വർഗ്ഗീകരണവും ഇമേജ് വിശകലനവും കണ്ടെത്തുക: സെറാമിക്സ്, നാണയങ്ങൾ, ലിത്തിക്സ്, ചെറിയ കണ്ടെത്തലുകൾ

നേട്ടങ്ങൾ:

• കണ്ടെത്തലുകളുടെ നിഷ്പക്ഷ വിവരണത്തിലും വിഷ്വൽ പ്രാഥമിക ഗ്രൂപ്പിംഗിലും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിക്കുന്നു, കൂടാതെ റഫറൻസ് കാറ്റലോഗ് ഉപയോഗിച്ച് വിദഗ്ദ്ധൻ്റെ സൃഷ്ടികളിൽ നിന്ന് സാംസ്കാരിക-കാലഗണന റഫറൻസ് വേർതിരിച്ചറിയാൻ കഴിയും.
• ഫോട്ടോ നിലവാരവും (സ്കെയിൽ, ലൈറ്റ്, കളർ കാർഡ്) ടെക്സ്ചർ, പ്രൊഫൈൽ, സന്ദർഭം തുടങ്ങിയ മെറ്റാവിഷ്വൽ ഡാറ്റയും വർഗ്ഗീകരണ കൃത്യത നിർണ്ണയിക്കുന്നത് എങ്ങനെയെന്ന് മനസ്സിലാക്കാനുള്ള കഴിവ്.
• അപൂർവവും വിചിത്രവുമായ കണ്ടെത്തലുകളിൽ ഏറ്റവും പരിചിതമായ പാറ്റേൺ നിർബന്ധിതമാക്കാനും ഓരോ ആട്രിബ്യൂഷനും ഒരു സ്വതന്ത്ര ഉറവിടം ഉപയോഗിച്ച് സ്ഥിരീകരിക്കാനുമുള്ള ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പ്രവണത തിരിച്ചറിയാനുള്ള കഴിവ്

ഒരു ഉത്ഖനനത്തിൻ്റെ ഏറ്റവും മടുപ്പിക്കുന്നതും എന്നാൽ വിവരദായകവുമായ ഒരു ജോലി കണ്ടെത്തുക (കണ്ടെത്തിയ വസ്തുക്കളെ തരം, രൂപം, കാലഘട്ടം എന്നിവ അനുസരിച്ച് വേർതിരിക്കുക) ആണ്. ഒരു സീസണിൽ കുഴിച്ചെടുത്ത പതിനായിരക്കണക്കിന് സെറാമിക് കഷണങ്ങൾ, നൂറുകണക്കിന് നാണയങ്ങൾ, കല്ല് ഉപകരണങ്ങൾ (ലിത്തിക്ക്), എല്ലുകൾ, ഗ്ലാസ്, ലോഹ വസ്തുക്കൾ എന്നിവ ഓരോന്നായി പരിശോധിച്ച് രേഖപ്പെടുത്തണം. ഈ യൂണിറ്റിൽ, ഇമേജ് വിശകലനം (ഒരു വസ്തുവിൻ്റെ ഫോട്ടോയിൽ നിന്ന് ആകൃതി, നിറം, ടെക്സ്ചർ പോലുള്ള സവിശേഷതകൾ സ്വയമേവ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നത്), AI- അടിസ്ഥാനമാക്കിയുള്ള വർഗ്ഗീകരണം എന്നിവ കണ്ടെത്തുന്ന ജോലിയെ വേഗത്തിലാക്കുന്നത് എങ്ങനെയെന്ന് ഞങ്ങൾ പഠിക്കും, എന്നാൽ അന്തിമ ആട്രിബ്യൂഷൻ തീരുമാനം എല്ലായ്പ്പോഴും വിദഗ്ദ്ധൻ്റെ പക്കൽ തന്നെ തുടരുന്നത് എന്തുകൊണ്ട്.

