ಸಂಕೀರ್ಣ ದೃಶ್ಯ ಕಾರ್ಯಗಳನ್ನು ಯೋಜಿಸಲು ಉತ್ತಮ ಮಾರ್ಗ

MIT ಸಂಶೋಧಕರು ರೋಬೋಟ್ ನ್ಯಾವಿಗೇಶನ್‌ನಂತಹ ದೀರ್ಘ-ಶ್ರೇಣಿಯ ದೃಶ್ಯ ಕಾರ್ಯಗಳನ್ನು ಯೋಜಿಸಲು ಉತ್ಪಾದಕ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ, ಇದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೆಲವು ವಿಧಾನಗಳಿಗಿಂತ ಸುಮಾರು ಎರಡು ಪಟ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ.

ಚಿತ್ರದಲ್ಲಿನ ಸನ್ನಿವೇಶವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಗುರಿಯನ್ನು ಸಾಧಿಸಲು ಅಗತ್ಯವಾದ ಕ್ರಮಗಳನ್ನು ಅನುಕರಿಸಲು ಅವರ ವಿಧಾನವು ವಿಶೇಷ ದೃಷ್ಟಿ ಭಾಷೆಯ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತದೆ. ಎರಡನೆಯ ಮಾಡೆಲರ್ ನಂತರ ಸಮಸ್ಯೆಯನ್ನು ಯೋಜಿಸಲು ಆ ಮಾದರಿಯನ್ನು ಪ್ರಮಾಣಿತ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗೆ ಭಾಷಾಂತರಿಸುತ್ತದೆ ಮತ್ತು ಪರಿಹಾರವನ್ನು ಪರಿಷ್ಕರಿಸುತ್ತದೆ.

ಅಂತಿಮವಾಗಿ, ಗುರಿಯನ್ನು ಸಾಧಿಸಲು ಯೋಜನೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಕ್ಲಾಸಿಕ್ ಪ್ಲಾನಿಂಗ್ ಸಾಫ್ಟ್‌ವೇರ್‌ಗೆ ಆಮದು ಮಾಡಬಹುದಾದ ಫೈಲ್‌ಗಳ ಗುಂಪನ್ನು ಸಿಸ್ಟಮ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಉತ್ಪಾದಿಸುತ್ತದೆ. ಈ ಎರಡು-ಹಂತದ ವ್ಯವಸ್ಥೆಯು ಸುಮಾರು 70 ಪ್ರತಿಶತದಷ್ಟು ಸರಾಸರಿ ಯಶಸ್ಸಿನ ದರದೊಂದಿಗೆ ಯೋಜನೆಗಳನ್ನು ತಯಾರಿಸಿತು, ಇದು ಕೇವಲ 30 ಪ್ರತಿಶತವನ್ನು ಸಾಧಿಸಬಹುದಾದ ಅತ್ಯುತ್ತಮ ಆರಂಭಿಕ ವಿಧಾನಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ.

ಮುಖ್ಯವಾಗಿ, ಈ ವ್ಯವಸ್ಥೆಯು ಮೊದಲು ಎದುರಿಸದ ಹೊಸ ಸಮಸ್ಯೆಗಳನ್ನು ನಿಭಾಯಿಸಬಲ್ಲದು, ಇದು ನೈಜ-ಪ್ರಪಂಚದ ಪರಿಸರಕ್ಕೆ ಸೂಕ್ತವಾಗಿಸುತ್ತದೆ, ಅಲ್ಲಿ ಪರಿಸ್ಥಿತಿಗಳು ಕ್ಷಣದ ಸೂಚನೆಯಲ್ಲಿ ಬದಲಾಗಬಹುದು.

