نویسنده: میثم امینی
منبع: نوزدهمین شماره ی ماهنامه ی نسل مانا
در سال های اخیر شاهد ارائه ابزارهای مختلفی برای توصیف تصاویر برای افراد نابینا بوده ایم؛ از برنامه های تلفن همراه گرفته تا وبگاه ها و افزونه های مختلف. این ابزارها یک تصویر را دریافت می کنند و با استفاده از هوش مصنوعی تلاش می کنند توصیفی مناسب را درباره آن به کاربر ارائه دهند که این موضوع می تواند برای یک فرد نابینا بسیار مفید باشد، مثلاً چنین ابزاری می تواند به فرد نابینا در شناسایی فضای اطراف، پیداکردن شیءِ مورد نظر، اطلاع از محتوای تصاویری که در شبکه های اجتماعی منتشر می شوند، استفاده از برنامه های با دسترس پذیری نامناسب، تشخیص جزئیات داخل عکس های یادگاری و خانوادگی و مرتب کردن آنها و… کمک کند.
این ابزارها روزبه روز قدرتمندتر می شوند و جزئیات بیشتری را با دقتی بالاتر و خطای کمتر به کاربران ارائه می دهند که این موضوع خبری خوب برای کاربران نابینا است، چون همیشه مشکل عدم توانایی درک محتوای تصاویر، یکی از موانع سر راه آنها در استفاده مؤثر از فناوری بوده است.
با ورود روبات چت بر پایه هوش مصنوعی چَت جی پی تی به بازار محصولات هوش مصنوعی، توجه کاربران عادی بیش از پیش به این دسته محصولات جلب شد. این روبات که می تواند مثل یک انسان در زمینه موضوع های گوناگون با کاربر مکالمه داشته باشد، تا امروز قدرتمندترین روبات هوش مصنوعی ارائه شده در جهان است. این روبات یک مدل زبانی است و فقط ورودی متنی را می پذیرد و خروجی آن نیز متن است، اما قرار است که در نسخه ۴ این روبات امکان دریافت ورودی تصویری هم اضافه شود که به کاربران، ازجمله کاربران نابینا و کم بینا اجازه می دهد تصویری را برای این روبات ارسال کنند و در مورد آن با روبات مکالمه داشته باشند، مثلاً کاربر می تواند تصویری را برای این روبات ارسال کند و سپس از روبات بخواهد آن را برای او توصیف کند یا سؤالی را درباره موردی خاص در تصویر از آن بپرسد، اما تا زمان نگارش این مطلب خبری از این ویژگی نیست؛ بنابراین در این مطلب شما را با دو ابزار مبتنی بر هوش مصنوعی مینی جی پی تی ـ ۴ و میدجُورنی آشنا می کنیم که کاری مشابه را انجام می دهند و عملکردی بسیار بهتر نسبت به ابزاری که شاید تابه حال از آنها استفاده کرده اید ارائه می دهند. توجه داشته باشید که این دو ابزار بیشتر جنبه آزمایشی دارند و به دلیل کندی کار شاید برای استفاده روزمره چندان مناسب نباشند، ولی استفاده از آنها می تواند توانایی های فوق العاده این نوع ابزارها را برایتان به نمایش بگذارد و پیش نمایشی باشد از آینده ای که در آن تصاویر دیگر برای ما نامأنوس و بلااستفاده نیستند.
مینی جی پی تی ـ ۴ یک پروژه منبع باز است که گروهی از دانشجویان دکتری دانشگاه علم و صنعت ملک عبدالله عربستان سعودی برای به نمایش درآوردن توانایی های هوش مصنوعی در زمینه بینایی و زبان، روی بستر گیت هاب ارائه داده اند. این پروژه پیش نمایش خوبی را از امکاناتی که چت جی پی تی در زمینه پردازش تصویر خواهد داشت به ما ارائه می دهد. مینی جی پی تی ـ ۴ می تواند تصاویر را توصیف کند، بر اساس تصاویر داستان بنویسد و حتی بر پایه تصاویری که با دست کشیده شده اند، وبگاه ایجاد کند. این پروژه ارتباطی با جی پی تی ـ ۴ و شرکت سازنده آن، یعنی اُوپِن اِی آی ندارد. اکنون نسخه اول این ابزار که صرفاً به عنوان نمونه ارائه شده، در وبگاه رسمی گروه سازنده، به صورت رایگان، قابل دسترسی است.