അടിസ്ഥാന തത്വം ഇതാണ്: AI പെട്ടെന്ന് സമാനമായി കാണപ്പെടുന്നവയെ ഒരുമിച്ച് കൂട്ടുന്നു; എന്നാൽ റഫറൻസ് കാറ്റലോഗിൻ്റെയും വിദഗ്ധരുടെ കണ്ണിൻ്റെയും അടിസ്ഥാനത്തിൽ "ഈ കഷണം ബിസി ആറാം നൂറ്റാണ്ടിലെ ഒരു കിഴക്കൻ ഗ്രീക്ക് നിർമ്മാണമാണ്" എന്നതുപോലുള്ള ഒരു സാംസ്കാരിക-കാലക്രമ പരാമർശം നടത്താം. AI ഒരു പ്രീ-സോർട്ടിംഗ് ആൻഡ് മെഷറിംഗ് അസിസ്റ്റൻ്റാണ്, ഒരു ടൈപ്പോളജി അതോറിറ്റിയല്ല.

വർഗ്ഗീകരണം കണ്ടെത്തുന്നതിനുള്ള ഘട്ടങ്ങൾ

1. വിഷ്വൽ ക്യാപ്‌ചർ. ഓരോ കണ്ടെത്തലും ഒരു സ്കെയിൽ ബാറും (വലിപ്പം കാണിക്കുന്ന ഭരണാധികാരി) കളർ കാർഡും ഉപയോഗിച്ച് ഒരു സ്റ്റാൻഡേർഡ് ക്രമത്തിൽ ഫോട്ടോയെടുക്കുന്നു. AI ഇമേജ് വിശകലനത്തിന് സ്ഥിരമായ വെളിച്ചവും പശ്ചാത്തലവും നിർണ്ണായകമാണ്; മോശം ഫോട്ടോ എന്നാൽ മോശം വർഗ്ഗീകരണം എന്നാണ് അർത്ഥമാക്കുന്നത്.

2. ഫീച്ചർ എക്സ്ട്രാക്ഷൻ. AI; എഡ്ജ് പ്രൊഫൈൽ, ഫോം (റിം, അടിഭാഗം, ഹാൻഡിൽ), ഉപരിതല ചികിത്സ (പോളിഷിംഗ്, ഗ്ലാസ്, പെയിൻ്റ്), പേസ്റ്റ് കളർ, ടെക്സ്ചർ എന്നിവ പോലുള്ള അളക്കാവുന്ന സവിശേഷതകൾ ഇത് എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നു. കുഴെച്ചതുമുതൽ (കളിമണ്ണിൻ്റെ ജ്വലിക്കുന്ന രൂപം; അതിൻ്റെ നിറവും അഡിറ്റീവുകളും ഉൽപ്പാദനത്തിൻ്റെ സ്ഥലവും സാങ്കേതികതയും സൂചിപ്പിക്കുന്നു) പുരാവസ്തു ടൈപ്പോളജിയുടെ നട്ടെല്ലാണ്.

3. പ്രീ-ഗ്രൂപ്പിംഗ്. ദൃശ്യ സാമ്യത്തെ അടിസ്ഥാനമാക്കി AI ആയിരക്കണക്കിന് ഭാഗങ്ങളെ ക്ലസ്റ്ററുകളായി അടുക്കുന്നു: “സാധ്യതയുള്ള ഒരേ കണ്ടെയ്നർ,” “സമാന രൂപം,” “സമാനമായ മാവ്.” ഇത് ചിട്ടയായ പൈലുകളെ വിദഗ്ദൻ്റെ മുന്നിൽ വയ്ക്കുന്നു.

4. വിദഗ്ദ്ധ ആട്രിബ്യൂഷൻ. റഫറൻസ് കാറ്റലോഗുകൾ, ടൈപ്പ് സീരീസ്, സ്വന്തം അനുഭവം എന്നിവയിലൂടെ ഓരോ ഗ്രൂപ്പിനും കാലഘട്ടം, ഉൽപ്പാദന സ്ഥലം, പ്രവർത്തനം എന്നിവ വിദഗ്ധൻ ആട്രിബ്യൂട്ട് ചെയ്യുന്നു. "ഇത് റോമൻ കാലഘട്ടമാണ്" എന്ന് AI പറയുന്നത് ഒരു സൂചനയാണ്, ഒരു തീരുമാനമല്ല.

5. രജിസ്ട്രേഷൻ. ഓരോ കണ്ടെത്തലും അതിൻ്റെ സന്ദർഭ നമ്പർ, അളവുകൾ, ഫോട്ടോ, ആട്രിബ്യൂഷൻ എന്നിവ ഉപയോഗിച്ച് ഡാറ്റാബേസിൽ പ്രവേശിക്കുന്നു (ഇത് യൂണിറ്റ് 5 ൻ്റെ വിഷയമാണ്).