“ನಮ್ಮ ಚೌಕಟ್ಟು ಚಿತ್ರಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯದಂತಹ ದೃಷ್ಟಿ ಭಾಷಾ ಮಾದರಿಗಳ ಅನುಕೂಲಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಔಪಚಾರಿಕ ಪರಿಹಾರಕನ ಬಲವಾದ ಯೋಜನಾ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ” ಎಂದು MIT ಯಲ್ಲಿನ ಏರೋನಾಟಿಕ್ಸ್ ಮತ್ತು ಆಸ್ಟ್ರೋನಾಟಿಕ್ಸ್ (ಏರೋಆಸ್ಟ್ರೋ) ನಲ್ಲಿ ಪದವಿ ವಿದ್ಯಾರ್ಥಿ ಮತ್ತು ತಂತ್ರದ ಕುರಿತು ಮುಕ್ತ ಪ್ರವೇಶ ಪತ್ರಿಕೆಯ ಪ್ರಮುಖ ಲೇಖಕ ಯಿಲುನ್ ಹಾವೊ ಹೇಳುತ್ತಾರೆ. “ಇದು ಒಂದೇ ಚಿತ್ರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು ಮತ್ತು ಅದನ್ನು ಸಿಮ್ಯುಲೇಶನ್ ಮೂಲಕ ವಿಸ್ತರಿಸಬಹುದು ಮತ್ತು ನಂತರ ಅನೇಕ ನೈಜ-ಜೀವನದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಉಪಯುಕ್ತವಾಗಬಲ್ಲ ವಿಶ್ವಾಸಾರ್ಹ ಸಮತಲ ಸಮತಲಕ್ಕೆ ವಿಸ್ತರಿಸಬಹುದು.”

MITಯ ಲ್ಯಾಬೊರೇಟರಿ ಫಾರ್ ಇನ್ಫರ್ಮೇಷನ್ ಸಿಸ್ಟಮ್ಸ್ ಅಂಡ್ ಡಿಸಿಶನ್ಸ್ (LIDS) ನಲ್ಲಿ ಪದವಿ ವಿದ್ಯಾರ್ಥಿಯಾದ ಯುಂಚಾವೊ ಚೆನ್ ಅವರನ್ನು ಸೇರಿಕೊಳ್ಳುತ್ತಾರೆ; ಚುಚು ಫ್ಯಾನ್, “ಏರೋಆಸ್ಟ್ರೋ” ನ ಡಾಸೆಂಟ್ ಮತ್ತು LIDS ನ ಪ್ರಧಾನ ತನಿಖಾಧಿಕಾರಿ; ಮತ್ತು ಯಾಂಗ್ ಜಾಂಗ್, MIT-IBM ವ್ಯಾಟ್ಸನ್ AI ಲ್ಯಾಬ್‌ನಲ್ಲಿ ಸಂಶೋಧನಾ ವಿಜ್ಞಾನಿ. ಕಲಿಕೆಯ ಪ್ರಾತಿನಿಧ್ಯಗಳ ಕುರಿತ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದಲ್ಲಿ ಪ್ರಬಂಧವನ್ನು ಮಂಡಿಸಲಾಯಿತು.

ದೃಶ್ಯ ಕಾರ್ಯಗಳನ್ನು ಪರಿಹರಿಸುವುದು

ಕಳೆದ ಕೆಲವು ವರ್ಷಗಳಿಂದ, ಫ್ಯಾನ್ ಮತ್ತು ಅವರ ಸಹೋದ್ಯೋಗಿಗಳು AI ಉತ್ಪಾದಕ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಕೀರ್ಣವಾದ ತಾರ್ಕಿಕತೆ ಮತ್ತು ಯೋಜನೆಯನ್ನು ನಿರ್ವಹಿಸಲು ಪರಿಶೋಧಿಸಿದ್ದಾರೆ, ಆಗಾಗ್ಗೆ ಪಠ್ಯ ಇನ್‌ಪುಟ್ ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು (LLM ಗಳು) ಬಳಸುತ್ತಾರೆ.

ರೋಬೋಟ್ ಅಸೆಂಬ್ಲಿ ಮತ್ತು ಸ್ವಾಯತ್ತ ಚಾಲನೆಯಂತಹ ಅನೇಕ ನೈಜ-ಪ್ರಪಂಚದ ಯೋಜನೆ ಸಮಸ್ಯೆಗಳು, LLM ತನ್ನದೇ ಆದ ಮೇಲೆ ನಿಭಾಯಿಸಲು ಸಾಧ್ಯವಾಗದ ದೃಶ್ಯ ಒಳಹರಿವುಗಳನ್ನು ಹೊಂದಿವೆ. ದೃಶ್ಯ ಭಾಷಾ ಮಾದರಿಗಳು (VLMs), ಚಿತ್ರಗಳು ಮತ್ತು ಪಠ್ಯವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಲ್ಲ ಶಕ್ತಿಶಾಲಿ AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ದೃಶ್ಯ ಡೊಮೇನ್‌ಗೆ ವಿಸ್ತರಿಸಲು ಸಂಶೋಧಕರು ಪ್ರಯತ್ನಿಸಿದ್ದಾರೆ.

