Multimodal AI
AI med flere informationstyper som tekst, billede eller lyd i input eller output.
Hvad er multimodal AI?
Multimodal AI behandler eller skaber flere informationstyper, eksempelvis tekst, billeder eller lyd. En model kan bruge forskellige input sammen og stadig kun levere tekst. Kombinationer afhænger af modellen og dens integration i appen. Begrebet lover ikke forståelse af alle inputtyper eller fremstilling af alle outputtyper.
I en opdigtet servicesag får modellen et udstyrsfoto og et skriftligt notat. Begge kilder skal hjælpe vurderingen sammen. Er typeskiltet ulæseligt, kræver forløbet afklaring frem for en udstyrsidentifikation uden belæg. Teamet kontrollerer, om faktisk billed- og tekstindhold støtter resultatet. Ekstra input kan give nyttig kontekst, men erstatter ikke kontrollen.
Kilder
Relaterede begreber
- Neuralt netværkEn model af forbundne beregningsknuder med justerbare parametre.
- Stor sprogmodelEn stor sprogmodel behandler sprog ved hjælp af lærte mønstre. Flydende tekst dokumenterer ikke korrekthed eller adgang til aktuelle virksomhedsdata.
- Tale til tekstOmdannelse af talt sprog i lyddata til tekst.
- Tekst til taleOmdannelse af skrevet tekst til syntetisk tale.
- Optisk tegngenkendelseOptisk tegngenkendelse gør skrift i billeder maskinelt behandlingsbar. At aflæse et beløb er ikke det samme som at kontrollere fakturaen.
- ModelkortEt modelkort dokumenterer formål, grundlag, vurderingsbetingelser og kendte begrænsninger for en bestemt version af en AI-model.
Artikler om emnet
AI & automatisering med ASES
AI-assistenter og automatiserede arbejdsgange