วิศวกรนิยมใช้ vision-language models ในการออกแบบผลิตภัณฑ์ใหม่ เช่น ส่วนประกอบเครื่องบินหรือยานยนต์ และมักใช้ซอฟต์แวร์ CAD เพื่อสร้างโมเดล 3 มิติ สำหรับการทดสอบเสมือนจริง เช่น การชนหรือความทนทาน
ล่าสุด ทีมนักวิจัยจาก MIT และอื่น ๆ ได้พัฒนาระบบที่สามารถสอน vision-language model ให้แปลงแบบ 2 มิติ เป็นโปรแกรม CAD ที่มีความแม่นยำและใช้งานได้จริงสูงกว่าวิธีอื่น ๆ โดยใช้การคำนวณเพียงส่วนเล็กน้อยเท่านั้น
ศาสตราจารย์ Faez Ahmed กล่าวว่า สิ่งนี้ช่วยให้โมเดลที่ผ่านการฝึกฝนแล้วสามารถสร้างผลลัพธ์ที่ดีขึ้นได้โดยไม่ต้องมีต้นทุนการคำนวณสูงเหมือนการฝึกโมเดลใหม่ทั้งหมด
ด้วยการใช้ inference-time scaling ผู้ใช้สามารถกำหนดปริมาณการคำนวณที่ต้องการสำหรับ GIFT ให้เหมาะสมกับข้อจำกัดด้านเวลาและงบประมาณของตนเอง และพบว่า GIFT มีประสิทธิภาพเหนือกว่าเทคนิคคู่แข่งหลายอย่าง โดยใช้การคำนวณเพียงประมาณ 20% เท่านั้น
ศัพท์ที่ควรรู้
- Vision-language models – โมเดลที่รวมความสามารถในการมองเห็นและการใช้ภาษาเข้าด้วยกันเพื่อทำงานเฉพาะทาง
- CAD (Computer-aided design) – ซอฟต์แวร์ที่ใช้ในการออกแบบผลิตภัณฑ์ทางวิศวกรรมด้วยคอมพิวเตอร์
- Rapid prototyping – กระบวนการสร้างต้นแบบอย่างรวดเร็วเพื่อทดสอบแนวคิดการออกแบบ
- Inference-time scaling – เทคนิคที่ช่วยให้ผู้ใช้ควบคุมปริมาณการคำนวณที่ใช้ในขณะที่โมเดลทำงาน
ที่มา: news.mit.edu