- Video yang dihasilkan AI sering kali kehilangan koherensi seiring waktu karena masalah yang disebut penyimpangan
- Model yang dilatih tentang data sempurna mengalami kesulitan saat menangani masukan dunia nyata yang tidak sempurna
- Peneliti EPFL mengembangkan pelatihan ulang melalui daur ulang kesalahan untuk membatasi degradasi progresif
Video yang dihasilkan AI sering kali kehilangan koherensi seiring bertambahnya panjang urutan, suatu masalah yang dikenal sebagai penyimpangan.
Masalah ini terjadi karena setiap bingkai baru dibuat berdasarkan bingkai sebelumnya, sehingga kesalahan kecil apa pun, seperti objek yang terdistorsi atau wajah yang sedikit buram, akan semakin besar seiring berjalannya waktu.
Model bahasa besar dilatih secara eksklusif pada kumpulan data ideal kesulitan menangani masukan yang tidak sempurna, itulah sebabnya video biasanya menjadi tidak realistis setelah beberapa detik.
Mendaur ulang kesalahan untuk meningkatkan kinerja AI
Menghasilkan video yang mempertahankan kesinambungan logis untuk jangka waktu yang lama masih merupakan tantangan besar di lapangan.
Kini, para peneliti di laboratorium Visual Intelligence for Transportation (VITA) EPFL telah memperkenalkan metode yang disebut pelatihan ulang dengan daur ulang kesalahan.
Tidak seperti pendekatan konvensional yang mencoba menghindari kesalahan, metode ini sengaja memasukkan kembali kesalahan AI ke dalam proses pelatihan.
Dengan melakukan hal ini, model belajar memperbaiki kesalahan pada frame berikutnya, sehingga membatasi degradasi gambar secara progresif.
Prosesnya melibatkan pembuatan video, mengidentifikasi perbedaan antara frame yang dihasilkan dan frame yang diinginkan, dan melatih ulang AI mengenai perbedaan tersebut untuk menyempurnakan keluaran di masa mendatang.
Sistem video AI saat ini biasanya menghasilkan urutan yang tetap realistis selama kurang dari 30 detik sebelum bentuk, warna, dan logika gerakan memburuk.
Dengan mengintegrasikan daur ulang kesalahan, tim EPFL telah menghasilkan video yang tahan terhadap penyimpangan dalam durasi yang lebih lama, sehingga berpotensi menghilangkan batasan waktu yang ketat pada video generatif.
Kemajuan ini memungkinkan sistem AI untuk membuat urutan yang lebih stabil dalam aplikasi seperti simulasi, animasi, atau pengisahan cerita visual otomatis.
Meskipun pendekatan ini mengatasi penyimpangan, namun tidak menghilangkan semua keterbatasan teknis.
Pelatihan ulang dengan mendaur ulang kesalahan meningkatkan permintaan komputasi dan mungkin memerlukan pemantauan berkelanjutan untuk mencegah overfitting pada kesalahan tertentu.
Penerapan dalam skala besar mungkin menghadapi kendala sumber daya dan efisiensi, serta kebutuhan untuk menjaga konsistensi di berbagai konten video.
Masih belum jelas apakah memberikan kesalahan pada AI merupakan ide yang bagus, karena metode ini dapat menimbulkan bias yang tidak terduga atau mengurangi generalisasi dalam skenario yang kompleks.
Perkembangan di VITA Lab menunjukkan bahwa AI dapat belajar dari kesalahannya sendiri, sehingga berpotensi memperpanjang batas waktu pembuatan video.
Namun, bagaimana metode ini akan melakukan pengujian terkontrol di luar atau dalam aplikasi kreatif masih belum jelas, sehingga menyarankan kehati-hatian sebelum berasumsi bahwa metode ini dapat sepenuhnya menyelesaikan masalah penyimpangan.
Melalui TeknologiXplore
Ikuti TechRadar di Google Berita Dan tambahkan kami sebagai sumber pilihan untuk mendapatkan berita, ulasan, dan opini pakar kami di feed Anda. Pastikan untuk mengklik tombol Ikuti!
Dan tentu saja Anda juga bisa Ikuti TechRadar di TikTok untuk berita, review, unboxing dalam bentuk video, dan dapatkan update rutin dari kami Ada apa juga.
