Google DeepMind SL2T উন্মোচন করেছে, একটি AI মডেল যা সাইন ল্যাঙ্গুয়েজকে টেক্সটে অনুবাদ করার জন্য ডিজাইন করা হয়েছে, কোম্পানির নতুন Pixel 11 স্মার্টফোন লাইনআপে প্রথমে রোল আউট করা হয়েছে। "ব্যবহারকারীদের হাতে সাইন ল্যাঙ্গুয়েজ এআই স্থাপন করা" ব্যানারের অধীনে প্রবর্তিত মডেলটি একটি মূলধারার ভোক্তা ডিভাইসে রিয়েল-টাইম সাইন ল্যাঙ্গুয়েজ বোঝার জন্য এখনও পর্যন্ত সবচেয়ে হাই-প্রোফাইল প্রচেষ্টার একটি চিহ্নিত করে।
ঘোষণাটি Google-এর Pixel 11 লঞ্চ ইভেন্টের পাশাপাশি এসেছে, যেখানে কোম্পানি নতুন জেমিনি-চালিত বৈশিষ্ট্যগুলির একটি স্যুট প্রদর্শন করেছে। তাদের মধ্যে, সাইন ল্যাঙ্গুয়েজ অনুবাদ একটি স্পষ্ট অ্যাক্সেসিবিলিটি মাইলফলক হিসাবে দাঁড়িয়েছে, একটি ফোনের সামনের ক্যামেরাকে বধির ব্যবহারকারী এবং সাইন ভাষা জানেন না এমন লোকদের মধ্যে সেতুতে পরিণত করেছে।
ডিভাইসে পাঠ্যের জন্য সাইন ল্যাঙ্গুয়েজ
DeepMind এবং Engadget এবং Android কর্তৃপক্ষের রিপোর্ট অনুসারে, SL2T সাইন ল্যাঙ্গুয়েজকে সরাসরি Pixel 11 ডিভাইসে টেক্সটে প্রতিলিপি করতে পারে। বৈশিষ্ট্যটি পিক্সেল 11 প্রো ফোল্ডে আত্মপ্রকাশ করছে, গুগলের ফ্ল্যাগশিপ ফোল্ডিং ফোন, যা কোম্পানিটি নতুন ক্ষমতার জন্য একটি শোকেস হিসাবে অবস্থান করেছে।
ডিজিটাল ট্রেন্ডস এই রিলিজটিকে "সাংকেতিক ভাষা জানেন না এমন লোকেদের সাথে যোগাযোগ করার জন্য বধির ব্যবহারকারীদের জন্য একটি নতুন উপায়" হিসাবে বর্ণনা করেছে, SL2T কে একটি সম্পূর্ণ পরীক্ষামূলক ডেমোর পরিবর্তে দৈনন্দিন কথোপকথনের জন্য একটি ব্যবহারিক হাতিয়ার হিসাবে তৈরি করেছে৷ ধারণাটি সহজবোধ্য কিন্তু শক্তিশালী: একজন বধির ব্যবহারকারী তাদের ফোনে সই করে, মডেলটি অঙ্গভঙ্গি ব্যাখ্যা করে এবং ফলস্বরূপ পাঠ্যটি শ্রবণকারী কথোপকথন অংশীদার পড়ার জন্য প্রদর্শিত হয়।
ক্লাউডে ভিডিও পাঠানোর পরিবর্তে ডিভাইসে মডেল চালানো, গোপনীয়তা এবং নির্ভরযোগ্যতা উভয়ের জন্যই অর্থপূর্ণ প্রভাব বহন করে। সাইন ল্যাঙ্গুয়েজ কথোপকথন ঘনিষ্ঠ এবং প্রায়শই সংবেদনশীল তথ্য থাকে এবং ক্লাউড রাউন্ড-ট্রিপ এড়ানো ফোনে সেই ডেটা রাখে। এটি বৈশিষ্ট্যটিকে এমন পরিস্থিতিতে কাজ করার অনুমতি দেয় যেখানে সংযোগটি দুর্বল।
কেন সাইন ল্যাঙ্গুয়েজ একটি কঠিন এআই সমস্যা
হাতের আকৃতি চেনার চেয়ে সাইন ভাষা অনেক বেশি জটিল। সম্পূর্ণ সাংকেতিক ভাষা, যেমন আমেরিকান সাইন ল্যাঙ্গুয়েজ (এএসএল), অর্থ বোঝাতে হাতের অঙ্গভঙ্গি, মুখের অভিব্যক্তি, শরীরের ভঙ্গি এবং মহাকাশে চলাচল ব্যবহার করে এবং তাদের নিজস্ব ব্যাকরণ রয়েছে যা কথ্য ভাষা থেকে আলাদা। একটি মডেল যা শুধুমাত্র হাত ট্র্যাক করে একজন স্বাক্ষরকারী যা বলছে তার অনেক কিছুই মিস করবে।
এ কারণেই সাংকেতিক ভাষার অনুবাদ বক্তৃতা স্বীকৃতিতে পিছিয়ে রয়েছে। একটি সিস্টেম তৈরি করা যা বাস্তব সময়ে স্বাক্ষরিত যোগাযোগের সম্পূর্ণ সমৃদ্ধি ব্যাখ্যা করতে পারে, একটি ফোনে, কঠোর শক্তি এবং মেমরি বাজেটের মধ্যে, একটি প্রকৃত ইঞ্জিনিয়ারিং চ্যালেঞ্জের প্রতিনিধিত্ব করে। ডিপমাইন্ড এখনও SL2T এর আর্কিটেকচার বা বেঞ্চমার্ক পারফরম্যান্সের সম্পূর্ণ প্রযুক্তিগত বিবরণ প্রকাশ করেনি এবং কোম্পানি তার ঘোষণায় কাঁচা মেট্রিক্সের উপর ব্যবহারকারীর মুখোমুখি অভিজ্ঞতার উপর জোর দিয়েছে।