സൂചന: AI ഒരു കണ്ടെത്തൽ "വിവരണം" ചെയ്യൂ, അത് "വിവരണം" ചെയ്യരുത്. "ഇത് ഏത് കാലഘട്ടമാണ്?" പകരം "ഈ ഭാഗത്തിൻ്റെ അളക്കാവുന്ന സവിശേഷതകൾ (രൂപം, അഗ്രം, ഉപരിതലം, നിറം) വസ്തുനിഷ്ഠമായി പട്ടികപ്പെടുത്തുക" എന്ന് ചോദിക്കുക; റഫറൻസ് കാറ്റലോഗ് ഉപയോഗിച്ച് നിങ്ങൾ കാലയളവ് തീരുമാനിക്കുക. വിവരണം വിശ്വസനീയമാണ്, ആട്രിബ്യൂഷൻ അപകടകരമാണ്.

നാണയങ്ങളിലും ലിഖിതങ്ങളിലും പ്രത്യേക ശ്രദ്ധ നൽകണം.

നാണയങ്ങൾ ഇമേജ് വിശകലനത്തിൽ ആകർഷകമാണ്, കാരണം അവ എണ്ണമറ്റതും നിലവാരമുള്ളതുമാണ്. നാണയത്തിൻ്റെ മുഖത്ത് (വിരോധം) പോർട്രെയ്‌റ്റും അതിൻ്റെ റിവേഴ്‌സിലെ ചിഹ്നവും (റിവേഴ്സ്) തിരിച്ചറിയാൻ AI-ക്ക് കഴിയും. എന്നാൽ നാണയം തിരിച്ചറിയുന്നതിന് നാണയശാസ്ത്രപരമായ വൈദഗ്ദ്ധ്യം ആവശ്യമാണ്: ജീർണിച്ച ലിഖിതമോ വ്യാജ മിൻ്റേജോ അപൂർവ്വമായ ഒരു വേരിയൻ്റോ ആകട്ടെ, തെറ്റായ ആട്രിബ്യൂഷൻ വളരെ വ്യക്തമാണ്. "ഇത് ആ ചക്രവർത്തിയുടെ നാണയമാണ്" എന്ന് AI പറയുന്നത് ഒരു സ്റ്റാൻഡേർഡ് കോയിൻ കാറ്റലോഗ് വഴി സ്ഥിരീകരിക്കുന്നു. ആലേഖനം ചെയ്തതും സ്റ്റാമ്പ് ചെയ്തതുമായ കണ്ടെത്തലുകൾക്കും ഇത് ബാധകമാണ്.

മുന്നറിയിപ്പ്: പ്രശസ്തമായ തരവുമായി സാമ്യമുള്ള ഒരു കണ്ടെത്തലിനെ "പൊരുത്തപ്പെടുത്താൻ" AI പ്രവണത കാണിക്കുന്നു; ഇത് അപൂർവമോ പ്രാദേശികമോ വിഭിന്നമോ ആയ ഉദാഹരണങ്ങളെ ഏറ്റവും പരിചിതമായ പാറ്റേണിലേക്ക് പ്രേരിപ്പിക്കുന്നു. അസാധാരണമായ ഒരു കണ്ടെത്തലിൽ AI-യെ കുറിച്ചുള്ള ആദ്യ റഫറൻസിൽ സംശയം പ്രകടിപ്പിക്കുക.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - പ്രീ-സോർട്ടിംഗ് ലോഡ് കുറച്ചു. 8,400 സെറാമിക് ഷെഡുകൾ ഇരുമ്പ് യുഗത്തിലെ ഒരു സെറ്റിൽമെൻ്റിൽ നിന്ന് കണ്ടെത്തി. AI വിഷ്വൽ ഗ്രൂപ്പിംഗ് ഭാഗങ്ങളെ ഏകദേശം 40 രൂപ മുൻ ക്ലസ്റ്ററുകളായി തിരിച്ചിരിക്കുന്നു; സ്ക്രാച്ചിൽ നിന്ന് ഓരോ കഷണവും ഒഴിവാക്കുന്നതിനുപകരം, വിദഗ്ദ്ധൻ ക്ലസ്റ്ററുകളിലൂടെ കടന്നുപോയി, അടുക്കൽ സമയം ഏകദേശം മൂന്നിലൊന്നായി കുറഞ്ഞു. AI തെറ്റായി സംയോജിപ്പിച്ച രണ്ട് വ്യത്യസ്ത ബാച്ചുകൾ വിദഗ്ധൻ വേർതിരിച്ചു.

