কম্পোজড ইমেজ রিট্রিভাল ব্যবহারকারীদের একটি রেফারেন্স ইমেজ এবং টেক্সট পরিবর্তনের মাধ্যমে সার্চ করার সুযোগ দেয়, অন্যদিকে ট্র্যাডিশনাল ইমেজ সার্চ শুধুমাত্র একটি ইমেজ বা টেক্সট কোয়েরির উপর নির্ভর করে। সিআইআর অনেক বেশি সুনির্দিষ্ট এবং উদ্দেশ্য-চালিত ফলাফল প্রদান করে, যেখানে প্রচলিত পদ্ধতিগুলো দ্রুততর এবং দৈনন্দিন প্ল্যাটফর্মগুলোতে ব্যাপকভাবে ব্যবহৃত হয়।
একটি এআই কৌশল যা একটি রেফারেন্স ছবির সাথে একটি টেক্সট কোয়েরি একত্রিত করে ব্যবহারকারীর অভিপ্রায়ের সাথে মেলে এমন দৃশ্যত একই রকম কিন্তু পরিবর্তিত ছবি খুঁজে বের করে।
প্রচলিত ইমেজ পুনরুদ্ধার পদ্ধতিগুলো ভিজ্যুয়াল বা কীওয়ার্ড সাদৃশ্য ব্যবহার করে ডেটাবেসের সাথে একটি একক ইমেজ বা টেক্সট কোয়েরিকে মেলায়।
| বৈশিষ্ট্য | গঠিত চিত্র পুনরুদ্ধার | ঐতিহ্যবাহী চিত্র অনুসন্ধান |
|---|---|---|
| কোয়েরি টাইপ | ছবি + লেখা পরিবর্তন | শুধুমাত্র একটি ছবি বা লেখা |
| অন্তর্নিহিত প্রযুক্তি | মাল্টিমোডাল ট্রান্সফরমার (CLIP, BLIP) | সিএনএন বৈশিষ্ট্য নিষ্কাশন বা কীওয়ার্ড মিল |
| অভিপ্রায়ের নির্ভুলতা | উচ্চ — ব্যবহারকারীর পরিবর্তনগুলি ধারণ করে | নিম্ন থেকে মাঝারি — শুধুমাত্র চেহারার সাথে মেলে |
| মোতায়েন পরিপক্কতা | উদীয়মান, প্রধানত গবেষণা পর্যায়ে | প্রধান প্ল্যাটফর্ম জুড়ে ব্যাপকভাবে মোতায়েন করা হয়েছে |
| সর্বোত্তম ব্যবহারের ক্ষেত্র | ফ্যাশন, পণ্যের বিভিন্ন রূপ, ডিজাইনের সম্পাদনা | সাধারণ ওয়েব অনুসন্ধান, মুখ মেলানো, সদৃশ ব্যক্তি |
| গতি | দ্বৈত এনকোডিংয়ের কারণে ধীরগতির। | দ্রুত, কোটি কোটি ছবির জন্য অপ্টিমাইজ করা |
| ব্যবহারকারীর প্রয়োজনীয় দক্ষতা | মাঝারি — রেফারেন্স ছবির প্রয়োজন | কম — টেক্সট বা আপলোডই যথেষ্ট |
| অস্পষ্টতা মোকাবেলা | পাঠ্য দ্ব্যর্থতা নিরসনের মাধ্যমে সমাধান করা হয় | ব্যাপক ফলাফল দেখায়, ব্যবহারকারী নিজে থেকে ফিল্টার করেন। |
কম্পোজড ইমেজ রিট্রিভাল একই সাথে দুটি ইনপুট গ্রহণ করে: একটি রেফারেন্স ইমেজ এবং সেই ইমেজটি কীভাবে পরিবর্তন করা উচিত তার একটি স্বাভাবিক ভাষার বর্ণনা। এরপর সিস্টেমটি এমন ইমেজ খোঁজে যা দেখতে রেফারেন্স ইমেজের মতো কিন্তু তাতে টেক্সটের পরিবর্তনগুলো অন্তর্ভুক্ত থাকে। অন্যদিকে, ট্র্যাডিশনাল ইমেজ সার্চ একবারে কেবল একটি ইনপুট গ্রহণ করে, যা হয় ভিজ্যুয়াল সাদৃশ্য মেলানোর জন্য একটি একক ইমেজ অথবা কীওয়ার্ড-ভিত্তিক অনুসন্ধানের জন্য একটি টেক্সট স্ট্রিং। এই মৌলিক পার্থক্যটি নির্ভুলতা থেকে শুরু করে ব্যবহারকারীর অভিজ্ঞতা পর্যন্ত সবকিছুকে প্রভাবিত করে।
