ทีมนักวิจัยของ Google ได้นำเสนอ StreamVibe ซึ่งเป็น Video Agent ที่ถูกออกแบบมาให้สามารถตัดสินใจได้ด้วยตนเองว่าจะต้องให้คำแนะนำเมื่อใด
ในระหว่างการทดสอบ พบว่าโมเดลเหล่านี้ยังมีข้อจำกัดในการติดตามสิ่งที่ได้ทำไปแล้ว ทำให้เกิดการให้คำแนะนำซ้ำซ้อน หรือตอบสนองช้าเกินไป และเมื่อผู้ใช้เปลี่ยนคำขอระหว่างทาง ผู้ช่วยมักจะยึดติดกับคำสั่งเดิม
ในตัวอย่างการสอนประกอบฉากการแยกชิ้นส่วนของเล่นขุดเจาะ ผู้ใช้ขออัปเดตความคืบหน้า และหลังจากนั้นสามนาทีก็เปลี่ยนไปขอตรวจสอบคุณภาพ
ตามที่นักวิจัยระบุ StreamVibe-VL มีการปรับปรุงด้านเวลาและคุณภาพการตอบสนองได้ถึง 10.7% เมื่อเทียบกับโมเดลอื่น ขณะที่ระบบหน่วยความจำถูกออกแบบมาเพื่อเพิ่มการโต้ตอบเชิงรุกอีก 12.3% และลดการขัดจังหวะที่ไม่จำเป็น
อย่างไรก็ตาม เมื่อต้องประมวลผลวิดีโอทั้งหมดและต่อยอดจากคำตอบก่อนหน้า ประสิทธิภาพของทุกระบบที่ทดสอบก็ลดลงอย่างมาก โดยมีตัวชี้วัดสำคัญของเนื้อหาลดลงสูงสุดถึง 61.5%
ในคู่มือ GIMP เกี่ยวกับการแปลงภาพเป็นขาวดำ โมเดลเปรียบเทียบ JoyAI ระบุว่าภาพเสร็จสมบูรณ์แล้ว แม้ผู้ใช้จะยังไม่ได้เปิดดู แต่ StreamVibe-VL ให้ขั้นตอนต่อไปอย่างเหมาะสม เช่น “Colors” และ “Desaturate”
นักวิจัยยอมรับว่าสถานการณ์จริงมีความซับซ้อนมากกว่าการตั้งค่าทดสอบ และงานในอนาคตจะศึกษาว่าความชอบของผู้ใช้และสภาพแวดล้อมมีอิทธิพลต่อกันอย่างไรเมื่อเวลาผ่านไป
ศัพท์ที่ควรรู้
- Video Agent – คือตัวแทนที่ใช้ AI ในการวิเคราะห์และโต้ตอบกับวิดีโอ
- StreamVibe – คือชื่อของ Video Agent ที่ทีมนักวิจัยของ Google ได้พัฒนาขึ้น
- StreamVibe-VL – คือโมเดลเฉพาะของ StreamVibe ที่ถูกนำมาทดสอบในงานวิจัยนี้
- JoyAI – คือโมเดลเปรียบเทียบที่ถูกใช้ในการทดสอบประสิทธิภาพของระบบ
ที่มา: The Decoder