Multimodalne systemy AI: analiza obrazu, tekstu i dźwięku

Multimodalna AI to systemy sztucznej inteligencji zdolne do rozumienia i przetwarzania wielu typów danych (tekst, obraz, audio, wideo). Modele takie jak GPTV, Gemini i Claude 3 wyznaczyły nowy kierunek w tej dziedzinie.

Podstawy multimodalnej AI

Typy modalności

1. Tekst: język naturalny, kod, dane strukturyzowane
2. Wizja: zdjęcie, diagram, zrzut ekranu
3. Audio: mowa, muzyka, dźwięki środowiskowe
4. Wideo: połączenie obrazów ruchomych + dźwięku

Dlaczego multimodalność?

• Komunikacja człowieka jest z natury multimodalna
• Informacje kontekstowe są tracone przy jednej modalności
• Bogatsza ekstrakcja znaczenia
• Przydatność w aplikacjach rzeczywistych

Modele językowo-wizualne

Podejścia architektoniczne

1. Uczenie kontrastywne (styl CLIP)

1Image Encoder → Image Embedding
2Text Encoder → Text Embedding
3Contrastive Loss: Match(image, text)

2. Generatywne (styl GPTV)

Image → Vision Encoder → Visual Tokens
Visual Tokens + Text Tokens → LLM → Response

3. Fuzja typu Cross-Attention

Image Features ←Cross-Attention→ Text Features

Typy enkoderów wizualnych

Tokenizacja obrazu

Patch Embedding:

224×224 image → 14×14 patch grid → 196 visual tokens
Each patch: 16×16 pixel → Linear projection → Embedding

Zmienne rozdzielczości:

1Anyres approach:
21. Divide image into tiles
32. Encode each tile separately
43. Add global thumbnail
54. Concatenate all tokens

Implementacja multimodalnych LLM

Użycie GPTV

1from openai import OpenAI
2import base64
3
4client = OpenAI()
5
6def encode_image(image_path):
7    with open(image_path, "rb") as f:
8        return base64.b64encode(f.read()).decode('utf-8')
9
10response = client.chat.completions.create(
11    model="gpt-4-vision-preview",
12    messages=[
13        {
14            "role": "user",
15            "content": [
16                {"type": "text", "text": "Analyze this image"},
17                {
18                    "type": "image_url",
19                    "image_url": {
20                        "url": f"data:image/jpeg;base64,{encode_image('image.webp')}",
21                        "detail": "high"  # low, high, auto
22                    }
23                }
24            ]
25        }
26    ],
27    max_tokens=1000
28)

Claude 3 Vision

1from anthropic import Anthropic
2import base64
3
4client = Anthropic()
5
6with open("image.webp", "rb") as f:
7    image_data = base64.standard_b64encode(f.read()).decode("utf-8")
8
9message = client.messages.create(
10    model="claude-3-opus-20240229",
11    max_tokens=1024,
12    messages=[
13        {
14            "role": "user",
15            "content": [
16                {
17                    "type": "image",
18                    "source": {
19                        "type": "base64",
20                        "media_type": "image/jpeg",
21                        "data": image_data
22                    }
23                },
24                {"type": "text", "text": "What is in this image?"}
25            ]
26        }
27    ]
28)
29## Przetwarzanie dźwięku
30
31### Speech-to-Text (STT)
32
33**Model Whisper:**
34```python
35from openai import OpenAI
36
37client = OpenAI()
38
39with open("audio.mp3", "rb") as audio_file:
40    transcript = client.audio.transcriptions.create(
41        model="whisper-1",
42        file=audio_file,
43        language="en"
44    )
45    
46print(transcript.text)

Text-to-Speech (TTS)

1response = client.audio.speech.create(
2    model="tts-1-hd",
3    voice="alloy",  # alloy, echo, fable, onyx, nova, shimmer
4    input="Hello, I am an AI assistant."
5)
6
7response.stream_to_file("output.mp3")

Rzeczywisty pipeline audio

1Microphone → VAD → Chunking → STT → LLM → TTS → Speaker
2             ↓
3        Voice Activity
4        Detection

Zrozumienie wideo

Strategie próbkowania klatek

1. Próbkowanie równomierne:

1def uniform_sample(video_path, num_frames=8):
2    cap = cv2.VideoCapture(video_path)
3    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
4    indices = np.linspace(0, total_frames-1, num_frames, dtype=int)
5    
6    frames = []
7    for idx in indices:
8        cap.set(cv2.CAP_PROP_POS_FRAMES, idx)
9        ret, frame = cap.read()
10        if ret:
11            frames.append(frame)
12    
13    return frames

