Do Vision-Language Models Agree on the Affective Qualities of Shape? A Cross-Model Audit for Generative Design Interfaces
यह शोध पत्र छह विजन-लैंग्वेज मॉडल्स का ऑडिट करता है ताकि अफेक्टिव कानसेई डिस्क्रिप्टर्स (affective Kansei descriptors) द्वारा 3D वस्तुओं को रैंक करने में उनकी निरंतरता का मूल्यांकन किया जा सके, जो यह प्रकट करता है कि हालांकि मॉडल संयोग के स्तर से ऊपर आंशिक सहमति दिखाते हैं, लेकिन उनका अभिसरण वस्तु श्रेणी और सिमेंटिक संरेखण के अनुसार काफी भिन्न होता है, जो जनरेटिव डिज़ाइन इंटरफेस के लिए विश्वसनीय सिमेंटिक नियंत्रणों के चयन को निर्देशित करने हेतु एक UI प्रोटोटाइप को प्रेरित करता 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
डिज़ाइन के शुरुआती चरणों में, चाहे वह एक नई कुर्सी का रेखाचित्र बनाना हो या कार का मॉडल तैयार करना, रचनाकार अक्सर अपने उपकरणों को निर्देशित करने के लिए शब्दों पर निर्भर करते हैं। वे कुछ "अधिक सुरुचिपूर्ण" (more elegant), "कम भारी" (less/less bulky), या "अधिक न्यूनतम" (more minimalist) जैसी मांग कर सकते हैं। आज, आर्टिफिशियल इंटेलिजेंस सिस्टम इन अनुरोधों को समझने लगे हैं, जो शक्तिशाली कंप्यूटर प्रोग्रामों का उपयोग करते हैं जो छवियों को देख सकते हैं और टेक्स्ट पढ़ सकते हैं ताकि ऐसे विवरणों के आधार पर नए आकार उत्पन्न किए जा सकें। ये सिस्टम, जिन्हें विजन-लैंग्वेज मॉडल कहा जाता है, एक डिज़ाइनर के अस्पष्ट विचार और एक ठोस 3D वस्तु के बीच एक सेतु के रूप में कार्य करते हैं। हालाँकि, एक महत्वपूर्ण प्रश्न बना हुआ है: क्या ये विभिन्न कंप्यूटर प्रोग्राम वास्तव में इस बात पर सहमत हैं कि उन शब्दों का अर्थ क्या है? यदि एक प्रोग्राम सोचता है कि एक लंबी, पतली बोतल "सुरुचिपूर्ण" है जबकि दूसरा एक छोटी, चौड़ी बोतल को ऐसा समझता है, तो उपकरण अविश्वसनीय हो जाता है। डिज़ाइनरों को यह जानने की आवश्यकता है कि उनके काम को आकार देने के लिए उनके डिजिटल सहायक पर भरोसा करने से पहले वह कितना सुसंगत है।
होंडा रिसर्च इंस्टीट्यूट यूरोप और जूलियस-मैक्सिमिलियंस-यूनिवर्सिटी वुर्ज़बर्ग के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए छह सबसे उन्नत उपलब्ध विजन-लैंग्वेज मॉडलों का ऑडिट करने का निर्णय लिया। वे यह देखना चाहते थे कि क्या ये स्वतंत्र प्रोग्राम, जो अलग-अलग कंपनियों द्वारा बनाए गए हैं और अलग-अलग डेटा पर प्रशिक्षित हैं, समान वस्तुओं को उनके भावनात्मक या "भावात्मक" (affective) गुणों को आंकने के लिए एक ही तरह से रैंक करेंगे। ऐसा करने के लिए, उन्होंने कंप्यूटरों को विचलित करने वाली हर चीज़ को हटा दिया। उन्होंने रोजमर्रा की वस्तुओं जैसे कुर्सियों, लैंपों और जार के हजारों 3D मॉडल लिए और उन्हें सादे, बिना टेक्सचर वाले ग्रे आकारों के रूप में प्रस्तुत किया। रंग, सामग्री और बनावट को हटाकर, शोधकर्ताओं ने यह सुनिश्चित किया कि मॉडल केवल रूप (form) के आधार पर वस्तुओं का निर्णय लें, ठीक वैसे ही जैसे एक मूर्तिकार पेंटिंग करने से पहले मिट्टी के मॉडल को देखता है।
शोधकर्ताओं ने प्रत्येक छह कंप्यूटर मॉडलों से इन ग्रे आकारों को विभिन्न पैमानों पर रैंक करने के लिए कहा। कुछ पैमाने सीधे भौतिक विवरण थे, जैसे "लंबा बनाम छोटा" या "चौकोर बनाम घुमावदार," जो यह देखने के लिए एक नियंत्रण (control) के रूप में कार्य करते थे कि क्या मॉडल बुनियादी ज्यामिति पर भी सहमत हो सकते हैं। अन्य अधिक जटिल, मानव-समान विवरण थे जिनका उपयोग वास्तव में डिज़ाइनर करते हैं, जैसे "आधुनिक बनाम पारंपरिक" या "सुरुचिपूर्ण बनाम अस्त-व्यस्त।" अंत में, उन्होंने एक सेट निरर्थक युग्म (nonsense pairings) शामिल किए, जैसे "शोर वाला बनाम शांत," ताकि यादृच्छिक सहमति (random agreement) के लिए एक बेसलाइन स्थापित की जा सके। यदि मॉडल इन अप्रासंगिक जोड़ों पर सहमत होते, तो इसका मतलब होता कि उनकी रैंकिंग केवल शोर (noise) थी।
