Evidence aware multimodal auditing of museum image metadata consistency
यह शोध पत्र नेशनल पैलेस म्यूजियम ताइपे के 295 लाख के पात्रों (लैकवेर) का उपयोग करते हुए एक साक्ष्य-जागरूक, उत्पत्ति-नियंत्रित बेंचमार्क प्रस्तुत करता है ताकि दृश्य साक्ष्य के विरुद्ध संग्रहालय इमेज मेटाडेटा की निरंतरता का ऑडिट किया जा सके, जो वर्तमान स्वचालित और मानवीय मूल्यांकन क्षमताओं में महत्वपूर्ण अंतराल को प्रकट करता है और भविष्य के मेटाडेटा-ऑडिटिंग सिस्टम में स्पष्ट रूप से साक्ष्य पर्याप्तता और क्षेत्र-विशिष्ट अनिश्चितता को मॉडल करने की आवश्यकता पर प्रकाश डालता 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
संग्रहालय अब केवल कांच के बक्सों वाले शांत गलियारे नहीं रह गए हैं; वे विशाल डिजिटल पुस्तकालय बन गए हैं जहाँ लाखों वस्तुओं का वर्णन पाठ (टेक्स्ट) द्वारा किया जाता है और उन्हें फोटोग्राफ में कैद किया जाता है। ये डिजिटल रिकॉर्ड आधुनिक अनुसंधान का आधार बनते हैं, जिससे विद्वानों को पैटर्न खोजने, महाद्वीपों के पार विचारों को जोड़ने और यहाँ तक कि मानव इतिहास को समझने के लिए आर्टिफिशियल इंटेलिजेंस (AI) को प्रशिक्षित करने की अनुमति मिलती है। हालाँकि, एक शांत समस्या इस डिजिटल बुनियादी ढांचे को खतरे में डाल रही है: किसी वस्तु का वर्णन अक्सर उसके चित्र से पूरी तरह मेल नहीं खाता। कभी-कभी लेबल कह सकता है कि एक फूलदान एक विशिष्ट प्रकार की मिट्टी से बना है, जबकि फोटो एक ऐसी बनावट दिखा सकती है जो कुछ और संकेत देती है। अन्य समय में, फोटो इतनी धुंधली या कोण इतना खराब हो सकता है कि वह उस दावे को सिद्ध न कर सके जो पाठ में लिखा है। कंप्यूटर के लिए इन संग्रहों से सीखने के लिए, उन्हें न केवल यह जानने की आवश्यकता है कि क्या कोई विवरण गलत है, बल्कि यह भी कि क्या चित्र वास्तव में उस विवरण का समर्थन करने के लिए पर्याप्त साक्ष्य प्रदान करता है। यह अंतर महत्वपूर्ण है क्योंकि दृश्य प्रमाण की कमी को तथ्यात्मक त्रुटि मानने से क्यूरेटरों और इतिहासकारों पर गलत आरोप लग सकते हैं।
शोधकर्ताओं की एक टीम ने यह देखने के लिए एक कठोर परीक्षण बनाने का लक्ष्य रखा कि क्या कंप्यूटर स्पष्ट विरोधाभास और उस मामले के बीच अंतर कर सकते हैं जहाँ दृश्य साक्ष्य केवल अपर्याप्त हैं। उन्होंने ताइपे के नेशनल पैलेस म्यूजियम के 295 लैकरवेयर (लाख के काम वाली) वस्तुओं के एक विशिष्ट संग्रह पर ध्यान केंद्रित किया, जो अपनी जटिल परतों और जटिल तकनीकों के लिए जानी जाने वाली सजावटी कला का एक प्रकार है। शोधकर्ताओं ने संग्रहालय के मौजूदा रिकॉर्ड में त्रुटियों को खोजने से शुरुआत नहीं की। इसके बजाय, उन्होंने एक नियंत्रित प्रयोग बनाया जहाँ उन्होंने इन वस्तुओं के सटीक विवरण लिए और जानबूझकर एकल विवरणों को बदल दिया, जैसे कि किसी सजावटी पैटर्न का नाम या सतह बनाने के लिए उपयोग की जाने वाली विशिष्ट विधि। फिर उन्होंने मानव विशेषज्ञों से मूल फोटो और बदले हुए विवरण को देखने के लिए कहा ताकि वे देख सकें कि क्या वे बदलाव को पहचान सकते हैं। इस प्रक्रिया ने सत्य का एक "गोल्ड स्टैंडर्ड" स्थापित किया: यह जानना कि कौन से विवरण बदले गए थे और कौन से सत्य रहे, जबकि यह सुनिश्चित किया गया कि मानव निर्णायक फ़ाइल नामों या अन्य सुरागों को न देख सकें जो उत्तर बता सकते थे।