যখন ব্যবহারকারীরা কোনো নির্দিষ্ট পরিবর্তনের কথা ভাবেন, তখন CIR প্রচলিত সার্চের চেয়ে অনেক ভালো কাজ করে, কারণ এটি শুধু বাহ্যিক রূপের পরিবর্তে ব্যবহারকারীর উদ্দেশ্য বুঝতে পারে। উদাহরণস্বরূপ, 'এই পোশাকটি কিন্তু নীল রঙের' লিখে সার্চ করলে প্রাসঙ্গিক বিকল্পগুলো পাওয়া যায়, যেখানে একটি প্রচলিত ইমেজ সার্চ রঙ নির্বিশেষে শুধুমাত্র দেখতে একই রকম পোশাকই খুঁজে বের করবে। প্রচলিত পদ্ধতিগুলো ব্যাপক সাদৃশ্য নির্ণয়ের ক্ষেত্রে পারদর্শী, কিন্তু যখন ব্যবহারকারী রেফারেন্সটির কাছাকাছি অথচ সুস্পষ্টভাবে ভিন্ন কিছু চান, তখন এগুলো সমস্যায় পড়ে।
সিআইআর সিস্টেমগুলো মাল্টিমোডাল মডেলের উপর নির্ভর করে যা ছবি এবং টেক্সট উভয়কেই বুঝতে পারে, এবং এগুলো সাধারণত সিএলআইপি (CLIP), বিএলআইপি (BLIP) বা আরও আধুনিক ভিশন-ল্যাঙ্গুয়েজ আর্কিটেকচারের মতো ভিত্তি মডেলের উপর নির্মিত হয়। এই মডেলগুলো উভয় ইনপুটকে একটি শেয়ার্ড এমবেডিং স্পেসে এনকোড করে, যেখানে অর্থপূর্ণভাবে সাদৃশ্য গণনা করা যায়। প্রচলিত ইমেজ সার্চ পুরোনো কিন্তু ভালোভাবে অপ্টিমাইজ করা পাইপলাইন ব্যবহার করে: ভিজ্যুয়াল সার্চের জন্য সিএনএন-ভিত্তিক ফিচার এক্সট্র্যাকশন, অথবা টেক্সট-ভিত্তিক কোয়েরির জন্য টিএফ-আইডিএফ (TF-IDF) ওয়েটিং সহ ইনভার্টেড ইনডেক্স। নতুন এই পদ্ধতির জন্য বেশি কম্পিউটিং ক্ষমতার প্রয়োজন হলেও এটি আরও সমৃদ্ধ শব্দার্থিক বোধগম্যতা প্রদান করে।
প্রচলিত ইমেজ সার্চ কনজিউমার অ্যাপ্লিকেশনগুলোতে আধিপত্য বিস্তার করে, কারণ এটি দক্ষতার সাথে পরিবর্ধনযোগ্য এবং বিদ্যমান সার্চ পরিকাঠামোর সাথে সহজে সমন্বিত হয়। গুগল ইমেজ, পিন্টারেস্ট ভিজ্যুয়াল সার্চ এবং স্টক ফটো প্ল্যাটফর্মগুলো সবই এই পদ্ধতির বিভিন্ন রূপ ব্যবহার করে। ই-কমার্সের মতো বিশেষায়িত ক্ষেত্রগুলোতে সিআইআর (CIR) জনপ্রিয়তা লাভ করছে, যেখানে ক্রেতারা পণ্যের বিভিন্ন সংস্করণ খুঁজে পেতে চান, এবং ক্রিয়েটিভ টুলগুলোতেও এর ব্যবহার বাড়ছে, যেখানে ডিজাইনারদের রেফারেন্স ইমেজের পরিবর্তন অন্বেষণ করতে হয়। আগামী কয়েক বছরে শপিং অ্যাপ এবং ডিজাইন সফটওয়্যারে সিআইআর ফিচারগুলো দেখা যাবে বলে আশা করা যায়।
