MetaFiLM-HTR: Writer-Adaptive Meta-Learning with FiLM Conditioning for Historical and Multilingual Handwritten Text Recognition

अतीत के एक हस्तलिखित पत्र को पढ़ना केवल अक्षरों को पहचानने से कहीं अधिक अनुवाद का एक कार्य है। इसके लिए एक विशिष्ट व्यक्तित्व को समझने की आवश्यकता होती है जो स्याही में कैद है, जहाँ एक स्ट्रोक का झुकाव, पेन का दबाव और एक विशिष्ट लेखक के अनूठे घुमाव एक स्पष्ट वाक्य को एक समझ से परे पहेली में बदल सकते हैं। यह चुनौती तब और भी गहरी हो जाती है जब दस्तावेज़ सदियों पुराने हों, जो ऐसी भाषाओं में लिखे गए हों जो विकसित हो चुकी हैं या ऐसे लिपियों में जो आज दुर्लभ हैं। जबकि कंप्यूटर मुद्रित पाठ (printed text) को पढ़ने में असाधारण रूप से कुशल हो गए हैं, वे मानवीय लिखावट की अराजक सुंदरता के सामने अक्सर लड़खड़ा जाते हैं, विशेष रूप से जब वह लिखावट किसी ऐसे व्यक्ति की हो जिससे कंप्यूटर कभी मिला ही न हो। मुख्य कठिनाई केवल आकृतियों को पहचानने में नहीं है, बल्कि इस बात को समझने में है कि एक विशिष्ट व्यक्ति का हाथ पृष्ठ पर कैसे चलता है, एक ऐसा कौशल जिसे पारंपरिक कंप्यूटर प्रोग्राम हर एक लेखक के लिए प्रशिक्षण के विशाल डेटा के बिना सीखना संघर्ष करते हैं।

भारतीय प्रौद्योगिकी संस्थान जोधपुर के शोधकर्ताओं ने इस बाधा को दूर करने में मदद करने के लिए एक नया दृष्टिकोण विकसित किया है, जिससे एक ऐसी प्रणाली बनाई जा सकती है जो केवल कुछ नमूना पंक्तियों का उपयोग करके एक अजनबी की लिखावट को तेज़ी से सीख सके। उनका कार्य, जो हाल ही में किए गए एक अध्ययन में विस्तृत है, 'मेटा-लर्निंग' नामक एक पद्धति पर केंद्रित है, जिसे एक कंप्यूटर को यह सिखाने के रूप में सोचा जा सकता है कि कैसे सीखना है। अस्तित्व में मौजूद हर संभव लेखन शैली को याद करने के बजाय, सिस्टम परिवर्तन के अंतर्निहित पैटर्न को पहचानने के लिए प्रशिक्षित किया जाता है और फिर एक नए लेखक के सामने आने पर तेजी से अनुकूलित होता है। इस सीखने की रणनीति को एक ऐसी तकनीक के साथ जोड़कर, जो कंप्यूटर को एक लेखक के काम के छोटे से नमूने के आधार पर अपनी आंतरिक सेटिंग्स को समायोजित करने की अनुमति देती है, टीम ने एक ऐसा उपकरण बनाया है जो ऐतिहासिक पांडुलिपियों और आधुनिक लिपियों, जैसे कि 18वीं शताब्दी के जर्मन पत्रों से लेकर समकालीन हिंदी दस्तावेजों तक, को संभाल सकता है।

शोधकर्ताओं को एक महत्वपूर्ण बाधा का सामना करना पड़ा: मौजूदा प्रणालियाँ या तो बहुत कठोर थीं, जिन्हें प्रत्येक नए लेखक के लिए भारी मात्रा में डेटा की आवश्यकता होती थी, या वे पाठ के केवल छोटे अंशों पर काम करती थीं, और पूरे पृष्ठ के संदर्भ को समझने में विफल रहती थीं। इसे हल करने के लिए, उन्होंने एक ढांचा तैयार किया जो एक लचीले लेंस की तरह कार्य करता है। एक कैमरे की कल्पना करें जो नए विषय को देखते ही तुरंत अपने फोकस और रंग संतुलन को समायोजित कर सकता है; यह प्रणाली पाठ के लिए ऐसा ही कुछ करती है। यह पहले एक नए लेखक की कुछ पंक्तियों का विश्लेषण करके एक संक्षिप्त "शैली प्रोफ़ाइल" (style profile) बनाता है। इस प्रोफ़ाइल का उपयोग फिर कंप्यूटर की आंतरिक प्रसंस्करण परतों को धीरे से निर्देशित करने के लिए किया जाता है, जिससे यह उस लेखक की विशिष्ट विशेषताओं को ध्यान में रखते हुए शेष दस्तावेज़ की व्याख्या कर सके। यह प्रक्रिया वास्तविक समय (real-time) में होती है, जिसका अर्थ है कि सिस्टम को हर नए व्यक्ति के मिलने पर शून्य से पुन: प्रशिक्षित करने की आवश्यकता नहीं होती है।

