Ο Vatsal Ghiya, Διευθύνων Σύμβουλος και συνιδρυτής της Shaip έχει 20 χρόνια εμπειρίας στην προσφορά υπηρεσιών τεχνητής νοημοσύνης στον τομέα της υγειονομικής περίθαλψης και έχει συζητήσει τη σημασία των μεγάλων προκλήσεων σχολιασμού εικόνας και βίντεο σε αυτό το τελευταίο χαρακτηριστικό επισκέπτη.
Το βασικό στοιχείο από το άρθρο είναι-
- Εκτός από τους τύπους και τις τεχνικές σχολιασμού, ο σχολιασμός δεδομένων είναι πιο περίπλοκος από την εύρεση οποιωνδήποτε άλλων στρατηγικών. Επίσης, περισσότερο από τον σχολιασμό κειμένου και βίντεο, οι επιχειρήσεις πρέπει να επικεντρωθούν στον σχολιασμό εικόνας και βίντεο όταν πρόκειται για την προετοιμασία έξυπνων μοντέλων, καθώς απαιτούνται πολλές ακρίβειες και δεξιότητες για να παραμείνουν αυτές οι αλλαγές.
- Ανάμεσα σε όλα τα σημαντικά εμπόδια είναι ο τεράστιος όγκος δεδομένων κατάρτισης που οι εταιρείες αγωνίζονται να διαχειριστούν. Σε αντίθεση με τα μοντέλα NLP που βασίζονται σε σχολιασμούς κειμένου και ήχου, τα έργα τεχνητής νοημοσύνης και ML πρέπει να συνεργάζονται με μια σειρά συνόλων δεδομένων και να διαχειρίζονται καλύτερο εργατικό δυναμικό.
- Επιπλέον, η διατήρηση της ποιότητας και της συνοχής ενός μεγάλου όγκου συνόλων δεδομένων είναι ένα άλλο ζήτημα που πρέπει να αντιμετωπίσουν οι επιχειρήσεις. Αλλά το μεγαλύτερο πρόβλημα προκύπτει όταν η έλλειψη αξιόπιστων πλατφορμών σχολιασμού και η διατήρηση της συμμόρφωσης με χαμηλότερη ποιότητα δεδομένων έγινε μια συνεχής πρόκληση.
Διαβάστε το πλήρες άρθρο εδώ:
https://www.techcults.com/what-are-the-major-image-and-video-annotation-challenges/