परिणामों ने सहमति की एक सूक्ष्म तस्वीर पेश की। सरल भौतिक गुणों को आंकने में मॉडल उल्लेखनीय रूप से सुसंगत थे; वे काफी हद तक इस पर सहमत थे कि कौन सा लंबा है या छोटा। जब बात अधिक अमूर्त, भावनात्मक गुणों की आई, तो मॉडलों ने सहमति का एक मध्यम स्तर दिखाया जो यादृच्छिक संभावना से काफी बेहतर था, लेकिन पूर्ण नहीं था। औसतन, मॉडल भावनात्मक शब्दों के लिए वस्तुओं की रैंकिंग पर लगभग 36 प्रतिशत समय सहमत थे, जबकि निरर्थक शब्दों के लिए सहमति दर 14 प्रतिशत थी। यह सुझाव देता है कि हालांकि कंप्यूटरों ने इस बारे में एक साझा समझ विकसित कर ली है कि आकार का भावना से क्या संबंध है, फिर भी वे पूरी तरह से संरेखित नहीं हैं।
महत्वपूर्ण रूप से, अध्ययन ने पाया कि यह सहमति सभी प्रकार की वस्तुओं के लिए समान नहीं है। जार जैसी कुछ श्रेणियों के लिए, मॉडल इस बात पर मजबूती से सहमत थे कि क्या "सुरुचिपूर्ण" या "विलासी" दिखता है, जहाँ सहमति दर 50 प्रतिशत से अधिक पहुँच गई। अन्य श्रेणियों के लिए, जैसे बुकशेल्फ़, मॉडल एक सामान्य आधार खोजने में संघर्ष करते रहे, जहाँ सहमति दर गिरकर 21 प्रतिशत तक आ गई। शोधकर्ताओं ने पाया कि यह भिन्नता इस बात पर कम निर्भर करती है कि वस्तुएं एक-दूसरे से कितनी भिन्न दिखती हैं, बल्कि इस पर अधिक निर्भर करती है कि उस श्रेणी में विशिष्ट आकार के बदलाव वास्तव में उस दिशा के अनुरूप हैं या नहीं जिसकी ओर शब्द संकेत कर रहा है। उदाहरण के लिए, यदि कुर्सियों के एक समूह में ऊंचाई में बदलाव आता है, तो एक मॉडल आसानी से सहमत हो सकता है कि कौन सी "लंबी" है, लेकिन यदि समूह में सूक्ष्म घुमाव हैं जो "सुरुचिपूर्ण" की अवधारणा के साथ मेल नहीं खाते, तो मॉडल असहमत होंगे।
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या ये सहमतियाँ विशिष्ट वस्तु प्रकार के लिए विशिष्ट थीं या केवल टेक्स्ट की एक सामान्य विशेषता थीं। उन्होंने पाया कि "मुलायम बनाम कठोर" जैसा विवरण, जो सोफे के लिए उपयुक्त है, बोतलों पर लागू होने पर ठीक से काम नहीं करता है। इसने पुष्टि की कि मॉडल केवल एक सामान्य नियम लागू नहीं कर रहे हैं, बल्कि वे किसी विशिष्ट वस्तु के आकार और उस शब्द के बीच के संबंध की व्याख्या कर रहे हैं जिसका उपयोग किया गया है।
इन निष्कर्षों को वास्तविक दुनिया के डिज़ाइन के लिए उपयोगी बनाने के लिए, टीम ने एक प्रोटोटाइप इंटरफ़ेस बनाया जो इस सहमति को दृश्यमान बनाता है। इस टूल में, एक डिज़ाइनर एक वस्तु चुन सकता है और संभावित नियंत्रणों की एक सूची देख सकता है, जैसे "इसे और आधुनिक बनाएं।" प्रत्येक नियंत्रण के बगल में, सिस्टम एक स्कोर प्रदर्शित करता है कि विभिन्न कंप्यूटर मॉडल उस निर्देश पर कितना सहमत हैं। यदि स्कोर उच्च है, तो डिज़ाइनर विश्वास कर सकता है कि टूल अनुमानित व्यवहार करेगा। यदि स्कोर कम है, तो इंटरफ़ेस सुझाव देता है कि वह नियंत्रण उस विशिष्ट वस्तु के लिए अविश्वसनीय हो सकता है और उसे हटाया जा सकता है या बेहतर समर्थित विकल्प से बदला जा सकता है।
यह कार्य यह दावा नहीं करता कि कंप्यूटरों ने मानवीय भावनाओं को सीख लिया है या उनकी सहमति यह सिद्ध नहीं करती कि वे सही हैं। इसके बजाय, यह यह जांचने का एक व्यावहारिक तरीका प्रदान करता है कि क्या कोई डिजिटल टूल उपयोगकर्ता को सौंपने से पहले स्थिर है। विभिन्न कंप्यूटर मॉडलों के बीच सहमति को गुणवत्ता नियंत्रण के एक रूप के रूप में मानकर, डिज़ाइनर यह पहचान सकते हैं कि कौन से भावनात्मक विवरण सुरक्षित रूप से उपयोग करने योग्य हैं और कौन से भ्रम पैदा कर सकते हैं। अध्ययन बताता है कि हालांकि आर्टिफिशियल इंटेलिजेंस डिज़ाइन में एक शक्तिशाली साथी बन रहा है, हमें अभी भी दुनिया के प्रति इसकी समझ का सावधानीपूर्वक ऑडिट करना चाहिए, यह सुनिश्चित करते हुए कि जब एक डिज़ाइनर "सुरुचिपूर्णता" की मांग करता है, तो मशीन भी उसी चीज़ को देख रही है जिसे वह देख रहा 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।