उनकी सफलता का एक महत्वपूर्ण हिस्सा इस बात को ठीक करना था कि कंप्यूटर इस सीखने की प्रक्रिया के दौरान अपने ज्ञान को कैसे अपडेट करता है। पिछले प्रयासों में, सिस्टम कभी-कभी प्रारंभिक शिक्षण चरण और अंतिम अनुकूलन के बीच के संबंध को खो देता था, जिससे भ्रम और खराब परिणाम मिलते थे। शोधकर्ताओं ने पहचान की कि कंप्यूटर प्रारंभिक शिक्षण चरणों से सीखे गए पाठों को सिस्टम के मुख्य मस्तिष्क तक ठीक से स्थानांतरित करने में विफल रहा था। उन्होंने एक विशिष्ट सुधार को इंजीनियर किया जो यह सुनिश्चित करता है कि ये सबक सटीक रूप से स्थानांतरित हों, जिसके परिणामस्वरूप सटीकता में महत्वपूर्ण सुधार हुआ। इस समायोजन ने सिस्टम को अपने सीखने को स्थिर करने में सक्षम बनाया, जिससे यह सुनिश्चित हुआ कि एक नए लेखक के डेटा का उपयोग सामान्य रूप से पढ़ने के बारे में जो वह पहले से जानता था, उसे भुलाए बिना उसके ज्ञान को परिष्कृत करने के लिए प्रभावी ढंग से किया जाए।

टीम ने अपने सिस्टम का परीक्षण दस्तावेजों के तीन बहुत अलग संग्रहों पर किया ताकि यह देखा जा सके कि यह दबाव में कैसा प्रदर्शन करता है। पहला 1700 और 1800 के दशक के ऐतिहासिक जर्मन पांडुलिपियों का एक सेट था, जो फीकी स्याही और पुरातन वर्तनी के लिए जाने जाते हैं। दूसरा, एक स्विस सुधारक के लैटिन पत्रों का एक संग्रह था, जिसमें लेखकों और शैलियों की एक विस्तृत विविधता थी। तीसरा, हिंदी पाठ का एक आधुनिक डेटासेट था, जो एक अनूठी चुनौती पेश करता है क्योंकि यह भाषा की जटिल लिपि को अंग्रेजी संख्याओं और विराम चिह्नों के साथ मिश्रित करता है। प्रत्येक मामले में, सिस्टम को एक ऐसे लेखक से कुछ पंक्तियाँ दी गईं जिसे वह पहले से नहीं जानता था और बाकी पृष्ठ को पढ़ने के लिए कहा गया। परिणामों ने दिखाया कि सिस्टम तेजी से अनुकूलित हो सकता है, जिससे उन त्रुटियों की संख्या में काफी कमी आई जो उन सिस्टमों की तुलना में हुईं जिन्होंने इस अनुकूली दृष्टिकोण का उपयोग नहीं किया था।

जर्मन ऐतिहासिक दस्तावेजों पर, सिस्टम ने लगभग 12 प्रतिशत की 'कैरेक्टर एरर रेट' (character error rate) प्राप्त की, जो एक बड़ी छलांग है यदि इसकी तुलना अनुकूलन तकनीकों को लागू करने से पहले के इसके प्रारंभिक प्रदर्शन से की जाए। लैटिन पांडुलिपियों के लिए, त्रुटि दर गिरकर लगभग 35 प्रतिशत हो गई, और हिंदी लिखावट के लिए, यह लगभग 47 प्रतिशत तक पहुँच गई। ये संख्याएँ महत्वपूर्ण हैं क्योंकि वे प्रदर्शित करती हैं कि सिस्टम न केवल एक प्रकार के लेखन को, बल्कि लिपियों और युगों की एक विविध श्रेणी को भी संभाल सकता है। शोधकर्ताओं ने नोट किया कि सिस्टम का प्रदर्शन तब सबसे अच्छा रहा जब इसे दस्तावेज़ का विश्लेषण करने के दौरान वास्तव में अपने पढ़ने को परिष्कृत करने की अनुमति दी गई, जिसमें पाठ की संरचना के भीतर छिपे संकेतों का उपयोग किया गया, जैसे कि संक्षिप्त रूपों (abbreviations) का उपयोग कैसे किया जाता है या लाइनें एक पृष्ठ से दूसरे पृष्ठ पर कैसे जारी रहती हैं।

