Multimodal KI
KI med flere informasjonstyper som tekst, bilde eller lyd i inndata eller utdata.
Hva er multimodal KI?
Multimodal KI behandler eller lager flere informasjonstyper, som tekst, bilder eller lyd. En modell kan bruke ulike inndata sammen og likevel bare levere tekst. Kombinasjoner avhenger av modellen og hvordan den er integrert i appen. Begrepet lover ikke forståelse av alle inndatatyper eller fremstilling av alle utdatatyper.
I en oppdiktet servicesak får modellen et utstyrsbilde og et skriftlig notat. Begge kildene skal hjelpe vurderingen sammen. Er typeskiltet uleselig, trenger flyten avklaring fremfor en ubekreftet utstyrsidentifikasjon. Teamet kontrollerer om faktisk bilde- og tekstinnhold støtter resultatet. Ekstra inndata kan gi nyttig sammenheng, men erstatter ikke kontrollen.
Kilder
Beslektede begreper
- Nevralt nettverkEn modell av sammenkoblede beregningsnoder med justerbare parametere.
- Stor språkmodellEn stor språkmodell behandler språk med innlærte mønstre. Flytende tekst beviser verken faktariktighet eller tilgang til aktuelle virksomhetsdata.
- Tale til tekstÅ gjøre talt språk i lyddata om til tekst.
- Tekst til taleÅ gjøre skrevet tekst om til syntetisk tale.
- Optisk tegngjenkjenningOptisk tegngjenkjenning gjør skrift i bilder maskinelt behandlingsbar. Å lese av et beløp er ikke det samme som å kontrollere fakturaen.
- ModellkortEt modellkort dokumenterer formål, grunnlag, evalueringsbetingelser og kjente begrensninger for en bestemt versjon av en KI-modell.
Artikler om temaet
KI og automatisering med ASES
KI-assistenter og automatiserte prosesser