കേസ് 2 - തെറ്റായ ആട്രിബ്യൂഷൻ പിടികൂടി. ഒരു ഇൻ്റേൺ AI-യിലേക്ക് ഒരു നാണയം അവതരിപ്പിച്ചു; അറിയപ്പെടുന്ന ഒരു റോമൻ തരത്തിന് AI ആത്മവിശ്വാസത്തോടെ അത് ആരോപിക്കുന്നു. നാണയശാസ്ത്ര വിദഗ്ധൻ അതിനെ കാറ്റലോഗുമായി താരതമ്യം ചെയ്തപ്പോൾ, വിപരീത ചിഹ്നവും ഇതിഹാസവും (നാണയത്തിൽ എഴുതുന്നത്) ക്രമം വ്യത്യസ്തമാണെന്നും ഇത് ഒരു പ്രാദേശിക അനുകരണ മിൻ്റേജാണെന്നും അദ്ദേഹം കണ്ടു. AI ഏറ്റവും പരിചിതമായ തരം നിർബന്ധിച്ചു.

കേസ് 3 - വർണ്ണ പൊരുത്തക്കേടിൻ്റെ പ്രശ്നം. ഒരു ടീം വ്യത്യസ്ത ദിവസങ്ങളിൽ എടുത്ത AI ഫോട്ടോകൾ വ്യത്യസ്ത വെളിച്ചത്തിൽ നൽകി; കുഴെച്ച നിറങ്ങൾ പൊരുത്തമില്ലാത്തതും ഗ്രൂപ്പിംഗ് തകർന്നതുമാണ്. ടീം കളർ കാർഡിലേക്കും സ്ഥിരമായ ലൈറ്റ് സ്കീമിലേക്കും മാറിയപ്പോൾ, ഗ്രൂപ്പിംഗ് കൃത്യത ഗണ്യമായി വർദ്ധിച്ചു. പാഠം: ചിത്രത്തിൻ്റെ ഗുണനിലവാരം വർഗ്ഗീകരണ നിലവാരമാണ്.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) നിഷ്പക്ഷ വിവരണം:

നിങ്ങളുടെ റോൾ: വിവരണ സഹായിയെ കണ്ടെത്തി. ഞാൻ നിങ്ങൾക്ക് ഒരു ഫോട്ടോ/ഡാറ്റ കണ്ടെത്താം. വസ്തുനിഷ്ഠമായി നിരീക്ഷിക്കാവുന്ന സവിശേഷതകൾ മാത്രം ലിസ്റ്റ് ചെയ്യുക: ഫോം (വായ/താഴെ/ശരീരം/ഹാൻഡിൽ), കണക്കാക്കിയ വലുപ്പം, ഉപരിതല ഫിനിഷ്, നിറം, അലങ്കാരം, പൊട്ടൽ/വസ്ത്രധാരണ അവസ്ഥ. ഒരു കാലഘട്ടത്തെയോ സംസ്കാരത്തെയോ ഉൽപ്പാദന സ്ഥലത്തെയോ പരാമർശിക്കരുത്. സവിശേഷതയെക്കുറിച്ച് നിങ്ങൾക്ക് ഉറപ്പില്ലെങ്കിൽ, "അനിശ്ചിതത്വം" എന്ന് എഴുതുക.