ಆದರೆ VLM ಗಳು ದೃಶ್ಯದಲ್ಲಿನ ವಸ್ತುಗಳ ನಡುವಿನ ಪ್ರಾದೇಶಿಕ ಸಂಬಂಧಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಹೆಣಗಾಡುತ್ತವೆ ಮತ್ತು ಅನೇಕ ಹಂತಗಳಲ್ಲಿ ಸರಿಯಾಗಿ ಯೋಚಿಸಲು ವಿಫಲವಾಗುತ್ತವೆ. ಇದು ದೀರ್ಘಾವಧಿಯ ಯೋಜನೆಗಾಗಿ VLM ಅನ್ನು ಬಳಸಲು ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ.

ಮತ್ತೊಂದೆಡೆ, ವಿಜ್ಞಾನಿಗಳು ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಔಪಚಾರಿಕ ಯೋಜಕರನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ, ಅವರು ಸಂಕೀರ್ಣ ಸನ್ನಿವೇಶಗಳಿಗೆ ದೀರ್ಘಾವಧಿಯ ಯೋಜನೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ಈ ಸಾಫ್ಟ್‌ವೇರ್ ವ್ಯವಸ್ಥೆಗಳು ದೃಶ್ಯ ಇನ್‌ಪುಟ್ ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಮತ್ತು ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಬಹುದಾದ ಭಾಷೆಗೆ ಕೋಡ್ ಮಾಡಲು ತಜ್ಞರ ಜ್ಞಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಫ್ಯಾನ್ ಮತ್ತು ಅವರ ತಂಡವು ಸ್ವಯಂಚಾಲಿತ ವೇಳಾಪಟ್ಟಿ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸಿದೆ ಅದು ಎರಡೂ ವಿಧಾನಗಳಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾದವುಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. VLM ಫಾರ್ಮಲ್ ಪ್ಲಾನಿಂಗ್ (VLMFP) ಎಂದು ಕರೆಯಲ್ಪಡುವ ವ್ಯವಸ್ಥೆಯು ಎರಡು ವಿಶೇಷ VLM ಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಅದು ದೃಶ್ಯ ಯೋಜನೆ ಸಮಸ್ಯೆಗಳನ್ನು ಔಪಚಾರಿಕ ಯೋಜನೆ ಸಾಫ್ಟ್‌ವೇರ್‌ಗಾಗಿ ಬಳಸಲು ಸಿದ್ಧವಾದ ಫೈಲ್‌ಗಳಾಗಿ ಪರಿವರ್ತಿಸಲು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ.

ಸಂಶೋಧಕರು ಮೊದಲಿಗೆ ಸಿಮ್‌ವಿಎಲ್‌ಎಂ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಸಣ್ಣ ಮಾದರಿಯನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ತರಬೇತಿ ನೀಡಿದರು, ನೈಸರ್ಗಿಕ ಭಾಷೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಚಿತ್ರದಲ್ಲಿನ ಸನ್ನಿವೇಶವನ್ನು ವಿವರಿಸಲು ಮತ್ತು ಆ ಸನ್ನಿವೇಶದಲ್ಲಿ ಕ್ರಮಗಳ ಅನುಕ್ರಮವನ್ನು ಅನುಕರಿಸಲು ಪರಿಣತಿಯನ್ನು ಪಡೆದರು. ನಂತರ ಅವರು GenVLM ಎಂದು ಕರೆಯುವ ಒಂದು ದೊಡ್ಡ ಮಾದರಿ, ಪ್ಲಾನಿಂಗ್ ಡೊಮೈನ್ ಡೆಫಿನಿಷನ್ ಲಾಂಗ್ವೇಜ್ (PDDL) ಎಂದು ಕರೆಯಲ್ಪಡುವ ಔಪಚಾರಿಕ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯಲ್ಲಿ ಇನಿಶಿಯಲೈಸೇಶನ್ ಫೈಲ್‌ಗಳ ಸೆಟ್ ಅನ್ನು ರಚಿಸಲು SimVLM ವಿವರಣೆಯನ್ನು ಬಳಸುತ್ತದೆ.

