजाय इमेज का उपयोग करके समस्याओं को खोजने में 20.6 गुना अधिक कुशल बन गया।
ऐसा क्यों होता है? लेखक सुझाव देते हैं कि जब डेटा संख्याओं की एक सूची होता है, तो AI को बिंदुओं को जोड़ने के लिए सारा काम खुद करना पड़ता है। लेकिन जब यह एक तस्वीर होती है, तो समस्या का "आकार" (जैसे अचानक उछाल या धीमी गिरावट) उसके सामने होता है। AI पैटर्न को तुरंत देख सकता है, ठीक वैसे ही जैसे आप रबर के हर इंच के एयर प्रेशर को मापने की ज़रूरत के बिना कार के फ्लैट टायर को देख सकते हैं।
बारीक विवरण: उन्होंने इसका परीक्षण कैसे किया
शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने सब कुछ सावधानीपूर्वक मापा। उन्होंने वास्तविक 4G/5G नेटवर्क और सार्वजनिक क्लाउड डेटा का उपयोग करके तीन अलग-अलग प्रकार के उन्नत AI मॉडल्स (Llama-3.2-90B, Qwen2.5-VL-72B, और Pixtral-12B) का परीक्षण किया। उन्होंने यह मापने के लिए विशेष उपकरणों का उपयोग किया कि AI द्वारा पूछे गए प्रत्येक प्रश्न के लिए कंप्यूटर चिप्स ने वास्तव में कितनी बिजली का उपयोग किया।
उन्होंने यह भी परीक्षण किया कि क्या तस्वीरों को छोटा (कम रिज़ॉल्यूशन) करने से और भी अधिक ऊर्जा बचाई जा सकती है। उन्होंने पाया कि वे सटीकता को बरकरार रखते हुए छवियों को 75 DPI (डॉट्स प्रति इंच) तक सिकोड़ सकते थे, जिससे 24% अतिरिक्त ऊर्जा की बचत हुई। यह "एज" कंप्यूटिंग के लिए बहुत अच्छी खबर है, जहाँ AI सेल टावरों के पास स्थित छोटे, कम शक्तिशाली कंप्यूटरों पर चलता है, क्योंकि उन मशीनों की गर्मी और शक्ति की क्षमता सीमित होती है।
निष्कर्ष
यह शोध पत्र सिद्ध करता है कि कुछ प्रकार के डेटा के लिए—विशेष रूप से समय के साथ बहने वाली संख्याओं की धाराओं के लिए—उन्हें चित्रों में बदलना एक गेम-चेंजर है। यह केवल एक शानदार विजुअल ट्रिक नहीं है; यह एक व्यावहारिक इंजीनियरिंग समाधान है। विज़न-लैंग्वेज मॉडल्स का उपयोग करके, हम ऐसे AI सिस्टम बना सकते हैं जो तेज़ हैं, बहुत कम बिजली का उपयोग करते हैं, और वास्तव में उन टेक्स्ट-आधारित सिस्टम से बेहतर हैं जिनका हम वर्षों से उपयोग कर रहे हैं।
तकनीक के भविष्य के लिए, विशेष रूप से सेल टावरों जैसी जगहों पर जहाँ ऊर्जा कीमती है और जगह सीमित है, यह सुझाव देता है कि कंप्यूटर से बात करने का सबसे अच्छा तरीका शब्दों या नंबरों से नहीं, बल्कि एक सरल, स्पष्ट तस्वीर से हो सकता 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।