2) പ്രീ-ഗ്രൂപ്പിംഗ്:

താഴെ ഞാൻ [N] ഭാഗങ്ങളുടെ വിവരണ ഡാറ്റ ഒട്ടിക്കും. രൂപവും കുഴെച്ചതുമുതൽ സാമ്യവും അനുസരിച്ച് അവയെ ഗ്രൂപ്പുകളായി വിഭജിക്കുക. ഓരോ ഗ്രൂപ്പിനും: പൊതുവായ സവിശേഷതകൾ, ഗ്രൂപ്പിൽ ഉൾപ്പെടുന്ന പാർട്ട് നമ്പറുകൾ, ഗ്രൂപ്പിനെ ബന്ധിപ്പിക്കുന്ന മാനദണ്ഡങ്ങൾ എന്നിവ എഴുതുക. വ്യക്തമല്ലാത്ത ഏതെങ്കിലും ഭാഗങ്ങൾ ഒരു പ്രത്യേക "അവലോകനം ചെയ്യാൻ" പട്ടികയിൽ ഇടുക. കൃത്യമായ തരം പേര് നൽകരുത്.

3) അവലംബത്തിനുള്ള ചെക്ക്‌ലിസ്റ്റ് നിർമ്മാണം:

നിങ്ങളുടെ റോൾ: സെറാമിക്സ് വിദഗ്ധ കൺസൾട്ടൻ്റ്. ഇനിപ്പറയുന്ന ഗ്രൂപ്പിനായി, കാലയളവ്/പ്രൊഡക്ഷൻ ഇനം (മാവ് വിശകലനം, റഫറൻസ് കാറ്റലോഗ്, സമാന്തര കണ്ടെത്തൽ, സന്ദർഭ തീയതി മുതലായവ) പരിശോധിച്ചുറപ്പിക്കുമ്പോൾ ഞാൻ പരിശോധിക്കേണ്ട മാനദണ്ഡങ്ങൾ പട്ടികപ്പെടുത്തുക. പരാമർശം നടത്തരുത്; ഞാൻ എന്താണ് പരിശോധിക്കേണ്ടതെന്ന് എന്നോട് പറയുക.

4) ഫോട്ടോ ഗുണനിലവാര പരിശോധന:

ഇനിപ്പറയുന്ന കണ്ടെത്തിയ ഫോട്ടോകൾ വിലയിരുത്തുക: ഒരു സ്കെയിൽ ബാർ ഉണ്ടോ, ലൈറ്റ് സ്ഥിരതയുള്ളതാണോ, കളർ കാർഡ് ദൃശ്യമാണോ, പശ്ചാത്തലം പ്ലെയിൻ ആണോ, ഭാഗം വ്യക്തമാണോ? വർഗ്ഗീകരണത്തിനായി ഏതൊക്കെ ഫോട്ടോകളാണ് വീണ്ടും എടുക്കേണ്ടത്? പാർട്ട് നമ്പറുമായി പ്രശ്നങ്ങൾ ലിസ്റ്റ് ചെയ്യുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ മൺപാത്ര കഷണം ഏത് നാഗരികതയിൽ നിന്നുള്ളതാണ്, എത്ര പഴക്കമുള്ളതാണ്, എന്തിനാണ് ഇത് ഉപയോഗിച്ചത്?

ഒരു ഫോട്ടോയിൽ നിന്ന് കൃത്യമായ നാഗരികത, കൃത്യമായ പ്രായം, കൃത്യമായ പ്രവർത്തനം എന്നിവ AI രൂപപ്പെടുത്തുന്നു; എല്ലാം അടിസ്ഥാനരഹിതവും ആത്മവിശ്വാസവുമാണ്.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: വിവരണ സഹായിയെ കണ്ടെത്തി. ഫോട്ടോഗ്രാഫിലെ ഭാഗത്തിൻ്റെ നിരീക്ഷിക്കാവുന്ന സവിശേഷതകൾ മാത്രം വിവരിക്കുക: ഫോം ഭാഗം (വായ/താഴെ?), ഉപരിതലം (ഗ്ലേസ്ഡ്/അൺഗ്ലേസ്ഡ്, ബേൺഷ്ഡ്?), നിറം, അലങ്കാരം, കണക്കാക്കിയ കനം. തുടർന്ന്, ഈ വിവരണത്തെ അടിസ്ഥാനമാക്കി, പ്രവർത്തനവും കാലയളവും വ്യക്തമാക്കുന്നതിന് എന്ത് അധിക ഡാറ്റ (മാവ് വിശകലനം, പ്രൊഫൈൽ ഡ്രോയിംഗ്, സന്ദർഭം) ആവശ്യമാണെന്ന് എന്നോട് പറയുക. കൃത്യമായ നാഗരികത/പ്രായ റഫറൻസ് ഉണ്ടാക്കരുത്.