2. Ekstrakcja klatek kluczowych:

1def extract_keyframes(video_path, threshold=30):
2    # Finding keyframes with Scene change detection
3    pass

Pipeline Video-LLM

1Video → Frame Sampling → Per-frame Encoding → Temporal Aggregation → LLM
2                              ↓
3                        Audio Extraction → STT → Text

Fuzja modalności

Wczesna fuzja

Łączenie modalności na wejściu modelu:

[CLS] [IMG_1] ... [IMG_N] [SEP] [TXT_1] ... [TXT_M] [SEP]

Późna fuzja

Przetwarzanie każdej modalności osobno i łączenie wyników:

1Image → Image Model → Image Features ─┐
2                                       ├→ Fusion Layer → Output
3Text → Text Model → Text Features ────┘

Cross-Modal Attention

Atencja między modalnościami:

1Q = Text Features
2K, V = Image Features
3Cross_Attention(Q, K, V) = softmax(QK^T/√d)V

OCR i zrozumienie dokumentów

Pipeline Document AI

1def process_document(image_path):
2    # 1. Layout Detection
3    layout = detect_layout(image)  # Headings, paragraphs, tables
4    
5    # 2. OCR
6    text_regions = ocr_extract(image)
7    
8    # 3. Structure Understanding
9    structured_doc = parse_structure(layout, text_regions)
10    
11    # 4. LLM Analysis
12    analysis = llm_analyze(structured_doc)
13    
14    return analysis

Ekstrakcja tabel

1response = client.chat.completions.create(
2    model="gpt-4-vision-preview",
3    messages=[{
4        "role": "user",
5        "content": [
6            {"type": "image_url", "image_url": {"url": table_image_url}},
7            {"type": "text", "text": "Extract this table in JSON format"}
8        ]
9    }]
10)

Enterprise Multimodal Applications

1. Przetwarzanie dokumentów

• OCR faktur/paragonów
• Analiza kontraktów
• Ekstrakcja danych z formularzy

2. Wyszukiwanie wizualne

• Wyszukiwanie na podstawie obrazu produktu
• Znajdowanie podobnych obrazów
• Pytania i odpowiedzi wizualne

3. Moderacja treści

• Wykrywanie nieodpowiednich obrazów
• Sprawdzanie logo marki
• Spójność tekst + obraz

4. Obsługa klienta

• Analiza zrzutów ekranu
• Rozwiązywanie problemów wizualnych
• Obsługa głosowa

Optymalizacja wydajności

Przetwarzanie wstępne obrazów

1def optimize_image(image_path, max_size=1024, quality=85):
2    img = Image.open(image_path)
3    
4    # Resize
5    if max(img.size) > max_size:
6        ratio = max_size / max(img.size)
7        new_size = tuple(int(d * ratio) for d in img.size)
8        img = img.resize(new_size, Image.LANCZOS)
9    
10    # Compress
11    buffer = io.BytesIO()
12    img.save(buffer, format="JPEG", quality=quality)
13    
14    return buffer.getvalue()

Przetwarzanie wsadowe

1async def batch_image_analysis(images, batch_size=5):
2    results = []
3    for i in range(0, len(images), batch_size):
4        batch = images[i:i+batch_size]
5        tasks = [analyze_image(img) for img in batch]
6        batch_results = await asyncio.gather(*tasks)
7        results.extend(batch_results)
8    return results

Zarządzanie kosztami

Obliczanie tokenów (Vision)

1GPTV Token Cost:
2- Low detail: 85 token/image
3- High detail: 85 + 170 × tile_count
4
5Example (2048×1024, high):
6Tiles: ceil(2048/512) × ceil(1024/512) = 4 × 2 = 8
7Tokens: 85 + 170 × 8 = 1445 tokens

Strategie optymalizacji

1. Dostosuj poziom szczegółowości: Nie używaj „high”, jeśli nie jest to konieczne
2. Zmniejsz rozmiar obrazu: Zmniejsza liczbę tokenów
3. Cache’owanie: Nie analizuj ponownie tego samego obrazu
4. Operacje wsadowe: Zmniejsz liczbę wywołań API

Podsumowanie

Multimodalna AI jest najbliższym podejściem do ludzkiej zdolności rozumienia w sztucznej inteligencji. Połączenie modalności obrazu, tekstu i audio umożliwia tworzenie bardziej zaawansowanych i użytecznych aplikacji AI.

W Veni AI tworzymy multimodalne rozwiązania AI. Skontaktuj się z nami w sprawie swoich projektów.