एक नया ओपन-सोर्स प्रोजेक्ट यह शर्त लगा रहा है कि किसी मेमोरी को खोजने का सबसे तेज़ तरीका उसका वर्णन करना है - और यह कि खोज आपके लैपटॉप को कभी नहीं छोड़नी चाहिए। एससीएम, स्क्रीन मेमोरीज़ के लिए संक्षिप्त, एक मुफ्त मैकओएस एप्लिकेशन है जो एक फ़ोल्डर में प्रत्येक फोटो और वीडियो के प्रत्येक फ्रेम पर स्थानीय एआई मॉडल लागू करता है, जिससे उपयोगकर्ताओं को अपनी लाइब्रेरी को सरल भाषा में खोजने की सुविधा मिलती है। यह परियोजना इस सप्ताह GitHub पर दिखाई दी और जल्द ही हैकर न्यूज़ के पहले पन्ने पर पहुंच गई, जहां इसे कुछ ही घंटों में 85 से अधिक अंक प्राप्त हुए।
पिच सतह पर सरल है: किसी भी फ़ोल्डर पर एससीएम को इंगित करें, और यह वास्तव में आपके मीडिया में क्या है इसका एक खोज योग्य सूचकांक बनाता है - न केवल फ़ाइल नाम, बल्कि प्रत्येक वीडियो के अंदर प्रत्येक छवि और प्रत्येक दृश्य की दृश्य सामग्री। एआई फोटो टूल्स के भीड़ भरे क्षेत्र में जो बात इसे अलग करती है, वह यह है कि यह सब मैक पर ही चलता है। कोई खाता नहीं है, कोई क्लाउड अपलोड नहीं है और कोई टेलीमेट्री नहीं है। एक बार जब मॉडल पहली बार अपना वजन डाउनलोड कर लेते हैं, तो ऐप ऑफ़लाइन काम करता है। For more context on this story, see our ongoing more AI stories.
जीवन भर मीडिया की खोज करने के पांच तरीके
एससीएम खोज को पांच अलग-अलग मोड में व्यवस्थित करता है, प्रत्येक स्थानीय स्तर पर चलने वाले एक अलग मॉडल द्वारा संचालित होता है।
फ़ाइलें मोड फ़ोटो और वीडियो में संपूर्ण-फ़ाइल अर्थ संबंधी खोज करता है, फ़ाइल नाम और वाक्यांशों के बूस्ट के साथ अर्थ के आधार पर परिणामों की रैंकिंग करता है। दृश्य अधिक गहराई तक जाता है: ऐप वीडियो को अलग-अलग दृश्यों में विभाजित करता है और प्रत्येक को अलग-अलग एम्बेड करता है, इसलिए एक क्वेरी आपको सटीक शॉट पर ले जाती है, फ़ाइल नाम में छिपे टाइमस्टैम्प के बजाय सीधे उसके टाइमकोड पर छलांग लगाती है।दो टेक्स्ट-केंद्रित मोड मीडिया के अंदर शब्दों को संभालते हैं। Tesseract इंजन पर निर्मित OCR मोड, छवियों और वीडियो फ़्रेमों में स्पष्ट रूप से मौजूद टेक्स्ट को पढ़ता है और इसे अंग्रेजी के साथ-साथ 35 अतिरिक्त भाषा पैक के साथ शाब्दिक रूप से मेल खाता है, जिन्हें टॉगल किया जा सकता है। डायलॉग मोड वीडियो पर व्हिस्पर वाक् पहचान चलाता है और एक विशिष्ट पंक्ति की खोज के लिए मिलान सटीकता के स्तरित स्तरों के साथ सटीक बोले गए शब्दों को अनुक्रमित करता है।
अंत में, एक ऑप्ट-इन एलएलएम मोड निकाली गई सामग्री - संवाद प्रतिलेख, ओसीआर पाठ और फ़ाइल नाम - को स्थानीय चैट संदर्भ में बदल देता है। उपयोगकर्ता अपनी लाइब्रेरी के बारे में प्रश्न पूछ सकते हैं, और ऐप स्रोत फ़ाइलों की ओर इशारा करते हुए उद्धरणों के साथ उत्तर देता है, जो सभी एक ही मशीन पर चल रहे मॉडल द्वारा उत्पन्न होते हैं।
यह हुड के नीचे कैसे काम करता है
तकनीकी रूप से, एससीएम जावास्क्रिप्ट में लिखा गया एक इलेक्ट्रॉन एप्लिकेशन है, जो अपने पैकेज मैनेजर और रनटाइम के रूप में बन टूलकिट का उपयोग करता है। भारी भारोत्तोलन सीधे ऐप में निष्पादित ट्रांसफार्मर मॉडल द्वारा किया जाता है - डिफ़ॉल्ट विज़न मॉडल एक सीएलआईपी संस्करण है जिसका वजन, लगभग 435 मेगाबाइट, पहले उपयोग पर एक बार डाउनलोड किया जाता है।
