Baidu เปิดตัว Unlimited OCR 2 โมเดล OCR เอกสารยาว

Baidu ได้สร้างความตื่นเต้นให้กับวงการปัญญาประดิษฐ์อีกครั้งด้วยการเปิดตัว Unlimited OCR 2 ซึ่งเป็นโมเดล OCR (Optical Character Recognition) แบบโอเพนซอร์สขนาด 3 พันล้านพารามิเตอร์ (3B) ที่ออกแบบมาเพื่อแก้ไขข้อจำกัดเดิมๆ ในการจัดการกับเอกสารขนาดยาวที่มีความหนาหลักร้อยหน้าในคราวเดียว โดยโมเดลนี้อนุญาตให้นักพัฒนาและองค์กรต่างๆ นำไปใช้งานภายใต้สัญญาอนุญาตแบบ MIT-licensed ที่ยืดหยุ่น

ในอดีตการแปลงเอกสารที่มีความยาวมากๆ มักพบปัญหาเรื่องการใช้ทรัพยากรคอมพิวเตอร์ที่พุ่งสูงขึ้นอย่างรวดเร็วตามจำนวนหน้ากระดาษ แต่ด้วยสถาปัตยกรรมใหม่ในเวอร์ชันนี้ Baidu สามารถทะลวงขีดจำกัดดังกล่าว ทำให้ระบบสามารถรับมือกับเอกสารจำนวนมหาศาลได้ภายในคำขอเดียวโดยไม่ต้องทยอยแบ่งส่วนประมวลผลให้ยุ่งยากอีกต่อไป

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

เบื้องหลังความสำเร็จของประสิทธิภาพระดับสูงนี้ มาจากการใช้กลไกความสนใจแบบพิเศษที่เรียกว่า SR-SWA attention ซึ่งช่วยให้ต้นทุนในการถอดรหัสในแต่ละขั้นตอน (per-step decoding cost) มีความคงที่เกือบจะสมบูรณ์ แม้ว่าเอกสารเป้าหมายจะมีความยาวเพิ่มขึ้นมากเพียงใดก็ตาม ส่งผลให้ความเร็วและเสถียรภาพในการทำงานไม่ลดลงตามปริมาณข้อมูล

จากการทดสอบบนเกณฑ์มาตรฐานเฉพาะทางอย่าง MarathonDocBench โมเดล Unlimited OCR 2 สามารถทำคะแนนไปได้สูงถึง 77.1 คะแนน ซึ่งเป็นเครื่องยืนยันถึงความแม่นยำและศักยภาพในการอ่านตัวหนังสือจากเอกสารยาวได้อย่างมีประสิทธิภาพเหนือกว่าหลายๆ ระบบที่มีอยู่ในตลาดปัจจุบัน

ที่มา: MarkTechPost