Sistemas de IA Multimodal: Análise de Imagem, Texto e Áudio

IA multimodal são sistemas de inteligência artificial capazes de entender e processar múltiplos tipos de dados (texto, imagem, áudio, vídeo). Modelos como GPTV, Gemini e Claude 3 abriram novos caminhos nesse campo.

Fundamentos de IA Multimodal

Tipos de Modalidade

1. Texto: Linguagem natural, código, dados estruturados
2. Visão: Foto, diagrama, captura de tela
3. Áudio: Fala, música, sons ambientais
4. Vídeo: Combinação de imagem em movimento + áudio

Por que Multimodal?

• A comunicação humana é inerentemente multimodal
• Informações contextuais são perdidas com uma única modalidade
• Extração de significado mais rica
• Adequação para aplicações do mundo real

Modelos Visão-Linguagem

Abordagens Arquiteturais

1. Aprendizado Contrastivo (estilo CLIP)

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

2. Generativo (estilo GPTV)

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

3. Fusão por Cross-Attention

Image Features ←Cross-Attention→ Text Features

Tipos de Vision Encoder

Tokenização de Imagem

Patch Embedding:

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

Resolução Variável:

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

Implementação de LLM Multimodal

Uso do 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## Processamento de Áudio
30
31### Speech-to-Text (STT)
32
33**Whisper Model:**
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")

Pipeline de Áudio em Tempo Real

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

Compreensão de Vídeo

Estratégias de Amostragem de Frames

1. Amostragem Uniforme:

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. Extração de Keyframes:

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

Fusão de Modalidades

Early Fusion

Combinando modalidades na entrada do modelo:

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

Late Fusion

Processando cada modalidade separadamente e combinando os resultados:

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

Cross-Modal Attention

Atenção entre modalidades:

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

OCR e Compreensão de Documentos

Pipeline de 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

Extração de Tabelas

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)

Aplicações Multimodais para Empresas

1. Processamento de Documentos

• OCR de faturas/recibos
• Análise de contratos
• Extração de dados de formulários

2. Busca Visual

• Busca a partir de imagem de produto
• Encontro de imagens similares
• Perguntas e respostas visuais

3. Moderação de Conteúdo

• Detecção de imagens inadequadas
• Verificação de logotipo de marca
• Consistência entre texto + imagem

4. Suporte ao Cliente

• Análise de screenshots
• Solução visual de problemas
• Suporte por voz

Otimização de Performance

Pré-processamento de Imagem

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()

Processamento em Lote

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

Gestão de Custos

Cálculo de Tokens (Visão)

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

Estratégias de Otimização

1. Ajustar nível de detalhe: Não use "high" a menos que seja necessário
2. Reduzir tamanho da imagem: Reduz a contagem de tokens
3. Caching: Não reanalise a mesma imagem
4. Operações em lote: Reduz a quantidade de chamadas à API

Conclusão

IA multimodal é a abordagem mais próxima da capacidade de entendimento semelhante à humana na inteligência artificial. A combinação de modalidades de imagem, texto e áudio torna possível criar aplicações de IA mais poderosas e úteis.

Na Veni AI, desenvolvemos soluções de IA multimodal. Entre em contato conosco para seus projetos.