ডেটাসেটের স্বল্পতা সংক্রান্ত বাধার সম্মুখীন সিআইআর (CIR) এখনও হচ্ছে, কারণ বৃহৎ পরিসরে (রেফারেন্স ইমেজ, মডিফিকেশন টেক্সট, টার্গেট ইমেজ) এর টীকাযুক্ত ত্রয়ী তৈরি করা ব্যয়বহুল। মডেলগুলো জটিল বা দ্ব্যর্থক পাঠ্য নির্দেশাবলীর ক্ষেত্রেও সমস্যার সম্মুখীন হতে পারে। প্রচলিত ইমেজ সার্চেরও নিজস্ব দুর্বলতা রয়েছে, বিশেষ করে শব্দার্থ বোঝার ক্ষেত্রে — 'সুখী কুকুর' লিখে সার্চ করলে একটি আনন্দিত কুকুরছানার ছবি বাদ পড়ে যেতে পারে, কারণ এর ভিজ্যুয়াল বৈশিষ্ট্যগুলো কীওয়ার্ডের প্রত্যাশার সাথে মেলে না। উভয় পদ্ধতিই ক্রমাগত বিকশিত হচ্ছে এবং হাইব্রিড সিস্টেমগুলোই সম্ভবত ভবিষ্যৎ।
প্রচলিত ইমেজ সার্চ আসলে বুঝতে পারে যে ছবিটির মধ্যে কী আছে।
বেশিরভাগ প্রচলিত টেক্সট-ভিত্তিক ইমেজ সার্চ ইমেজটিকে সরাসরি বিশ্লেষণ না করে ফাইলের নাম, অল্ট টেক্সট এবং আশেপাশের ওয়েবপেজের কন্টেন্টের উপর নির্ভর করে। শুধুমাত্র ডিপ লার্নিং ব্যবহারকারী আধুনিক ভিজ্যুয়াল সার্চ টুলগুলোই ইমেজের কন্টেন্টকে সঠিকভাবে ব্যাখ্যা করতে পারে, এবং এমনকি সেগুলোতেও CIR-এর মতো গঠনগত যুক্তির অভাব রয়েছে।
CIR হলো অতিরিক্ত কিছু ধাপসহ ইমেজ সার্চ ছাড়া আর কিছুই নয়।
কম্পোজড ইমেজ রিট্রিভাল একটি সম্পূর্ণ ভিন্ন দৃষ্টান্ত উপস্থাপন করে। এটি সদৃশ ছবি খোঁজার পরিবর্তে, ব্যবহারকারীর বর্ণিত রূপান্তরের সাথে মেলে এমন ছবি খুঁজে বের করে। এর জন্য শুধু দুটি পৃথক কোয়েরির অনুক্রমিক প্রক্রিয়াকরণ নয়, বরং বিভিন্ন মোডালিটির মধ্যে সমন্বিত যুক্তির প্রয়োজন হয়।
রিভার্স ইমেজ সার্চ এবং সিআইআর একই জিনিস।
রিভার্স ইমেজ সার্চ নিম্ন-স্তরের বৈশিষ্ট্যের উপর ভিত্তি করে সদৃশ বা দৃশ্যত একই রকম ছবি খুঁজে বের করে। সিআইআর আরও এক ধাপ এগিয়ে গিয়ে পাঠ্য পরিবর্তনগুলি বুঝতে পারে এবং এমন ছবি ফেরত দেয় যা রেফারেন্সের সাথে সাদৃশ্যপূর্ণ কিন্তু ইচ্ছাকৃতভাবে ভিন্ন, যা রিভার্স সার্চ করতে পারে না।
CIR বক্স থেকে বের করার পরেই নিখুঁতভাবে কাজ করে।
বর্তমান CIR মডেলগুলো এখনও জটিল নির্দেশাবলী, দ্ব্যর্থক রেফারেন্স এবং আউট-অফ-ডিস্ট্রিবিউশন কোয়েরি নিয়ে হিমশিম খায়। বিভিন্ন ডোমেইনে পারফরম্যান্সে উল্লেখযোগ্য পার্থক্য দেখা যায়, এবং ফ্যাশন বা আসবাবপত্র অনুসন্ধানের মতো নির্দিষ্ট ব্যবহারের ক্ষেত্রের জন্য মডেলগুলোকে প্রায়শই সূক্ষ্মভাবে সমন্বয় করার প্রয়োজন হয়।
এআই-এর কল্যাণে প্রচলিত ইমেজ সার্চ এখন অচল হয়ে পড়েছে।
গুগল এবং পিন্টারেস্টের মতো সংস্থাগুলিতে প্রোডাকশন ইমেজ সার্চের মেরুদণ্ড হিসেবে প্রচলিত পদ্ধতিগুলোই রয়ে গেছে। কৃত্রিম বুদ্ধিমত্তার (AI) সংযোজন সেগুলোকে উন্নত করেছে, কিন্তু ফিচার এক্সট্র্যাকশন এবং সিমিলারিটি ম্যাচিংয়ের মূল কাঠামোটি এখনও প্রতিদিন কোটি কোটি কোয়েরি পরিচালনা করে।