വ്യത്യാസം: ആദ്യത്തേതിന് തീരുമാനം ആവശ്യമാണ്, ഫിറ്റിംഗ് സ്വീകരിക്കുന്നു; രണ്ടാമത്തേതിന് വിവരണവും പരിശോധിക്കാവുന്ന റോഡ് മാപ്പും ആവശ്യമാണ്.

ദൃശ്യത്തിനപ്പുറം: കുഴെച്ച, സന്ദർഭം, പ്രൊഫൈൽ

AI ഇമേജ് വിശകലനത്തിലെ ഒരു പോരായ്മ, അത് ഉപരിതലത്തിൻ്റെ രൂപത്തിലേക്ക് മാത്രം നോക്കുന്നു എന്നതാണ്. എന്നിരുന്നാലും, പുരാവസ്തു ടൈപ്പോളജിയുടെ നട്ടെല്ല് പലപ്പോഴും നഗ്നനേത്രങ്ങൾക്ക് അദൃശ്യമാണ്. കുഴെച്ചതുമുതൽ (കളിമണ്ണ്, അതിൻ്റെ അഡിറ്റീവുകൾ, തകർന്ന വിഭാഗത്തിലെ അതിൻ്റെ ഘടന) എവിടെ, എങ്ങനെ ഒരു പാത്രം ഉൽപ്പാദിപ്പിക്കപ്പെട്ടു, ഏത് കളിമൺ ഉറവിടം ഉപയോഗിച്ചു എന്നിവ വെളിപ്പെടുത്തുന്നു; ഉപരിതലത്തിൽ രണ്ട് കഷണങ്ങൾ സമാനമാണെങ്കിലും, അവയുടെ മാവ് വ്യത്യസ്തമാണെങ്കിൽ, അവ വ്യത്യസ്ത ഉൽപാദന പാരമ്പര്യങ്ങളിൽ പെട്ടതാകാം. അതിനാൽ, ഒരു ഗുരുതരമായ വർഗ്ഗീകരണത്തിന്, ഭാഗത്തിൻ്റെ തകർന്ന ഭാഗം ഫോട്ടോയെടുക്കേണ്ടതുണ്ട്.

അതുപോലെ, പ്രൊഫൈൽ (ഒരു പാത്രത്തിൻ്റെ സൈഡ്-ബോഡി-ബോട്ടം സെക്ഷൻ്റെ സ്കെയിൽ ഡ്രോയിംഗ്) ഒരൊറ്റ ഫോട്ടോയെക്കാൾ വളരെ കൃത്യമായി ഫോം നിർവചിക്കുന്നു; വായയുടെ ആംഗിൾ, എഡ്ജ് കനം, താഴത്തെ ആകൃതി എന്നിവ കാലഘട്ടത്തിൻ്റെ സൂചകങ്ങളാണ്. പ്രൊഫൈൽ ഡ്രോയിംഗ് സ്വപ്രേരിതമായി എക്‌സ്‌ട്രാക്റ്റുചെയ്യാനും സമാന പ്രൊഫൈലുകൾ ഗ്രൂപ്പുചെയ്യാനും AI-ക്ക് സഹായിക്കാനാകും, എന്നാൽ വിദഗ്ദ്ധർ ഡ്രോയിംഗും അളവും പരിശോധിക്കുന്നു. അവസാനമായി, സന്ദർഭം (കഷണം ഏത് പാളിയിൽ കണ്ടെത്തി, എന്തിനൊപ്പം) വിഷ്വൽ സമാനതയിൽ നിന്ന് സ്വതന്ത്രമായ ഒരു ശക്തമായ ഡേറ്റിംഗ് സൂചനയാണ്: ഒരേ അടച്ച സന്ദർഭത്തിലുള്ള ഭാഗങ്ങൾ പലപ്പോഴും ഒരേ കാലഘട്ടത്തിൽ നിന്നുള്ളതാണ്. നിങ്ങൾ AI-ക്ക് ഫോട്ടോ മാത്രം നൽകുകയും ടെക്സ്ചർ, പ്രൊഫൈൽ, സന്ദർഭം എന്നിവ ഒഴിവാക്കുകയും ചെയ്താൽ, നിങ്ങളുടെ ഏറ്റവും മൂല്യവത്തായ തെളിവുകൾ നിങ്ങൾ അവഗണിക്കുകയാണ്.

