Cross-Lingual Transfer Learning and Autonomous Data Bootstrapping for VLM-Based Ottoman Turkish Handwritten Text Recognition
यह शोध पत्र अज़रा (Azra) को प्रस्तुत करता है, जो उस्मानिया तुर्की हस्तलिखित पाठ पहचान के लिए एक विज़न-लैंग्वेज मॉडल फ्रेमवर्क है, जो क्यूरेटेड डेटा पर LoRA फाइन-ट्यूनिंग के माध्यम से अत्याधुनिक प्रदर्शन प्राप्त करता है और यह प्रदर्शित करता है कि स्वायत्त डेटा बूटस्ट्रैपिंग प्रभावी रूप से क्यूरेटेड दृष्टिकोणों के बराबर प्रदर्शन कर सकती है जबकि एनोटेशन लागत को महत्वपूर्ण रूप से कम कर सकती है।
मूल पेपर CC BY 4.0 (https://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 अपने परदादा की एक डायरी पढ़ने की कोशिश कर रहे हैं, लेकिन उनकी लिखावट उलझी हुई, घुमावदार और बेतरतीब है, भाषा पूरी तरह बदल चुकी है, और वर्णमाला किसी गुप्त कोड की तरह दिख रही है। यह उन इतिहासकारों के लिए रोज़मर्रा की वास्तविकता है जो ओटोमन साम्राज्य के लाखों दस्तावेज़ों को खोलने की कोशिश कर रहे हैं। सदियों से, ये रिकॉर्ड 'ओटोमन तुर्की' नामक एक सुंदर लेकिन जटिल लिपि में लिखे गए थे, जो दाएं से बाएं बहती है और जिसमें अरबी और फारसी के पुट वाले तुर्की शब्दों का मिश्रण है। समस्या क्या है? 1928 में वर्णमाला को बदलकर एक आधुनिक लैटिन वर्णमाला में बदल दिया गया, जिससे आज बहुत कम लोग बचे हैं जो वास्तव में पुरानी चीज़ों को पढ़ सकते हैं।
इस समस्या को हल करने के लिए, वैज्ञानिक "डिजिटल जासूस" बना रहे हैं जिन्हें आर्टिफिशियल इंटेलिजेंस (AI) कहा जाता है। विशेष रूप से, वे एक विज़न-लैंग्वेज मॉडल (VLM) के रूप में ज्ञात AI का उपयोग कर रहे हैं। एक VLM को एक सुपर-स्मार्ट रोबोट के रूप में समझें जिसने लाखों किताबें पढ़ी हैं और लाखों तस्वीरें देखी हैं। वह केवल पन्ने पर एक टेढ़ी-मेढ़ी रेखा को नहीं देखता; वह समझता है कि वह टेढ़ी-मेढ़ी रेखा एक अक्षर है, और वह अक्षर एक विशिष्ट अर्थ वाले शब्द का हिस्सा है। मुख्य सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम इन रोबोटों को बिना किसी मानव विशेषज्ञ के हर एक शब्द को टाइप किए बिना, इन प्राचीन, बिखरे हुए पांडुलिपियों को पढ़ना सिखा सकते हैं? यदि हम ऐसा कर पाते हैं, तो हम इतिहास को उस गति से खोल पाएंगे जिसकी तुलना में मानव टीम कभी भी नहीं पहुँच सकती।
यह शोध पत्र एक नए, दो-भागों वाले रणनीति का परिचय देता है जो "अज़रा" नामक एक रोबोट को ओटोमन तुर्की की हस्तलिपि पढ़ना सिखाती है। शोधकर्ताओं ने एक ऐसे रोबोट से शुरुआत की जो पहले से ही आधुनिक अरबी और अंग्रेजी हस्तलिपि पढ़ने में काफी अच्छा था। फिर उन्होंने इसे ओटोमन शैली की विशिष्ट बारीकियों को सिखाने के दो अलग-अलग तरीके आजमाए।
पहला तरीका, जिसे वे अज़रा 1 कहते हैं, एक पारंपरिक कक्षा की तरह था। टीम ने 1,306 पंक्तियों के पाठ का एक छोटा, उच्च-गुणवत्ता वाला संग्रह इकट्ठा किया जिसे मानव विशेषज्ञों द्वारा सावधानीपूर्वक जांचा और टाइप किया गया था। उन्होंने लगभग 2,000 पृष्ठों के शोध प्रबंध (थीसिस) दस्तावेज़ भी जोड़े जहाँ छात्रों ने पहले ही पुराने लिपि को आधुनिक तुर्की अक्षरों में अनुवादित कर दिया था। रोबोट ने इन सावधानीपूर्वक क्यूरेट किए गए उदाहरणों का अध्ययन किया और "रिका" (Riqa) लिपि की विशिष्ट, बहती हुई शैली को पहचानना सीखा (जो सरकारी कार्यालयों में उपयोग की जाने वाली एक तेज़, घुमावदार लिखावट है)। जब समान हस्तलिपि पर इसका परीक्षण किया गया, तो अज़रा 1 अविश्वसनीय रूप से सटीक साबित हुआ, और इसने प्रत्येक पांच अक्षरों में से एक से भी कम गलती की। इसने इतिहासकारों द्वारा आज उपयोग किए जाने वाले एक लोकप्रिय व्यावसायिक टूल को भी पीछे छोड़ दिया।
