वॉक्सेल51 की नई ऑटो-लेबलिंग तकनीक एनोटेशन लागत को 100,000 गुना तक कम करने का वादा करती है

कंप्यूटर विज़न स्टार्टअप का एक नया और क्रांतिकारी अध्ययन वोक्सेल51 सुझाव है कि पारंपरिक डेटा एनोटेशन मॉडल को बदला जा रहा है। आज जारी शोध में, कंपनी ने बताया कि इसका नया ऑटो-लेबलिंग सिस्टम 95% तक मानव-स्तर की सटीकता प्राप्त करता है, जबकि 5,000 गुना तेज़ और 1 तक00,000 गुना सस्ता मैनुअल लेबलिंग की तुलना में.

अध्ययन ने COCO, LVIS, BDD100K और VOC सहित जाने-माने डेटासेट पर YOLO-World और ग्राउंडिंग DINO जैसे फाउंडेशन मॉडल का बेंचमार्क किया। उल्लेखनीय रूप से, कई वास्तविक दुनिया के परिदृश्यों में, विशेष रूप से AI-जनरेटेड लेबल पर प्रशिक्षित मॉडल ने मानव लेबल पर प्रशिक्षित मॉडल के बराबर या उससे भी बेहतर प्रदर्शन किया। कंप्यूटर दृष्टि प्रणालियों में, इसके निहितार्थ बहुत बड़े हैं: एनोटेशन लागत में लाखों डॉलर की बचत हो सकती है, और मॉडल विकास चक्र सप्ताहों से घटकर घंटों में आ सकता है।

एनोटेशन का नया युग: मैनुअल श्रम से मॉडल-संचालित पाइपलाइनों तक

दशकों के लिए, डेटा एनोटेशन एआई विकास में एक दर्दनाक अड़चन रही है। इमेजनेट से लेकर स्वायत्त वाहन डेटासेट तक, टीमें बाउंडिंग बॉक्स बनाने और वस्तुओं को खंडित करने के लिए मानव श्रमिकों की विशाल सेनाओं पर निर्भर रही हैं - यह प्रयास महंगा और धीमा दोनों है।

प्रचलित तर्क सरल था: अधिक मानव-लेबल वाला डेटा = बेहतर AI. लेकिन वॉक्सेल51 के शोध ने इस धारणा को उलट दिया है।

उनका दृष्टिकोण पूर्व-प्रशिक्षित आधार मॉडल का लाभ उठाता है - कुछ के साथ शून्य-गोली क्षमताओं को एकीकृत करता है और उन्हें एक पाइपलाइन में एकीकृत करता है जो मानव समीक्षा के लिए अनिश्चित या जटिल मामलों को चिह्नित करने के लिए सक्रिय शिक्षण का उपयोग करते हुए नियमित लेबलिंग को स्वचालित करता है। यह विधि नाटकीय रूप से समय और लागत दोनों को कम करती है।

एक परीक्षण में, NVIDIA L3.4S GPU का उपयोग करके 40 मिलियन ऑब्जेक्ट को लेबल करने में सिर्फ़ एक घंटे से ज़्यादा समय लगा और इसकी लागत $1.18 थी। AWS SageMaker के साथ मैन्युअल रूप से ऐसा करने में लगभग 7,000 घंटे लगते और इसकी लागत $124,000 से ज़्यादा होती। विशेष रूप से चुनौतीपूर्ण मामलों में - जैसे कि COCO या LVIS डेटासेट में दुर्लभ श्रेणियों की पहचान करना - कभी-कभी ऑटो-लेबल किए गए मॉडल बेहतर प्रदर्शन किया उनके मानव-लेबल वाले समकक्ष। यह आश्चर्यजनक परिणाम आधारभूत मॉडलों के सुसंगत लेबलिंग पैटर्न और बड़े पैमाने पर इंटरनेट डेटा पर उनके प्रशिक्षण से उत्पन्न हो सकता है।

