Human-JEPA: A Human-Centric Vision Model that Perceives and Anticipates
ह्यूमन-जेपीए (Human-JEPA) एक मानव-केंद्रित विजन मॉडल है जिसे एंकरड फोरकास्टिंग के माध्यम से वीडियो पर प्रशिक्षित किया गया है, जो मौजूदा विशेषज्ञों की तुलना में काफी कम मापदंडों के साथ स्टेट-ऑफ-द-आर्ट स्टैटिक परसेप्शन और भविष्य के पूर्वानुमान को एक साथ प्राप्त करता है, जिससे गति की समझ और मॉडल कोलैप्स की पिछली सीमाओं को पार किया गया 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
मानव दृष्टि एक दोहरी इंजन है। यह केवल यह रिकॉर्ड नहीं करती कि अभी क्या हो रहा है; यह लगातार इस बात का अनुकरण (सिमुलेशन) भी करती है कि आगे क्या होने वाला है। जब आप किसी को कप उठाने के लिए हाथ बढ़ाते हुए देखते हैं, तो आपका मस्तिष्क एक साथ उस व्यक्ति की पहचान करता है, उनकी मुद्रा (पोस्चर) को ट्रैक करता है, और हाथ के पहुँचने से पहले ही सटीक भविष्यवाणी करता है कि उनका हाथ कहाँ लैंड करेगा। दशकों तक, आर्टिफिशियल इंटेलिजेंस इस समीकरण के दूसरे हिस्से को दोहराने के लिए संघर्ष करता रहा है। जबकि मशीनें एक एकल फोटोग्राफ का विश्लेषण करने में असाधारण रूप से कुशल हो गई हैं—किसी व्यक्ति के चेहरे, उनके कपड़ों या उनकी मुद्रा की पहचान करना—वे समय के प्रवाह के प्रति काफी हद तक अंधी रही हैं। वे एक स्थिर छवि का विस्तार से वर्णन कर सकती हैं, लेकिन वे वीडियो के भीतर भविष्य की गति का पूर्वानुमान नहीं लगा सकतीं। इस अंतर ने मानव समझ के एक महत्वपूर्ण हिस्से को कंप्यूटरों की पहुंच से बाहर कर दिया है, जिससे उनकी दुनिया के साथ स्वाभाविक या सुरक्षित रूप से बातचीत करने की क्षमता सीमित हो गई है।
एक नया अध्ययन 'ह्यूमन-जेपा' (Human-JEPA) नामक एक प्रणाली पेश करता है, जिसे इस विभाजन को पाटने के लिए डिज़ाइन किया गया है। शोधकर्ताओं ने एक ऐसा मॉडल बनाया है जो केवल वीडियो फुटेज का उपयोग करके वर्तमान को समझने और भविष्य का पूर्वानुमान लगाने को एक साथ सीखता है, जिसमें किसी मानवीय लेबल या मैनुअल एनोटेशन की आवश्यकता नहीं होती। उनकी खोज का मूल आधार यह है कि उन्होंने इस प्रणाली को कैसे प्रशिक्षित किया। मशीनों को मानव गति के बारे में सिखाने के पिछले प्रयास अक्सर विफल रहे क्योंकि सीखने की प्रक्रिया स्वयं त्रुटिपूर्ण थी। जब सिस्टम वीडियो से सीखने की कोशिश करता था, तो वह शरीर के विवरण, जैसे कि अंग का आकार या कपड़ों की बनावट को समझने की अपनी क्षमता को चुपचाप खो देता था, जबकि वह स्थिर पैटर्न की नकल करने पर बहुत अधिक ध्यान केंद्रित करता था। शोधकर्ताओं ने पाया कि मानव रूप की अपनी स्मृति को एक निश्चित शुरुआती बिंदु पर स्थिर करके और सिस्टम को अतीत के छूटे हुए हिस्सों को भरने के बजाय भविष्य की भविष्यवाणी करने के लिए मजबूर करके, वे इस पतन (collapse) को रोक सकते थे। परिणाम स्वरूप एक ऐसा मॉडल प्राप्त हुआ जो क्षेत्र के पिछले लीडर्स की तुलना में काफी छोटा है, फिर भी मानव गति को ट्रैक करने और व्यक्तियों की पहचान करने में उनसे बेहतर प्रदर्शन करता है, और साथ ही यह अनुमान लगाने की क्षमता भी बनाए रखता है कि आगे क्या होगा।