अध्ययन ने यह भी खुलासा किया कि उच्च सटीकता का मार्ग एक सीधी रेखा नहीं बल्कि सावधानीपूर्वक सुधारों की एक श्रृंखला थी। शोधकर्ताओं ने पाया कि केवल कंप्यूटर की निर्णय लेने की प्रक्रिया में अधिक परतें जोड़ने और सीखने की गति को सूक्ष्म रूप से ट्यून करने से बड़ा अंतर आया। उन्होंने पाया कि सिस्टम को पाठ को केवल अलग-अलग शब्दों के संग्रह के बजाय एक पूर्ण अनुक्रम (sequence) के रूप में देखने के लिए सिखाने की आवश्यकता थी, और सबसे संभावित शब्दों का अनुमान लगाने के लिए अधिक परिष्कृत पद्धति का उपयोग करने से इसे सामान्य गलतियों से बचने में मदद मिली। इसके अलावा, उन्होंने देखा कि सिस्टम की अनुकूलन क्षमता तब सबसे प्रभावी थी जब अंतर्निहित मॉडल पहले से ही मजबूत था; एक कमजोर मॉडल को अनुकूलित करने का प्रयास अक्सर भ्रम पैदा करता था, जबकि एक अच्छी तरह से तैयार मॉडल नई जानकारी का लाभ उठाकर लगभग पूर्णतः पढ़ने में सक्षम था।

इन सफलताओं के बावजूद, शोधकर्ता अपने काम की सीमाओं के बारे में स्पष्ट हैं। सिस्टम अभी भी जर्मन वाले की तुलना में लैटिन और हिंदी डेटासेट के साथ अधिक संघर्ष करता है, जो यह सुझाव देता है कि कुछ लिपियों की जटिलता और कुछ दस्तावेजों में विशिष्ट संरचनात्मक संकेतों की कमी निरंतर चुनौतियाँ पेश करती है। उन्होंने यह भी नोट किया कि बिना पूर्व लेबल के विभिन्न लेखकों की पहचान करने की उनकी विधि, जो समान लेखन शैलियों को एक साथ समूहबद्ध करने पर निर्भर करती है, सैकड़ों अलग-अलग लेखकों वाले संग्रहों में पूरी तरह से काम नहीं कर सकती है। इसके अतिरिक्त, सिस्टम वर्तमान में दस्तावेज़ के बारे में कुछ संरचनात्मक जानकारी पर निर्भर करता है, जैसे कि संक्षिप्त विवरण कहाँ चिह्नित हैं, जो हर ऐतिहासिक संग्रह में उपलब्ध नहीं होती है।

इस कार्य के निहितार्थ केवल पुराने पत्रों को पढ़ने तक ही सीमित नहीं हैं। यह सिद्ध करके कि एक कंप्यूटर बहुत कम डेटा के साथ एक नए लेखक की लिखावट को सीख सकता है, शोधकर्ताओं ने ऐतिहासिक दस्तावेजों के विशाल संग्रहों को डिजिटल बनाने का द्वार खोल दिया है जो पहले संसाधित करने के लिए बहुत कठिन थे। यह इतिहासकारों और भाषाविदों को उन ग्रंथों तक पहुँचने की अनुमति दे सकता है जो सदियों से अभिलेखागारों में बंद थे, केवल इसलिए क्योंकि कोई उन्हें पढ़ नहीं सकता था। यह दृष्टिकोण इस बात की एक झलक भी देता है कि कैसे आर्टिफिशियल इंटेलिजेंस (AI) निरंतर डेटा स्ट्रीम की आवश्यकता के बजाय, छोटे उदाहरणों से सीखने की अपनी क्षमता में अधिक लचीला और मानव जैसा बनने के लिए विकसित हो सकता है। अध्ययन यह निष्कर्ष निकालता है कि हालांकि लिखावट को पढ़ने की समस्या पूरी तरह से हल नहीं हुई है, फिर भी यह नया तरीका डिजिटल दुनिया और हस्तलिखित अतीत के बीच के अंतर को पाटने के लिए एक शक्तिशाली उपकरण प्रदान करता है, एक समय में एक पृष्ठ।