मानव मूल्यांकन के परिणामों से पता चला कि गलती पकड़ने की क्षमता पूरी तरह से इस बात पर निर्भर करती है कि वस्तु के किस भाग का वर्णन किया जा रहा है। जब पाठ वस्तु के सामान्य आकार या प्रकार का वर्णन करता था, तो मानव निर्णायक अत्यधिक सटीक थे, और लगभग 90 प्रतिशत बार बदले हुए विवरणों की सही पहचान करते थे। हालाँकि, जब पाठ विशिष्ट सजावटी रूपांकनों (मोटिफ्स), या लाख को तराशने के लिए उपयोग की जाने वाली जटिल तकनीकों का वर्णन करता था, तो मानव निर्णायक काफी संघर्ष करते थे। इन मामलों में, निर्णायकों ने निर्णय लेने से परहेज किया क्योंकि दिया गया एकल फोटोग्राफ यह साबित करने के लिए पर्याप्त नहीं था कि विवरण गलत था, भले ही विवरण को जानबूझकर बदला गया था। इस निष्कर्ष ने एक मौलिक सत्य को उजागर किया: संग्रहालय की वस्तु की तस्वीर अक्सर एक सीमित दृश्य होती है, और एक कंप्यूटर मॉडल से यह उम्मीद नहीं की जा सकती कि वह त्रुटि ढूँढ निकाले यदि चित्र में स्वयं आवश्यक दृश्य सुराग मौजूद न हों।
शोधकर्ताओं ने कई आर्टिफिशियल इंटेलिजेंस मॉडलों का परीक्षण किया कि क्या वे उसी कार्य को कर सकते हैं। उन्होंने एक प्री-ट्रेन्ड विजन-लैंग्वेज मॉडल का उपयोग किया, जो एक प्रकार का AI है जिसने इंटरनेट के विशाल डेटा से छवियों और पाठ को जोड़ना सीखा है, और इसकी तुलना उन विशिष्ट मॉडलों से की जो विशेष रूप से एक चित्र और एक दावे के बीच के संबंध को देखते हैं। सामान्य AI मॉडल ने यादृच्छिक संभावना (रैंडम चांस) से बेहतर प्रदर्शन किया, लेकिन इसने गलतियाँ भी कीं, विशेष रूप से तब जब दृश्य साक्ष्य संदिग्ध थे। विशिष्ट मॉडलों ने कुछ सुधार दिखाया, लेकिन वे भी सबसे कठिन मामलों में संघर्ष करते रहे, जैसे कि बारीकी से संबंधित लैकर तकनीकों के बीच अंतर करना जो एक मानक फोटोग्राफ में लगभग एक जैसी दिखती हैं। अध्ययन ने दिखाया कि हालांकि ये AI उपकरण स्पष्ट विसंगतियों का पता लगा सकते हैं, लेकिन वे अभी तक स्वतंत्र ऑडिटर्स के रूप में कार्य करने के लिए पर्याप्त विश्वसनीय नहीं हैं जो संग्रहालय के रिकॉर्ड को त्रुटिपूर्ण के रूप में स्वचालित रूप से चिह्नित कर सकें।
शायद सबसे महत्वपूर्ण खोज यह थी कि इन AI मॉडलों का प्रदर्शन इस बात से बहुत प्रभावित था कि प्रशिक्षण डेटा में कुछ विवरण कितनी बार दिखाई देते हैं। जब शोधकर्ताओं ने इस तथ्य को ध्यान में रखते हुए परीक्षण को समायोजित किया कि कुछ विवरण दूसरों की तुलना में अधिक सामान्य थे, तो सामान्य AI मॉडल का प्रदर्शन काफी गिर गया। इससे पता चला कि मॉडल कभी-कभी केवल उन शब्दों की आवृत्ति (फ्रीक्वेंसी) पर निर्भर कर रहा था जिन्हें उसने पहले देखा था, बजाय इसके कि वह फोटोग्राफ में दृश्य साक्ष्य का वास्तव में विश्लेषण करे। अध्ययन ने निष्कर्ष निकाला कि आर्टिफिशियल इंटेलिजेंस के लिए संग्रहालय संग्रहों के ऑडिट हेतु उपयोगी होने के लिए, सिस्टम को यह पहचानने के योग्य बनाया जाना चाहिए कि कब एक चित्र निर्णय लेने के लिए अपर्याप्त है। 'हाँ या ना' के उत्तर को थोपने के बजाय, एक बेहतर दृष्टिकोण यह होगा कि सिस्टम उन मामलों को चिह्नित करे जहाँ दृश्य साक्ष्य कमजोर हैं और उन्हें आगे की समीक्षा के लिए मानव विशेषज्ञों के पास भेज दे। यह "साक्ष्य-जागरूक" (एविडेंस-अवेयर) दृष्टिकोण फोटोग्राफ की सीमाओं का सम्मान करता है और सुनिश्चित करता है कि डिजिटल रिकॉर्ड भरोसेमंद बने रहें, यह स्वीकार करते हुए कि कभी-कभी एकमात्र सही उत्तर यह होता है कि चित्र पूरी कहानी नहीं बताता 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।