برای امتحان مینی جی پی تی ـ ۴ باید به این صفحه مراجعه کنید، تصویر مورد نظر خود را بارگذاری کنید و سپس به زبان انگلیسی از روبات بخواهید که تصویر را برایتان توصیف کند. پاسخ به زبان انگلیسی خواهد بود که در صورت نیاز می توانید آن را با ابزارهای ترجمه موجود به فارسی ترجمه کنید. توصیفی که روبات ارائه می دهد معمولاً تا حد زیادی دقیق است، اما احتمال خطا هم وجود دارد.
میدجورنی ابزار دیگر مبتنی بر هوش مصنوعی است که می تواند تصاویر را توصیف کند. برخلاف مینی جی پی تی ـ ۴ که فعلاً به صورت رایگان ارائه شده، میدجورنی رایگان نیست. این سرویس یک دوره آزمایشی رایگان دارد، اما بعد از گذشت این دوره برای استفاده از آن باید ماهی ده دلار بپردازید. همچنین استفاده از میدجورنی به آسانی استفاده از مینی جی پی تی ـ ۴ نیست و برای کار با آن، گذراندن مراحل بیشتر و دانش فنی لازم است، اما از طرف دیگر میدجورنی سرعت بسیار بالاتری نسبت به مینی جی پی تی ـ ۴ دارد و کیفیت توصیفی که این سرویس ارائه می دهد بالاتر است. میدجورنی چهار توصیف مختلف را برای هر تصویر ارائه می دهد که به ما کمک می کند تصویر را از دیدگاه های متفاوتی درک کنیم.
برای استفاده از میدجورنی باید اول برنامه پیام رسان دیسکورد را بارگیری و نصب کنید. سپس باید با استفاده از این پیوند به سرور مربوط به میدجورنی بپیوندید. برای کار با برنامه میدجورنی باید از دستوراتی استفاده کنید که با علامت اِسلش شروع می شوند. با واردکردن دستور مربوط به توصیف تصویر گزینه ای برای بارگذاری تصویر ظاهر می شود. پس از بارگذاری، چهار توصیف مختلف برای تصویر نمایش داده می شود. میدجورنی امکان تبدیل توصیف به تصویر را هم دارد و این چهار توصیف، درواقع توصیف هایی اند که اگر یکی از آنها را به میدجورنی بدهید، تصویری مشابه تصویر انتخاب شده را برای شما ایجاد می کند؛ بنابراین توصیف گاهی کلماتی اضافی مثل منحنی های صاف، صیقلی یا نسبت تصویر دارد که میدجورنی در فرایند تولید تصویر می تواند از آنها استفاده کند، ولی شاید برای استفاده انسانی مناسب نباشد. ما می توانیم این کلمات اضافی را نادیده بگیریم یا از آنها برای دریافت اطلاعات بیشتر درباره تصویر بهره بگیریم. خروجی میدجورنی هم به زبان انگلیسی است.
ما از بررسی این دو سرویس نتایج بسیار خوبی را دریافت کردیم و امیدواریم با اضافه شدن امکان تشخیص تصویر به چت جی پی تی، شاهد در دسترس بودن بیش از پیش این امکان باشیم. همان گونه که در یکی از شماره های قبلی در این ستون درباره آن صحبت کردیم، بی مای آیز قرار است از امکان تشخیص تصویر نسخه ۴ چت جی پی تی برای ارائه خدمات به کاربران نابینای خود استفاده کند؛ بنابراین با در دسترس قرار گرفتن این امکان می توانیم امیدوار باشیم که به سرعت از طریق برنامه بی مای آیز به آن دسترسی خواهیم داشت.