वोक्सेल51 की नई ऑटो-लेबलिंग तकनीक 100,000x तक एनोटेशन लागत को कम करने का वादा करती है

कंप्यूटर विजन स्टार्टअप वोक्सेल51 के एक नए अध्ययन से पता चलता है कि पारंपरिक डेटा एनोटेशन मॉडल को बदलने का समय आ गया है। आज जारी किए गए शोध में, कंपनी ने बताया है कि उसकी नई ऑटो-लेबलिंग प्रणाली मानव-स्तरीय सटीकता के 95% तक पहुंच सकती है, जबकि यह मैनुअल लेबलिंग की तुलना में 5,000x तेज और 100,000x सस्ती हो सकती है।

इस अध्ययन ने फाउंडेशन मॉडल जैसे YOLO-World और Grounding DINO को COCO, LVIS, BDD100K, और VOC जैसे प्रसिद्ध डेटासेट पर बेंचमार्क किया। आश्चर्यजनक रूप से, कई वास्तविक दुनिया के परिदृश्यों में, केवल AI-जनित लेबल पर प्रशिक्षित मॉडल मानव लेबल पर प्रशिक्षित मॉडल के समान या उससे बेहतर प्रदर्शन करते हैं। कंप्यूटर विजन सिस्टम बनाने वाली कंपनियों के लिए इसके परिणाम विशाल हैं: लाखों डॉलर की एनोटेशन लागत बचाई जा सकती है, और मॉडल विकास चक्र सप्ताह से घंटों में कम हो सकते हैं।

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

दशकों से, डेटा एनोटेशन एआई विकास में एक दर्दनाक बोतलनेक रहा है। इमेजनेट से लेकर स्वायत्त वाहन डेटासेट तक, टीमें वस्तुओं को खींचने और वस्तुओं को खंडित करने के लिए मानव श्रम पर निर्भर रही हैं – एक प्रयास जो महंगा और धीमा है।

प्रचलित तर्क सरल था: अधिक मानव-लेबल वाला डेटा = बेहतर एआई। लेकिन वोक्सेल51 के शोध ने इस धारणा को पलट दिया है।

उनका दृष्टिकोण पूर्व-प्रशिक्षित फाउंडेशन मॉडल का लाभ उठाता है – कुछ ज़ीरो-शॉट क्षमताओं के साथ – और उन्हें एक पाइपलाइन में एकीकृत करता है जो रूटीन लेबलिंग को स्वचालित करता है जबकि अस्थायी या जटिल मामलों को मानव समीक्षा के लिए फ्लैग करता है। यह विधि समय और लागत दोनों को काफी कम कर देती है।

एक परीक्षण में, 3.4 मिलियन वस्तुओं को लेबल करने में NVIDIA (NVDA ) L40S GPU का उपयोग करके केवल एक घंटे से अधिक का समय लगा और इसकी लागत $1.18 थी। मैनुअल रूप से यह काम करने में AWS SageMaker का उपयोग करके लगभग 7,000 घंटे लगेंगे और इसकी लागत $124,000 से अधिक होगी। विशेष रूप से चुनौतीपूर्ण मामलों में – जैसे कि COCO या LVIS डेटासेट में दुर्लभ श्रेणियों की पहचान करना – ऑटो-लेबल किए गए मॉडल ने कभी-कभी मानव-लेबल वाले मॉडल को पीछे छोड़ दिया। यह आश्चर्यजनक परिणाम फाउंडेशन मॉडल के सुसंगत लेबलिंग पैटर्न और उनके प्रशिक्षण के कारण हो सकता है बड़े पैमाने पर इंटरनेट डेटा पर।

वोक्सेल51 के अंदर: द टीम जो विजुअल एआई वर्कफ्लो को फिर से आकार दे रही है

2016 में प्रोफेसर जेसन कोरसो और ब्रायन मूर द्वारा मिशिगन विश्वविद्यालय में स्थापित, वोक्सेल51 मूल रूप से वीडियो विश्लेषण पर केंद्रित एक परामर्श के रूप में शुरू हुआ था। कोरसो, एक अनुभवी कंप्यूटर विजन और रोबोटिक्स में, ने 150 से अधिक शोध पत्र प्रकाशित किए हैं और एआई समुदाय के लिए व्यापक ओपन-सोर्स कोड का योगदान दिया है। मूर, कोरसो के एक पूर्व पीएचडी छात्र, सीईओ के रूप में कार्य करता है।

मोड़ उस समय आया जब टीम ने महसूस किया कि अधिकांश एआई बोतलनेक मॉडल डिज़ाइन में नहीं थे – बल्कि डेटा में थे। यह अंतर्दृष्टि उन्हें फिफ्टी वन बनाने के लिए प्रेरित की, जो एक मंच है जो इंजीनियरों को दृश्य डेटासेट का अन्वेषण, क्यूरेट और अनुकूलन करने में सक्षम बनाता है।

वर्षों से, कंपनी ने $45M से अधिक जुटाया है, जिसमें $12.5M सीरीज ए और $30M सीरीज बी शामिल है, जिसका नेतृत्व बेसेमर वेंचर पार्टनर्स ने किया था। एंटरप्राइज अपनाया गया, जिसमें एलजी इलेक्ट्रॉनिक्स, बोस्च, बर्कशायर ग्रे (BGRY ) , प्रेसिजन प्लांटिंग, और रियोस जैसे प्रमुख क्लाइंट वोक्सेल51 के टूल्स को अपने उत्पादन एआई वर्कफ्लो में एकीकृत करते हैं।