বিশেষ করে ই-কমার্স বা ডিজাইনের ক্ষেত্রে, যখন আপনার সুনির্দিষ্ট ও উদ্দেশ্য-চালিত ফলাফলের প্রয়োজন হয় এবং আপনার কাছে একটি রেফারেন্স ইমেজ ও একটি স্পষ্ট পরিবর্তনের পরিকল্পনা থাকে, তখন কম্পোজড ইমেজ রিট্রিভাল বেছে নিন। দৈনন্দিন অনুসন্ধান, ব্যাপক অন্বেষণ, অথবা যখন সূক্ষ্ম নিয়ন্ত্রণের চেয়ে গতি ও পরিধি বেশি গুরুত্বপূর্ণ, তখন ট্র্যাডিশনাল ইমেজ সার্চ ব্যবহার করুন। মাল্টিমোডাল এআই পরিপক্ক হওয়ার সাথে সাথে, আশা করা যায় যে এই দুটি পদ্ধতি একত্রিত হয়ে একটি সমন্বিত সার্চ অভিজ্ঞতা প্রদান করবে।
CLIP এমবেডিং একটি অভিন্ন শব্দার্থিক পরিসরে ছবি ও লেখা বোঝার জন্য ডিপ লার্নিং ব্যবহার করে, অন্যদিকে কীওয়ার্ড-ভিত্তিক ছবি পুনরুদ্ধার পদ্ধতি হাতে-কলমে নির্ধারিত ট্যাগ বা পারিপার্শ্বিক লেখা মেলানোর ওপর নির্ভর করে। আধুনিক ভিজ্যুয়াল সার্চের কাজগুলোর জন্য CLIP অনেক বেশি নমনীয়তা ও নির্ভুলতা প্রদান করে, অপরদিকে কীওয়ার্ড পদ্ধতিগুলো সংকীর্ণ ও সুসংগঠিত প্রেক্ষাপটেই কার্যকর থাকে।
PPO-তে পলিসি ক্লিপিং প্রতিটি আপডেটের সময় একটি নতুন পলিসি পুরানোটি থেকে কতটা বিচ্যুত হতে পারে তা সীমাবদ্ধ করে, যা প্রশিক্ষণকে স্থিতিশীল রাখে। সীমাহীন পলিসি আপডেট নতুন পলিসিকে অবাধে স্থানান্তরিত হতে দেয়, যা শেখার গতি বাড়াতে পারে কিন্তু প্রায়শই জটিল পরিবেশে অস্থিতিশীলতা বা পতনের কারণ হয়।
RAG এবং ফাইন-টিউনড LLM উভয়ই AI আউটপুটের মান উন্নত করে, কিন্তু এদের কাজের পদ্ধতি মৌলিকভাবে ভিন্ন। RAG কোয়েরি করার সময় বাহ্যিক তথ্য ব্যবহার করে, অন্যদিকে ফাইন-টিউনিং নতুন জ্ঞানকে সরাসরি মডেলের ওয়েট-এর মধ্যে অন্তর্ভুক্ত করে। এদের মধ্যে কোনটি বেছে নেবেন, তা নির্ভর করে আপনার ডেটা কত ঘন ঘন পরিবর্তিত হয় এবং আপনার কী ধরনের নির্ভুলতা প্রয়োজন তার উপর।
RAG-এ ইমেজ গ্রাউন্ডিং, ডকুমেন্ট থেকে সংগৃহীত ভিজ্যুয়াল প্রমাণের উপর ভিত্তি করে AI-এর প্রতিক্রিয়াকে স্থির করে, যা বিভ্রম কমায় এবং তথ্যের নির্ভুলতা বাড়ায়। অন্যদিকে, ভিত্তিহীন টেক্সট জেনারেশন শুধুমাত্র ট্রেনিং ডেটা থেকে প্রাপ্ত প্যারামেট্রিক জ্ঞানের উপর নির্ভর করে, যার ফলে সাবলীল কিন্তু যাচাইযোগ্য উৎসবিহীন এবং সম্ভাব্য মনগড়া আউটপুট তৈরি হয়।
এই তুলনামূলক আলোচনায় অগমেন্টেড রিয়েলিটি (এআর) ডেটা, যা বাস্তব পরিবেশের উপর কৃত্রিম, ডিজিটালভাবে তৈরি উপাদান স্থাপন করে, এবং রিয়েল ক্যামেরা ডেটা, যা সম্পূর্ণরূপে বাস্তব ইমেজ সেন্সর দ্বারা ধারণ করা কাঁচা, অপরিবর্তিত পিক্সেল স্ট্রিমের উপর নির্ভর করে—এই দুইয়ের মধ্যে কৃত্রিম বুদ্ধিমত্তা প্রশিক্ষণের পার্থক্যগুলো বিশদভাবে তুলে ধরা হয়েছে।