वॉक्सेल51 के अंदर: विज़ुअल एआई वर्कफ़्लो को नया आकार देने वाली टीम

2016 में स्थापित किया गया प्रोफेसर जेसन कॉर्सो और ब्रायन मूर मिशिगन विश्वविद्यालय में, वॉक्सेल51 मूल रूप से वीडियो एनालिटिक्स पर केंद्रित एक परामर्शदात्री संस्था के रूप में शुरू हुई थी। कंप्यूटर विज़न और रोबोटिक्स के अनुभवी कॉर्सो ने 150 से अधिक अकादमिक पेपर प्रकाशित किए हैं और एआई समुदाय के लिए व्यापक ओपन-सोर्स कोड का योगदान दिया है। कॉर्सो के पूर्व पीएचडी छात्र मूर सीईओ के रूप में कार्य करते हैं।

निर्णायक मोड़ तब आया जब टीम को एहसास हुआ कि ज़्यादातर एआई की अड़चनें मॉडल डिज़ाइन में नहीं, बल्कि डेटा में हैं। इसी समझ ने उन्हें एक नया मॉडल बनाने के लिए प्रेरित किया। इक्यावन, एक ऐसा प्लेटफ़ॉर्म जिसे इंजीनियरों को दृश्य डेटासेट को अधिक कुशलतापूर्वक खोजने, क्यूरेट करने और अनुकूलित करने के लिए सशक्त बनाने के लिए डिज़ाइन किया गया है।

पिछले कुछ वर्षों में कंपनी ने 1000 करोड़ रुपये से अधिक की राशि जुटाई है। $ 45M, सहित एक $ 12.5M श्रृंखला ए और एक $ 30M श्रृंखला बी बेसेमर वेंचर पार्टनर्स के नेतृत्व में। इसके बाद एंटरप्राइज ने भी इसे अपनाया, एलजी इलेक्ट्रॉनिक्स, बॉश, बर्कशायर ग्रे, प्रिसिजन प्लांटिंग और आरआईओएस जैसे प्रमुख क्लाइंट ने वॉक्सेल51 के टूल्स को अपने प्रोडक्शन एआई वर्कफ़्लो में एकीकृत किया।

टूल से प्लेटफॉर्म तक: फिफ्टीवन की बढ़ती भूमिका

फिफ्टीवन एक साधारण डेटासेट विज़ुअलाइज़ेशन टूल से एक व्यापक, डेटा-केंद्रित AI प्लेटफ़ॉर्म में विकसित हुआ है। यह कई तरह के फ़ॉर्मेट और लेबलिंग स्कीमा का समर्थन करता है—COCO, Pascal VOC, LVIS, BDD100K, ओपन इमेजेस—और TensorFlow और PyTorch जैसे फ्रेमवर्क के साथ सहजता से एकीकृत होता है।

विज़ुअलाइज़ेशन टूल से कहीं ज़्यादा, फिफ्टीवन उन्नत संचालन को सक्षम बनाता है: डुप्लिकेट इमेज ढूँढना, गलत लेबल वाले नमूनों की पहचान करना, आउटलायर्स को सामने लाना और मॉडल विफलता मोड को मापना। इसका प्लगइन इकोसिस्टम ऑप्टिकल कैरेक्टर रिकग्निशन, वीडियो क्यू एंड ए और एम्बेडिंग-आधारित विश्लेषण के लिए कस्टम मॉड्यूल का समर्थन करता है।

एंटरप्राइज़ संस्करण, फिफ्टीवन टीम्स, सहयोगी सुविधाएँ जैसे कि संस्करण नियंत्रण, पहुँच अनुमतियाँ, और क्लाउड स्टोरेज (जैसे, S3) के साथ एकीकरण, साथ ही लेबलबॉक्स और CVAT जैसे एनोटेशन टूल पेश करता है। उल्लेखनीय रूप से, Voxel51 भी वी7 लैब्स के साथ साझेदारी डेटासेट क्यूरेशन और मैनुअल एनोटेशन के बीच प्रवाह को सुव्यवस्थित करने के लिए।