टूल से प्लेटफ़ॉर्म तक: फिफ्टी वन की बढ़ती भूमिका

फिफ्टी वन एक सरल डेटासेट विज़ुअलाइज़ेशन टूल से एक व्यापक, डेटा-केंद्रित एआई प्लेटफ़ॉर्म में विकसित हुआ है। यह विभिन्न प्रारूपों और लेबलिंग स्कीमाओं – COCO, पास्कल VOC, LVIS, BDD100K, ओपन इमेज – को सपोर्ट करता है और टेंसोरफ्लो और पाइटोर्च जैसे फ्रेमवर्क के साथ सहजता से एकीकृत होता है।

केवल एक विज़ुअलाइज़ेशन टूल से अधिक, फिफ्टी वन उन्नत ऑपरेशन को सक्षम बनाता है: डुप्लिकेट छवियों का पता लगाना, गलत लेबल वाले नमूनों की पहचान करना, आउटलियर को उजागर करना, और मॉडल विफलता मोड को मापना। इसका प्लगइन इकोसिस्टम ऑप्टिकल कैरेक्टर रिकग्निशन, वीडियो Q&A और एम्बेडिंग-आधारित विश्लेषण के लिए कस्टम मॉड्यूल का समर्थन करता है।

एंटरप्राइज़ संस्करण, फिफ्टी वन टीम, संस्करण नियंत्रण, पहुंच अनुमतियां, और क्लाउड स्टोरेज (जैसे S3) के साथ एकीकरण जैसी सहयोगी सुविधाएं पेश करता है, साथ ही लेबलबॉक्स और सीवीएटी जैसे एनोटेशन टूल भी शामिल हैं। उल्लेखनीय रूप से, वोक्सेल51 ने वी7 लैब्स के साथ भी साझेदारी की है ताकि डेटासेट क्यूरेशन और मैनुअल एनोटेशन के बीच प्रवाह को सुव्यवस्थित किया जा सके।

एनोटेशन उद्योग को फिर से सोचना

वोक्सेल51 के ऑटो-लेबलिंग शोध एनोटेशन उद्योग के अंतर्निहित धारणाओं को चुनौती देते हैं। पारंपरिक वर्कफ्लो में, प्रत्येक छवि को मानव द्वारा स्पर्श किया जाना चाहिए – एक महंगा और अक्सर अनावश्यक प्रक्रिया। वोक्सेल51 तर्क देता है कि अधिकांश श्रम को अब समाप्त किया जा सकता है।

उनकी प्रणाली के साथ, अधिकांश छवियों को एआई द्वारा लेबल किया जाता है, जबकि केवल एज केस मानवों को बढ़ाया जाता है। यह हाइब्रिड रणनीति न केवल लागत को कम करती है, बल्कि समग्र डेटा गुणवत्ता को भी सुनिश्चित करती है, क्योंकि मानव प्रयास को सबसे कठिन या मूल्यवान एनोटेशन के लिए आरक्षित किया जाता है।

यह बदलाव एआई क्षेत्र में व्यापक रुझानों के साथ समानांतर है – डेटा-केंद्रित एआई की ओर, जो प्रशिक्षण डेटा को अनुकूलित करने पर केंद्रित है, न कि मॉडल आर्किटेक्चर को बार-बार ट्यून करने पर।

प्रतिस्पर्धी परिदृश्य और उद्योग प्रतिक्रिया

बेसेमर जैसे निवेशक वोक्सेल51 को एआई के लिए “डेटा ऑर्केस्ट्रेशन लेयर” के रूप में देखते हैं – जैसे कि डेवओप्स टूल्स ने सॉफ्टवेयर विकास को बदल दिया। उनके ओपन-सोर्स टूल ने लाखों डाउनलोड हासिल किए हैं, और उनका समुदाय दुनिया भर के हजारों डेवलपर्स और एमएल टीमों को शामिल करता है।

हालांकि स्नोर्कल एआई, रोबोफ्लो और एक्टिवलूप जैसे अन्य स्टार्टअप भी डेटा वर्कफ्लो पर केंद्रित हैं, वोक्सेल51 अपनी व्यापकता, ओपन-सोर्स नीति और एंटरप्राइज-ग्रेड इन्फ्रास्ट्रक्चर के लिए खड़ा है। एनोटेशन प्रदाताओं के साथ प्रतिस्पर्धा करने के बजाय, वोक्सेल51 का प्लेटफ़ॉर्म उन्हें चुनिंदा क्यूरेशन के माध्यम से अधिक कुशल बनाता है।

भविष्य के निहितार्थ

लंबी अवधि के निहितार्थ गहरे हैं। यदि व्यापक रूप से अपनाया जाता है, तो वोक्सेल51 की विधि कंप्यूटर विजन के लिए प्रवेश की बाधा को नाटकीय रूप से कम कर सकती है, इस क्षेत्र को स्टार्टअप और शोधकर्ताओं के लिए लोकतांत्रिक बना सकती है जो विशाल लेबलिंग बजट की कमी है।

लागत बचत से परे, यह दृष्टिकोण निरंतर सीखने वाले सिस्टम के लिए आधार तैयार करता है, जहां उत्पादन में मॉडल स्वचालित रूप से विफलताओं को फ्लैग करते हैं, जिन्हें फिर से लेबल किया जाता है और प्रशिक्षण डेटा में वापस मोड़ दिया जाता है – सभी एक ही समन्वित पाइपलाइन के भीतर।

कंपनी की व्यापक दृष्टि एआई के विकास के साथ संरेखित है: न केवल स्मार्ट मॉडल, बल्कि स्मार्ट वर्कफ्लो। उस दृष्टि में, एनोटेशन मृत नहीं है – लेकिन यह अब श्रम का क्षेत्र नहीं है। यह रणनीतिक, चुनिंदा, और स्वचालन से चलाया जाता है।