दूसरा तरीका, अज़रा 2, "स्व-शिक्षण" (self-teaching) में एक साहसिक प्रयोग था। शोधकर्ता देखना चाहते थे कि क्या रोबोट बिना किसी मानव विशेषज्ञ द्वारा उत्तर टाइप किए सीख सकता है। उन्होंने उन्हीं पुराने दस्तावेज़ों के हजारों पृष्ठ लिए और पहले रोबोट (अज़रा 1) को यह अनुमान लगाने दिया कि पाठ क्या कहता है। फिर, उन्होंने एक शक्तिशाली भाषा उपकरण (एक AI जिसे जेमिनी कहा जाता है) का उपयोग उन अनुमानों को वापस पुराने लिपि में अनुवादित करने के लिए किया। अंत में, उन्होंने एक कंप्यूटर प्रोग्राम का उपयोग यह जांचने के लिए किया कि क्या रोबोट का अनुमान मूल पृष्ठ से मेल खाता है। यदि अनुमान मूल के करीब था, तो उन्होंने इसे एक नए प्रशिक्षण उदाहरण के रूप में रखा। इस प्रक्रिया ने 23,000 से अधिक पंक्तियों का एक विशाल डेटासेट बनाया, जो सभी मशीनों द्वारा जनरेट किए गए थे और जिनमें शून्य मानव एनोटेशन (annotation) था।
परिणाम दिलचस्प थे और उन्होंने एक समझौते (trade-off) को उजागर किया। अज़रा 1 (मानव-शिक्षित रोबोट) उस विशिष्ट शैली के लिए चैंपियन था जिस पर उसे प्रशिक्षित किया गया था। हालाँकि, जब शोधकर्ताओं ने इसे एक पूरी तरह से अलग, अधिक औपचारिक शैली जिसे "नस्क" (Naskh) कहा जाता है, पर टेस्ट किया, तो वह थोड़ा लड़खड़ा गया। इसने रिका लिपि के विशिष्ट स्वरूप को इतना अच्छी तरह से याद कर लिया था कि वह किसी भी नई चीज़ से भ्रमित हो गया।
अज़रा 2 (स्व-शिक्षित रोबोट) परिचित लिपि पर थोड़ा कम सटीक था, लेकिन यह बहुत अधिक लचीला था। क्योंकि इसने अपनी स्वयं की बूटस्ट्रैपिंग प्रक्रिया के माध्यम से उत्पन्न विविध उदाहरणों की एक विस्तृत श्रृंखला देखी थी, इसने नए "नस्क" शैली को मानव-शिक्षित रोबोट के लगभग समान ही संभाला, और कभी-कभी उससे भी बेहतर। यह सुझाव देता है कि डेटा का एक विशाल, विविध ढेर होना—भले ही वह मशीनों द्वारा बनाया गया हो—AI को अधिक मजबूत और नई हस्तलिपि शैलियों से भ्रमित होने से रोकने में मदद करता है।
टीम ने यह भी देखा कि उनके रोबोट गलतियाँ कहाँ कर रहे थे। उन्होंने पाया कि त्रुटियाँ यादृच्छिक (random) नहीं थीं; वे विशिष्ट "भ्रम" थे जो मशीनों द्वारा पाठ को आगे-पीछे अनुवादित करने के तरीके के कारण हुए थे। उदाहरण के लिए, AI कभी-कभी तीन बहुत मिलते-जुलते दिखने वाले अक्षरों को मिला देता था जो केवल एक छोटे से बिंदु के स्थान से भिन्न होते हैं, या इसने एक ऐतिहासिक अक्षर को आधुनिक अक्षर से बदल दिया क्योंकि अनुवाद उपकरण को पुराने नियमों का पता नहीं था। यह एक महत्वपूर्ण निष्कर्ष है: इसका मतलब है कि समस्या यह नहीं है कि रोबट अक्षरों को "देख" नहीं सकता, बल्कि बीच में मौजूद "अनुवादक" को भाषा के विशिष्ट इतिहास के बारे में अधिक स्मार्ट होने की आवश्यकता है।
संक्षेप में, यह शोध पत्र दिखाता है कि हम इतिहास को पढ़ने के लिए शक्तिशाली उपकरण बना सकते हैं। जबकि विशिष्ट शैलियों के लिए पूर्ण सटीकता के लिए मानव-सत्यापित डेटा अभी भी स्वर्ण मानक (gold standard) है, एक चतुर, स्वायत्त विधि एक विशाल मात्रा में प्रशिक्षण डेटा बना सकती है जो AI को विभिन्न हस्तलिपि शैलियों के प्रति अधिक अनुकूल बनाती है। आगे का रास्ता केवल रोबोट को अधिक चित्र खिलाना नहीं है; बल्कि रोबोट को लिपि के सूक्ष्म, ऐतिहासिक नियमों को समझना सिखाना है ताकि वह उन पेचीदा, बिंदु-रहित अक्षरों को मिलाना बंद कर सके।
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।