टीम के सामने चुनौती यह थी कि मौजूदा शक्तिशाली मॉडल स्थिर छवियों पर प्रशिक्षित थे। ये मॉडल एक तस्वीर को पढ़ने में उत्कृष्ट हैं, लेकिन वे गति को नहीं समझते। लोगों को गति में समझने वाला सिस्टम बनाने के लिए, शोधकर्ताओं ने एक वीडियो-आधारित मॉडल से शुरुआत की जिसने इंटरनेट से सामान्य पैटर्न पहले ही सीख लिए थे। फिर उन्होंने इसे मनुष्यों पर ध्यान केंद्रित करने के लिए विशेष बनाया। हालाँकि, केवल इस मॉडल को लोगों के अधिक वीडियो दिखाने से काम नहीं बना। सिस्टम खराब होने लगा, जिससे शरीर के अंगों या कपड़ों जैसे सूक्ष्म विवरणों को पहचानने की उसकी क्षमता कम हो गई—एक ऐसी विफलता जो इतनी सूक्ष्म थी कि प्रशिक्षण प्रक्रिया में कोई त्रुटि संकेत (error signal) भी नहीं दिखा। मॉडल अनिवार्य रूप से यह भूल रहा था कि एक मानव कैसा दिखता है, जबकि वह यह सीखने की कोशिश कर रहा था कि वे कैसे चलते हैं।
इसे हल करने के लिए, शोधकर्ताओं ने एक विधि पेश की जिसे वे 'एंकोर्ड फोरकास्टिंग' (anchored forecasting) कहते हैं। कल्पना कीजिए कि एक छात्र एक नया कौशल सीखने की कोशिश कर रहा है और उसे उन बुनियादी बातों को भूल जाने के लिए कहा जा रहा है जिन्हें वह पहले से जानता है; छात्र भ्रमित हो जाएगा और अपना आधार खो देगा। शोधकर्ताओं ने सिस्टम की मानव रूप की समझ को उसके मूल ज्ञान की एक जमी हुई, अपरिवर्तनीय प्रति (copy) से "पिन" करके इसे रोका। इस एंकर ने यह सुनिश्चित किया कि जैसे-जैसे मॉडल भविष्य की गतिविधियों की भविष्यवाणी करना सीखता है, वह वर्तमान को पहचानने की अपनी क्षमता न खोए। इसके अतिरिक्त, उन्होंने लोगों की स्थिर छवियों का उपयोग करके प्रशिक्षण डेटा का एक स्ट्रीम जोड़ा, जिसने सिस्टम को मानव उपस्थिति का एक तीक्ष्ण बोध बनाए रखने में मदद की। इस संयोजन ने मॉडल को भविष्य की गति का अनुमान लगाने के साथ-साथ मानव शरीर के विस्तृत बोध को बनाए रखने की अनुमति दी।
दूसरा प्रमुख परिवर्तन यह था कि प्रशिक्षण के दौरान सिस्टम का परीक्षण कैसे किया गया। मानक विधियाँ अक्सर मॉडल को वीडियो के छूटे हुए ब्लॉक्स को भरने के लिए कहती हैं, जो इसे समय और स्थान में अपने आस-पास की चीजों की नकल करने के लिए प्रोत्साहित करती हैं। यह एक शॉर्टकट है जो मॉडल को वास्तव में यह सीखने से रोकता है कि एक दृश्य कैसे विकसित होता है। शोधकर्ताओं ने इसे एक शुद्ध 'पास्ट-टू-फ्यूचर स्प्लिट' (past-to-future split) से बदल दिया। मॉडल को एक वीडियो क्लिप का पहला आधा हिस्सा दिखाया गया और दूसरे आधे हिस्से की भविष्यवाणी करने के लिए कहा गया। चूंकि भविष्य पूरी तरह से छिपा हुआ था, इसलिए सफल होने का एकमात्र तरीका यह था कि दृश्य समय के साथ कैसे बदलता है, इसका एक वास्तविक मॉडल बनाया जाए। इसने सिस्टम को केवल स्थिर पैटर्न को याद करने के बजाय मानव गति की गतिशीलता (dynamics) को सीखने के लिए मजबूर किया।