ಫೈಲ್‌ಗಳು ಕ್ಲಾಸಿಕ್ PDDL ಪರಿಹಾರಕಕ್ಕೆ ಆಮದು ಮಾಡಿಕೊಳ್ಳಲು ಸಿದ್ಧವಾಗಿವೆ, ಇದು ಕಾರ್ಯವನ್ನು ಪರಿಹರಿಸಲು ಹಂತ-ಹಂತದ ಯೋಜನೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ. GenVLM ಪರಿಹಾರಕ ಫಲಿತಾಂಶಗಳನ್ನು ಸಿಮ್ಯುಲೇಟರ್ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಹೋಲಿಸುತ್ತದೆ ಮತ್ತು PDDL ಫೈಲ್‌ಗಳನ್ನು ಪುನರಾವರ್ತಿತವಾಗಿ ಪರಿಷ್ಕರಿಸುತ್ತದೆ.

“ಜನರೇಟರ್ ಮತ್ತು ಸಿಮ್ಯುಲೇಟರ್ ಒಂದೇ ಫಲಿತಾಂಶವನ್ನು ಸಾಧಿಸಲು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ, ಇದು ಗುರಿಯನ್ನು ಹೊಡೆಯುವ ಆಕ್ಷನ್ ಸಿಮ್ಯುಲೇಶನ್ ಆಗಿದೆ” ಎಂದು ಹಾವೊ ಹೇಳಿದರು.

GenVLM ಒಂದು ದೊಡ್ಡ ಉತ್ಪಾದಕ AI ಮಾದರಿಯಾಗಿರುವುದರಿಂದ, ಇದು ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ PDDL ನ ಅನೇಕ ಉದಾಹರಣೆಗಳನ್ನು ನೋಡಿದೆ ಮತ್ತು ಈ ಔಪಚಾರಿಕ ಭಾಷೆಯು ಹೇಗೆ ವ್ಯಾಪಕವಾದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಕಲಿತಿದೆ. ಈ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಜ್ಞಾನವು ನಿಖರವಾದ PDDL ಫೈಲ್‌ಗಳನ್ನು ರಚಿಸಲು ಮಾದರಿಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ.

ಹೊಂದಿಕೊಳ್ಳುವ ವಿಧಾನ

VLMFP ಎರಡು ಪ್ರತ್ಯೇಕ PDDL ಫೈಲ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಮೊದಲನೆಯದು ಪರಿಸರ, ಮಾನ್ಯ ಕ್ರಮಗಳು ಮತ್ತು ಡೊಮೇನ್ ನಿಯಮಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಡೊಮೇನ್ ಫೈಲ್ ಆಗಿದೆ. ಇದು ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಯ ಆರಂಭಿಕ ಮತ್ತು ಗುರಿ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಸಮಸ್ಯೆ ಫೈಲ್ ಅನ್ನು ಸಹ ರಚಿಸುತ್ತದೆ.

“PDDL ನ ಒಂದು ಪ್ರಯೋಜನವೆಂದರೆ ಆ ಪರಿಸರದಲ್ಲಿನ ಎಲ್ಲಾ ನಿದರ್ಶನಗಳಿಗೆ ಡೊಮೇನ್ ಫೈಲ್ ಒಂದೇ ಆಗಿರುತ್ತದೆ. ಇದು ಅದೃಶ್ಯ ನಿದರ್ಶನಗಳನ್ನು ಒಂದೇ ಡೊಮೇನ್‌ಗೆ ಕ್ರೋಢೀಕರಿಸುವಲ್ಲಿ ನಮ್ಮ ಚೌಕಟ್ಟನ್ನು ಉತ್ತಮಗೊಳಿಸುತ್ತದೆ” ಎಂದು ಹಾವೊ ವಿವರಿಸುತ್ತಾರೆ.

ವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸಲು, ಸಂಶೋಧಕರು ಸಿಮ್‌ವಿಎಲ್‌ಎಂಗೆ ಸಾಕಷ್ಟು ಡೇಟಾವನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ವಿನ್ಯಾಸಗೊಳಿಸುವ ಅಗತ್ಯವಿದೆ, ಇದರಿಂದಾಗಿ ಮಾದರಿಯು ಸನ್ನಿವೇಶದಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳದೆ ಸಮಸ್ಯೆಯನ್ನು ಮತ್ತು ಗುರಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಲಿಯಬಹುದು. ಪರೀಕ್ಷೆಯ ಸಮಯದಲ್ಲಿ, SimVLM ಯಶಸ್ವಿಯಾಗಿ ಸನ್ನಿವೇಶವನ್ನು ವಿವರಿಸಿದೆ, ಅನುಕರಿಸಿದ ಕ್ರಿಯೆಗಳನ್ನು ವಿವರಿಸಿದೆ ಮತ್ತು ಸುಮಾರು 85 ಪ್ರತಿಶತ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಗುರಿಯನ್ನು ತಲುಪಲಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಒಟ್ಟಾರೆಯಾಗಿ, VLMFP ಫ್ರೇಮ್‌ವರ್ಕ್ ಆರು 2D ಯೋಜನಾ ಕಾರ್ಯಗಳಲ್ಲಿ ಸುಮಾರು 60 ಪ್ರತಿಶತ ಯಶಸ್ಸನ್ನು ಸಾಧಿಸಿದೆ ಮತ್ತು ಮಲ್ಟಿ-ರೋಬೋಟ್ ಸಹಯೋಗ ಮತ್ತು ರೋಬೋಟ್ ಅಸೆಂಬ್ಲಿ ಸೇರಿದಂತೆ ಎರಡು 3D ಕಾರ್ಯಗಳಲ್ಲಿ 80 ಪ್ರತಿಶತದಷ್ಟು ಯಶಸ್ಸನ್ನು ಸಾಧಿಸಿದೆ. ಇದು ಹಿಂದೆ ನೋಡದ 50 ಪ್ರತಿಶತಕ್ಕಿಂತಲೂ ಹೆಚ್ಚಿನ ಸನ್ನಿವೇಶಗಳಿಗೆ ಸರಿಯಾದ ಯೋಜನೆಗಳನ್ನು ತಯಾರಿಸಿತು, ಮೂಲ ವಿಧಾನಗಳಿಗಿಂತ ಬಹಳ ಮುಂದಿದೆ.

“ವಿವಿಧ ಸಂದರ್ಭಗಳಲ್ಲಿ ನಿಯಮಗಳು ಬದಲಾದಾಗ ನಮ್ಮ ಚೌಕಟ್ಟನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸಬಹುದು. ಇದು ನಮ್ಮ ಸಿಸ್ಟಮ್‌ಗೆ ಅನೇಕ ರೀತಿಯ ದೃಶ್ಯ ಯೋಜನೆ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ನಮ್ಯತೆಯನ್ನು ನೀಡುತ್ತದೆ” ಎಂದು ಫ್ಯಾನ್ ಸೇರಿಸುತ್ತಾರೆ.

ಭವಿಷ್ಯದಲ್ಲಿ, ಸಂಶೋಧಕರು VLMFP ಗಳನ್ನು ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಸನ್ನಿವೇಶಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಸಕ್ರಿಯಗೊಳಿಸಲು ಬಯಸುತ್ತಾರೆ ಮತ್ತು VLM ಗಳಿಂದ ಭ್ರಮೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ತಗ್ಗಿಸಲು ಮಾರ್ಗಗಳನ್ನು ಕಲಿಯುತ್ತಾರೆ.

“ದೀರ್ಘಾವಧಿಯಲ್ಲಿ, AI ಉತ್ಪಾದಿಸುವ ಮಾದರಿಗಳು ಏಜೆಂಟ್‌ಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು ಮತ್ತು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸರಿಯಾದ ಸಾಧನಗಳನ್ನು ಬಳಸಬಹುದು. ಆದರೆ ಸರಿಯಾದ ಸಾಧನಗಳನ್ನು ಹೊಂದುವುದರ ಅರ್ಥವೇನು ಮತ್ತು ನಾವು ಆ ಸಾಧನಗಳನ್ನು ಹೇಗೆ ಬಳಸುತ್ತೇವೆ? ಇನ್ನೂ ಬಹಳ ದೂರ ಹೋಗಬೇಕಾಗಿದೆ, ಆದರೆ ಚಿತ್ರದಲ್ಲಿ ದೃಶ್ಯ ಯೋಜನೆಯನ್ನು ತರುವ ಮೂಲಕ, ಇದು ಒಗಟುಗಳ ಪ್ರಮುಖ ಭಾಗವಾಗಿದೆ,” ಅಭಿಮಾನಿ ಹೇಳುತ್ತಾರೆ.

ಈ ಕೆಲಸವು MIT-IBM ವ್ಯಾಟ್ಸನ್ AI ಲ್ಯಾಬ್‌ನಿಂದ ಭಾಗಶಃ ಹಣವನ್ನು ನೀಡಿತು.

Source link