सूचकांक स्वयं को बनाए रखता है। वॉच किए गए फ़ोल्डर नए मीडिया के आते ही स्वत: आयात करते हैं, सामग्री हैशिंग उन फ़ाइलों को हटा देती है जिनका केवल नाम बदला गया है या स्थानांतरित किया गया है, और एक अलग मॉडल पर स्विच करने से खोजों को अवरुद्ध किए बिना पृष्ठभूमि में लाइब्रेरी को फिर से एम्बेड किया जाता है। डेवलपर नोट करता है कि मेनू-बार और ट्रे सुविधाएँ macOS के लिए विशिष्ट हैं, जहाँ ऐप को वितरण के लिए पैक किया गया है।
गोपनीयता मॉडल विक्रय बिंदु है. प्रोजेक्ट का दस्तावेज़ीकरण स्पष्ट है: मीडिया मशीन को कभी नहीं छोड़ता है, अनुमान ट्रांसफार्मर रनटाइम के माध्यम से स्थानीय रूप से चलता है, और प्रारंभिक वजन डाउनलोड के बाद सब कुछ ऑफ़लाइन काम करता है। संवेदनशील अभिलेखागार वाले उपयोगकर्ताओं के लिए - चिकित्सा इमेजरी, कानूनी फुटेज, व्यक्तिगत वीडियो - वह वास्तुशिल्प विकल्प विशेषता है।
व्यक्तिगत अभिलेखागार के लिए निर्मित
इंटरफ़ेस अनुकूलन के समान दर्शन को दर्शाता है। किसी भी क्वेरी को पुन: प्रयोज्य टैब के रूप में सहेजा जा सकता है, इसलिए जिस खोज को वाक्यांश बनाने में एक क्षण लगता है वह लाइब्रेरी पर एक स्थायी दृश्य बन जाता है। ऐप टॉगल करने योग्य स्क्रीनशॉट और ईमेल टैब के साथ भी आता है, यह स्वीकार करते हुए कि एक आधुनिक मैक स्क्रीनशॉट और अटैचमेंट को उस गति से जमा करता है जो ऑपरेटिंग सिस्टम की अपनी खोज को तेजी से बढ़ा देता है।
अंतर्निहित तकनीक सिमेंटिक खोज की अब-मानक मशीनरी है: एक विज़न मॉडल प्रत्येक छवि और वीडियो दृश्य को संख्यात्मक एम्बेडिंग में परिवर्तित करता है, और प्रश्नों को उसी तरह एम्बेड किया जाता है ताकि मिलान कीवर्ड ओवरलैप के बजाय अर्थ से हो। यहाँ जो उल्लेखनीय है वह तकनीक नहीं बल्कि पैकेजिंग है - वही पाइपलाइन जो सर्वर फ़ार्म पर चलने वाली क्लाउड फोटो सेवाएँ एक इलेक्ट्रॉन ऐप में संपीड़ित होती है जिसे एक गैर-डेवलपर इंस्टॉल कर सकता है और अपनी पसंद के फ़ोल्डरों पर अनअटेंडेड चला सकता है।
स्थानीय एआई की ओर एक बड़े बदलाव का हिस्सा
एससीएम तब आता है जब उपभोक्ता हार्डवेयर पर सक्षम एआई मॉडल चलाना नवीनता से अपेक्षा की ओर बढ़ गया है। ऐप्पल ने लगातार सिमेंटिक खोज को अपने फ़ोटो ऐप में धकेल दिया है, जबकि ओपन-सोर्स स्पीच, विज़न और टेक्स्ट मॉडल लैपटॉप पर आराम से चलने वाले आकार तक सिकुड़ गए हैं। जो दुर्लभ रहता है वह अंतर्निहित मॉडल नहीं बल्कि एकीकरण परत है - सॉफ़्टवेयर जो उन्हें एक साथ जोड़ता है जिसे एक गैर-इंजीनियर वास्तव में अपनी फ़ाइलों पर उपयोग कर सकता है।
एससीएम का यही स्थान है, और इसके स्वागत से पता चलता है कि खुजली वास्तविक है। रिपॉजिटरी ने लगभग एक दिन में 160 स्टार और आठ फोर्क्स एकत्र किए, हैकर न्यूज के टिप्पणीकारों ने अपने प्रश्नों को मॉडल आकार, अनुक्रमण गति और विंडोज उपलब्धता पर केंद्रित किया - वर्तमान में अंतिम का उत्तर नहीं है, क्योंकि परियोजना अभी के लिए केवल मैकओएस है।
परियोजना एमआईटी लाइसेंस के तहत जारी की गई है, जो व्यावसायिक उपयोग और संशोधन की अनुमति देती है। फ़ोटो और स्क्रीन रिकॉर्डिंग के बड़े, अव्यवस्थित संग्रह और इसे कहीं भी अपलोड करने की सैद्धांतिक नापसंदगी वाले किसी भी व्यक्ति के लिए, यह अभी भी अधिक सम्मोहक प्रदर्शनों में से एक है कि एक पूरी तरह से स्थानीय मीडिया खोज इंजन अब एक शोध डेमो नहीं है - यह एक दोपहर की स्थापना है।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