इस दृष्टिकोण के परिणाम आश्चर्यजनक थे। 'फ्रोजन चेकपॉइंट्स' पर परीक्षण करने पर—अर्थात, सिस्टम को परीक्षण के दौरान और अधिक सीखने की अनुमति नहीं थी—नया मॉडल उपलब्ध सबसे बड़े और सबसे विशिष्ट मानव-दृष्टि मॉडलों से बेहतर प्रदर्शन करता है, बावजूद इसके कि इसमें 2.7 गुना कम पैरामीटर्स थे। इसने मानव मुद्राओं को ट्रैक करने और भीड़ में व्यक्तियों की पहचान करने में उच्च सटीकता प्राप्त की। उदाहरण के लिए, लोगों की पुन: पहचान (re-identifying) के एक मानक परीक्षण पर, इसने अपने स्वयं के बेस वर्जन की तुलना में 2.7 अंक का सुधार किया और अग्रणी इमेज-आधारित विशेषज्ञ को भी पीछे छोड़ दिया। सबसे महत्वपूर्ण बात यह है कि भविष्य का पूर्वानुमान लगाने की मॉडल की क्षमता इन परिवर्तनों से बाधित नहीं हुई। वास्तव में, सिस्टम का प्रेडिक्टर हेड (predictor head) अन्य क्षमताओं को नुकसान पहुँचाए बिना पूर्वानुमान में सुधार करने वाला पहला हिस्सा था।
अध्ययन ने कठोरता से परीक्षण किया कि क्या काम नहीं आया, और कई सहज विचारों को खारिज कर दिया। शोधकर्ताओं ने व्यक्ति को ही भविष्यवाणी की इकाई बनाने का प्रयास किया, यानी पूरे व्यक्तियों को मास्क किया ताकि यह देखा जा सके कि क्या मॉडल उनके साथियों के साथ होने वाली अंतःक्रियाओं (interactions) को ट्रैक कर सकता है। यह दृष्टिकोण पूरी तरह से विफल रहा, जिससे मॉडल की अंतःक्रियाओं को समझने की क्षमता ढह गई। उन्होंने यह भी पाया कि केवल अधिक डेटा जोड़ने या मॉडल के आकार को बढ़ाने से उन समस्याओं को ठीक नहीं किया जा सका जो प्रशिक्षण पद्धति के कारण उत्पन्न हुई थीं। विफलता डेटा की कमी या कंप्यूटिंग शक्ति के कारण नहीं थी, बल्कि इस कारण से थी कि सीखने का उद्देश्य (learning objective) मौलिक रूप से त्रुटिपूर्ण था। अध्ययन निष्कर्ष निकालता है कि समय में मनुष्यों को समझने की कुंजी केवल उन्हें देखना नहीं है, बल्कि उनके रूप के प्रति सिस्टम के बोध को स्थिर करना और उन्हें भविष्य की भविष्यवाणी करने के लिए मजबूर करना है।
यह कार्य आर्टिफिशियल इंटेलिजेंस के लिए एक नया मार्ग स्थापित करता है। यह प्रदर्शित करता है कि एक एकल मॉडल सफलतापूर्वक वर्तमान के स्थिर बोध और भविष्य के गतिशील पूर्वानुमान, दोनों कार्यों को संभाल सकता है, जिन्हें पहले दो अलग-अलग दृष्टिकोणों की आवश्यकता मानी जाती थी। विस्तृत धारणा के मौन पतन को रोककर और उन शॉर्टकट्स को हटाकर जो वास्तविक सीखने में बाधा डालते हैं, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो लोगों को वैसे ही देखती है जैसे वे हैं: समय में मौजूद संस्थाएं, जो गतिशील और परिवर्तनशील हैं। निष्कर्ष बताते हैं कि मशीनों के लिए वास्तव में मनुष्यों को समझने के लिए, उन्हें केवल पीछे देखने के लिए ही नहीं, बल्कि आगे देखने के लिए भी सिखाया जाना चाहिए।
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।