আমরা Alma Media-তে রিয়েল এস্টেট লিস্টিং সেবার জন্য AI/ML সমাধান তৈরি করছি, যেখানে বেশিরভাগ ছবি আসে এটি কী দেখাচ্ছে তার কোনো তথ্য ছাড়াই। অনুসন্ধান, সুপারিশ এবং অভ্যন্তরীণ ব্যবহারের ক্ষেত্রগুলো জানার উপর নির্ভর করে যে ছবিটি কি রান্নাঘর, মেঝের নকশা নাকি বাগান দেখাচ্ছে। মোটামুটিভাবে, এই ক্লাসিক মাল্টি-লেবেল শ্রেণিবিন্যাস কাজে ২৩টি ক্লাস রয়েছে।

শ্রেণিবিন্যাসের আস্থা (confidence) ফেরত দেওয়ার সিদ্ধান্ত নেওয়ার জন্য গুরুত্বপূর্ণ, বিশেষ করে সামনের ফোকাসকে পটভূমির উপাদান থেকে আলাদা করার সময়। যদিও দৃষ্টি-ভাষা মডেল ব্যবহারকারী থার্ড-পার্টি API-গুলো একটি আধুনিক ডিফল্ট, আমরা আমাদের প্রয়োজনীয়তা মেটাতে google/siglip-base-patch16-224 ফাইন-টিউন করেছি। ওপেন-সোর্স ViT ভিত্তি মডেলগুলিতে প্রশিক্ষণের জন্য মূল্যায়ন করা প্রয়োজন যে আপনার কাজটি কার্যকরভাবে প্রম্পট করা যায় কিনা, আপনি কি কাঠামোগত JSON আউটপুট চান এবং শ্রেণিবিন্যাসের আস্থা স্কোর কতটা জরুরি।

উত্তরগুলো অ্যাপ্লিকেশনের উপর নির্ভর করে। যদি আমাদের রান্নাঘর দেখানো সব ছবি খুঁজে বের করতে হয়, তবে আমাদের পটভূমিতে রান্নাঘর দেখানো লিভিং রুম ছবিরও শনাক্তকরণ করতে হবে। বিপরীতভাবে, নির্দিষ্ট ব্যবহারকারী প্রশ্নের জন্য ফোকাসযুক্ত ফলাফল প্রয়োজন। LoRA ফাইন-টিউনিং আমাদের অনুলেবেলিং সমস্যার সমাধান করেছে, কিন্তু এই পথ বেছে নেওয়া আপনার নির্দিষ্ট ব্যবসায়িক প্রেক্ষাপটের উপর নির্ভর করে।

প্রধান এনটিটি: কোম্পানি: Alma Media, Google, Meta | অবস্থান: [ADDRESS]