সীমিত পাবলিক বিস্তারিত লক্ষনীয় মূল্য. নির্ভুলতার হার, সমর্থিত সাইন ল্যাঙ্গুয়েজ এবং লেটেন্সির স্বাধীন যাচাই নির্ধারণ করবে যে SL2T একটি নির্ভরযোগ্য দৈনিক টুল বা একটি প্রাথমিক পর্যায়ের বৈশিষ্ট্য যা এখনও পরিপক্কতা প্রয়োজন। আপাতত, ডিপমাইন্ডের নিজস্ব ঘোষণা এবং একাধিক প্রযুক্তি প্রকাশনা জুড়ে সমর্থন নিশ্চিত করে যে মডেলটি বিদ্যমান এবং ভোক্তা হার্ডওয়্যারে শিপিং করা হচ্ছে।
এআই যুদ্ধক্ষেত্র হিসাবে অ্যাক্সেসযোগ্যতা
SL2T এসেছে কারণ অ্যাক্সেসিবিলিটি বৈশিষ্ট্যগুলি এআই ল্যাব এবং ডিভাইস নির্মাতাদের মধ্যে প্রতিযোগিতার একটি ক্রমবর্ধমান দৃশ্যমান ক্ষেত্র হয়ে উঠেছে। রিয়েল-টাইম ক্যাপশন, অন্ধ ব্যবহারকারীদের জন্য চিত্রের বিবরণ, এবং এখন সাইন ল্যাঙ্গুয়েজ অনুবাদকে বিশেষ অ্যাড-অন হিসেবে নয় বরং হেডলাইন ক্ষমতা হিসেবে স্থাপন করা হচ্ছে যা অন-ডিভাইস AI-এর ব্যবহারিক মান প্রদর্শন করে।
Google-এর জন্য, পিক্সেল 11 লঞ্চের সাথে SL2T বেঁধে দেওয়া দুটি উদ্দেশ্যে কাজ করে। এটি নতুন হার্ডওয়্যারকে একটি স্বতন্ত্র বৈশিষ্ট্য দেয় যা প্রতিযোগীদের ফোনে নেই, এবং এটি এই বার্তাটিকে শক্তিশালী করে যে জেমিনি, Google এর AI সহকারী, একটি মৌলিক স্তরে অপারেটিং সিস্টেমে বোনা হচ্ছে। Pixel 11 Pro Fold, এর বৃহত্তর অভ্যন্তরীণ স্ক্রীন সহ, একটি টেবিল জুড়ে কথোপকথন অংশীদারকে দেখানোর জন্য একটি বৈশিষ্ট্যের জন্য একটি স্বাভাবিক প্রথম হোম।
সাইন ল্যাঙ্গুয়েজ এআই এর জন্য সামনের রাস্তা
বধির এবং শ্রবণে অক্ষম সম্প্রদায়ের জন্য সবচেয়ে বড় প্রশ্ন হল SL2T একটি একক ডিভাইস এবং সীমিত সাইন ল্যাঙ্গুয়েজের বাইরে প্রসারিত হয় কিনা। আমেরিকান সাইন ল্যাঙ্গুয়েজ সম্ভবত লঞ্চ ফোকাস, কিন্তু বিশ্বব্যাপী শত শত সাইন ল্যাঙ্গুয়েজ রয়েছে, প্রতিটির নিজস্ব গঠন এবং আঞ্চলিক বৈচিত্র রয়েছে। মার্কিন যুক্তরাষ্ট্রে ASL স্বাক্ষরকারীদের জন্য সুন্দরভাবে কাজ করে এমন একটি মডেল ব্রিটিশ সাইন ল্যাঙ্গুয়েজ, আউসলান বা LSF-এর ব্যবহারকারীর জন্য সামান্যই কাজে লাগতে পারে।
ডিপমাইন্ডের সংকীর্ণ এবং স্কেল আপ করার একটি ট্র্যাক রেকর্ড রয়েছে, যেমনটি এটি আলফাফোল্ড এবং এর আবহাওয়ার মডেলগুলির সাথে করেছিল। যদি SL2T সেই প্যাটার্ন অনুসরণ করে, তাহলে Pixel 11 ডেবিউ একটি ফিনিশড প্রোডাক্টের পরিবর্তে একটি ওপেনিং মুভ। বধির ব্যবহারকারীদের কাছ থেকে সম্প্রদায়ের প্রতিক্রিয়া, যারা অনুবাদগুলি সঠিক এবং স্বাভাবিক কিনা তা বিচার করার জন্য সর্বোত্তম অবস্থানে রয়েছে, পরবর্তীতে যা আসবে তা গঠন করবে।
আপাতত, গণ-বাজার ফোনে ইশারা ভাষা অনুবাদের আগমন একটি উল্লেখযোগ্য পদক্ষেপ। এটি পরামর্শ দেয় যে AI এর কথ্য ভাষা বোঝার ক্ষমতা এবং স্বাক্ষরিত ভাষা বোঝার ক্ষমতার মধ্যে দীর্ঘস্থায়ী ব্যবধান অবশেষে বন্ধ হতে শুরু করতে পারে, এক সময়ে একটি ডিভাইস।
AI Buzz Wire-এর ব্রেকিং নিউজ কভারেজ-এ সর্বশেষ মডেল রিলিজ এবং AI উন্নয়নের সাথে আপডেট থাকুন।