നുറുങ്ങ്: AI-ക്ക് ഒരു ആർട്ടിഫാക്റ്റ് നൽകുമ്പോൾ, സാധ്യമെങ്കിൽ മൂന്ന് കാഴ്ചകൾ നൽകുക: പുറം ഉപരിതലം, ആന്തരിക ഉപരിതലം, തകർന്ന ഭാഗം. സന്ദർഭ നമ്പറും ഏതെങ്കിലും പ്രൊഫൈൽ അളവുകളും ഉൾപ്പെടുത്തുക. കൂടുതൽ നിഷ്പക്ഷമായ ഡാറ്റ അർത്ഥമാക്കുന്നത് കൂടുതൽ വിശ്വസനീയമായ ഗ്രൂപ്പിംഗ് എന്നാണ്.

കണ്ടെത്തൽ തരം അനുസരിച്ച് AI ഉപയോഗ പട്ടിക

കണ്ടെത്തലിൻ്റെ തരം

AI ശക്തമാണ്

അപകടസാധ്യതയുള്ള/മനുഷ്യ ബിസിനസ്സ്

നിർബന്ധിത പരിശോധന

സെറാമിക്സ്

ഫോം / കുഴെച്ചതുമുതൽ പ്രീ-ഗ്രൂപ്പിംഗ്

കാലയളവ്, ഉൽപ്പാദന സ്ഥലം

റഫറൻസ് കാറ്റലോഗ്, കുഴെച്ച വിശകലനം

നാണയം

മുഖം/ഐക്കൺ മുൻകൂട്ടി തിരിച്ചറിയൽ

കടപ്പാട്, അനുകരണം/അപൂർവ കണ്ടെത്തൽ

കോയിൻ കാറ്റലോഗ്, വിദഗ്ദ്ധൻ

ലിത്തിക്ക് (കല്ല് ഉപകരണം)

തരവും വലിപ്പവും അളക്കൽ

പ്രവർത്തനം, സാങ്കേതിക അവലോകനം

ഉപയോഗ-വസ്ത്ര വിശകലനം

ഗ്ലാസ് / ലോഹം

നിറം, ഫോം പ്രീ-വേർതിരിക്കൽ

രചന, കാലഗണന

ലബോറട്ടറി വിശകലനം

ചെറിയ കണ്ടെത്തൽ

ഇൻവെൻ്ററി ഫോട്ടോ പൊരുത്തപ്പെടുത്തൽ

പ്രവർത്തനം, പ്രാധാന്യം വ്യാഖ്യാനം

സന്ദർഭം, സമാന്തര ഉദാഹരണം

സാധാരണ തെറ്റുകൾ

• വിവരണങ്ങളേക്കാൾ അവലംബങ്ങൾ ആവശ്യപ്പെടുന്നു. AI-യോട് "അത് എങ്ങനെ കാണപ്പെടുന്നു" എന്ന് ചോദിക്കുക, "അത് എന്താണ്" എന്നല്ല; കാറ്റലോഗ് ഉപയോഗിച്ച് നിങ്ങളുടെ തീരുമാനം എടുക്കുക.
• മോശം ഫോട്ടോ ഉപയോഗിച്ച് തരംതിരിക്കുന്നു. സ്കെയിൽ, ലൈറ്റ്, കളർ കാർഡ് എന്നിവ ഇല്ലാതെ ഔട്ട്പുട്ട് വിശ്വസനീയമല്ല.
• അപൂർവ കണ്ടെത്തലിനെക്കുറിച്ചുള്ള AI-യുടെ ആദ്യ പരാമർശം അംഗീകരിക്കുന്നു. AI വിചിത്രമായ പാറ്റേണിനെ ഏറ്റവും പരിചിതമായ പാറ്റേണിലേക്ക് പ്രേരിപ്പിക്കുന്നു.
• പേസ്റ്റ്/സന്ദർഭ ഡാറ്റ ഒഴിവാക്കുന്നു. ദൃശ്യ സാമ്യം മാത്രം തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്; മാവും സന്ദർഭവും നിർണായകമാണ്.
• കൃത്യമായ ടൈപ്പോളജിക്കായി പ്രാഥമിക ഗ്രൂപ്പിംഗിനെ തെറ്റിദ്ധരിപ്പിക്കുന്നു. ഗ്രൂപ്പിംഗ് ഒരു തുടക്കമാണ്; ടൈപ്പോളജി ഒരു വിദഗ്ദ്ധനും റഫറൻസ് വർക്കുമാണ്.