एनोटेशन उद्योग पर पुनर्विचार

वॉक्सेल51 का ऑटो-लेबलिंग शोध लगभग 1 बिलियन डॉलर के एनोटेशन उद्योग के आधारभूत मान्यताओं को चुनौती देता है। पारंपरिक वर्कफ़्लो में, प्रत्येक छवि को किसी व्यक्ति द्वारा स्पर्श किया जाना चाहिए - एक महंगी और अक्सर अनावश्यक प्रक्रिया। वॉक्सेल51 का तर्क है कि अब इस श्रम का अधिकांश भाग समाप्त किया जा सकता है।

उनके सिस्टम के साथ, अधिकांश छवियों को AI द्वारा लेबल किया जाता है, जबकि केवल किनारे के मामलों को मनुष्यों तक बढ़ाया जाता है। यह हाइब्रिड रणनीति न केवल लागत में कटौती करती है बल्कि उच्च समग्र डेटा गुणवत्ता भी सुनिश्चित करती है, क्योंकि मानव प्रयास सबसे कठिन या मूल्यवान एनोटेशन के लिए आरक्षित है।

यह बदलाव एआई क्षेत्र में व्यापक रुझानों के समानांतर है डेटा-केंद्रित एआई- एक कार्यप्रणाली जो मॉडल आर्किटेक्चर को अंतहीन रूप से ट्यून करने के बजाय प्रशिक्षण डेटा को अनुकूलित करने पर ध्यान केंद्रित करती है।

प्रतिस्पर्धी परिदृश्य और उद्योग स्वागत

बेसेमर जैसे निवेशक वॉक्सेल51 को एआई के लिए "डेटा ऑर्केस्ट्रेशन लेयर" के रूप में देखते हैं - कैसे DevOps टूल्स ने सॉफ्टवेयर डेवलपमेंट को पूरी तरह बदल दिया है। उनके ओपन-सोर्स टूल को लाखों बार डाउनलोड किया गया है, और उनके समुदाय में दुनिया भर के हज़ारों डेवलपर्स और एमएल टीमें शामिल हैं।

जबकि स्नोर्कल एआई, रोबोफ्लो और एक्टिवलूप जैसे अन्य स्टार्टअप भी डेटा वर्कफ़्लो पर ध्यान केंद्रित करते हैं, वोक्सेल51 अपनी व्यापकता, ओपन-सोर्स लोकाचार और एंटरप्राइज़-ग्रेड इंफ्रास्ट्रक्चर के लिए अलग है। एनोटेशन प्रदाताओं के साथ प्रतिस्पर्धा करने के बजाय, वोक्सेल51 का प्लेटफ़ॉर्म उनका पूरक है - चुनिंदा क्यूरेशन के माध्यम से मौजूदा सेवाओं को अधिक कुशल बनाता है।

भविष्य के निहितार्थ

इसके दीर्घकालिक प्रभाव बहुत गहरे हैं। यदि इसे व्यापक रूप से अपनाया जाए, तो वोक्सेल51की कार्यप्रणाली कंप्यूटर विज़न में प्रवेश की बाधा को नाटकीय रूप से कम कर सकती है, तथा इस क्षेत्र को स्टार्टअप्स और शोधकर्ताओं के लिए लोकतांत्रिक बना सकती है, जिनके पास लेबलिंग के लिए विशाल बजट का अभाव है।

लागत बचाने के अलावा, यह दृष्टिकोण इसके लिए आधार भी तैयार करता है सतत शिक्षण प्रणालियाँ, जहां उत्पादन में मॉडल स्वचालित रूप से विफलताओं को चिह्नित करते हैं, जिन्हें फिर से समीक्षा की जाती है, पुनः लेबल किया जाता है, और प्रशिक्षण डेटा में वापस जोड़ दिया जाता है - सभी एक ही ऑर्केस्ट्रेटेड पाइपलाइन के भीतर।

कंपनी का व्यापक दृष्टिकोण इस बात से मेल खाता है कि AI किस तरह विकसित हो रहा है: न केवल स्मार्ट मॉडल, बल्कि स्मार्ट वर्कफ़्लो। उस दृष्टिकोण में, एनोटेशन खत्म नहीं हुआ है - लेकिन यह अब क्रूर-बल श्रम का क्षेत्र नहीं है। यह रणनीतिक, चयनात्मक और स्वचालन द्वारा संचालित है।