ചുരുക്കത്തിൽ

കണ്ടെത്തിയ വർഗ്ഗീകരണത്തിൽ AI; ദൃശ്യ വിവരണം, ഫീച്ചർ എക്‌സ്‌ട്രാക്‌ഷൻ, പ്രാഥമിക ഗ്രൂപ്പിംഗ് ടാസ്‌ക്കുകൾ എന്നിവയിൽ ഇത് ഗുരുതരമായ സമയം ലാഭിക്കുന്നു. എന്നാൽ സാംസ്കാരിക-കാലഗണന ആട്രിബ്യൂഷൻ, അനുകരണം/അപൂർവ കണ്ടെത്തൽ, പ്രവർത്തനപരമായ വ്യാഖ്യാനം എന്നിവ വിദഗ്ധരുടെയും റഫറൻസ് കാറ്റലോഗുകളുടേതുമാണ്. AI യോട് പറയുക "വിവരിക്കുക" അല്ല "വിവരിക്കുക"; ഫോട്ടോ നിലവാരം സ്റ്റാൻഡേർഡ് ചെയ്യുക; ഓരോ ആട്രിബ്യൂഷനും സ്വതന്ത്ര ഉറവിടങ്ങൾ ഉപയോഗിച്ച് പരിശോധിക്കുക; അപൂർവമായ കണ്ടെത്തലുകളിൽ, AI-യുടെ ആദ്യ ഉത്തരത്തെക്കുറിച്ച് കൂടുതൽ സംശയമുള്ളവരായിരിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

സ്റ്റാൻഡേർഡ് ഫോർമാറ്റിൽ നിങ്ങളുടെ കൈവശമുള്ള (അല്ലെങ്കിൽ ഒരു കാറ്റലോഗിൽ നിന്ന് തിരഞ്ഞെടുക്കുക) കണ്ടെത്തിയ 10 ചിത്രങ്ങൾ തയ്യാറാക്കുക. "ന്യൂട്രൽ വിവരണം" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഓരോന്നും വിവരിക്കുക, തുടർന്ന് അവയെ "പ്രീ-ഗ്രൂപ്പിംഗ്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഗ്രൂപ്പുചെയ്യുക. തുടർന്ന് ഒരു ഗ്രൂപ്പിനെ ഒരു യഥാർത്ഥ റഫറൻസ് കാറ്റലോഗുമായി താരതമ്യം ചെയ്യുക, AI-യുടെ ഗ്രൂപ്പിംഗ് എവിടെയായിരുന്നുവെന്നും എവിടെയാണ് തെറ്റ് സംഭവിച്ചതെന്നും ശ്രദ്ധിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ഫോട്ടോകൾ ഒരു സ്കെയിൽ, ലൈറ്റ്, കളർ കാർഡ് എന്നിവ ഉപയോഗിച്ച് സ്റ്റാൻഡേർഡ് ചെയ്തു.
• [ ] എനിക്ക് AI-ൽ നിന്ന് നിഷ്പക്ഷ വിവരണം വേണം, ആട്രിബ്യൂഷനല്ല.
• [ ] ഞാൻ ഒരു വിദഗ്ദ്ധ കണ്ണും റഫറൻസ് കാറ്റലോഗും ഉപയോഗിച്ച് പ്രാഥമിക ഗ്രൂപ്പിംഗ് പരിശോധിച്ചു.
• [ ] അപൂർവ/വിചിത്രമായ കണ്ടെത്തലുകളിൽ AI യുടെ പ്രാരംഭ ആട്രിബ്യൂഷനെ ഞാൻ ചോദ്യം ചെയ്തു.
• [ ] ഞാൻ ഓരോ സാംസ്കാരിക-കാലഗണന റഫറൻസും സ്വതന്ത്ര സ്രോതസ്സുകൾ ഉപയോഗിച്ച് പരിശോധിച്ചു.