حالت جستجوی هوش مصنوعی گوگل اکنون چندین شیء را در تصاویر همزمان شناسایی می‌کند

گوگل از پیشرفت قابل توجهی در فناوری جستجوی تصویری رونمایی کرده که به کاربران امکان می‌دهد چندین شیء را در یک تصویر به طور همزمان جستجو کنند. این به‌روزرسانی برای قابلیت Circle to Search در اندروید و Google Lens اعمال شده و به کاربران اجازه می‌دهد هر جزء از یک تصویر پیچیده را در یک اقدام شناسایی کنند، به جای انجام جستجوهای جداگانه برای هر آیتم.

دونیا برادا، مدیر ارشد مهندسی جستجوی گوگل که بر جستجوی چندوجهی و لنز تمرکز دارد، این فناوری را توضیح داد. به گفته برادا، جستجوی تصویری در حال تغییر بنیادین نحوه تعامل مردم با اطلاعات است و هدف این است که لنز به اندازه‌ای هوشمند شود که «چرایی» پشت جستجوها را درک کند و به کاربران کمک کند تا با هر چیزی که روی صفحه نمایش یا در دنیای اطراف خود می‌بینند، کمک دریافت کنند.

این فناوری بر مدل‌های پیشرفته جمینای گوگل تکیه دارد که به عنوان «مغز» قادر به دیدن و تحلیل تصاویر در کنار سؤالات کاربر عمل می‌کند. وقتی کاربری تصویری را جستجو می‌کند، جمینای تصمیم می‌گیرد از کدام ابزارها استفاده کند و تکنیکی را فعال می‌کند که گوگل آن را «گسترش» می‌نامد. این تکنیک به طور همزمان چندین جستجو انجام می‌دهد - اساساً در زمانی که یک جستجو طول می‌کشد، یک dozen جستجو انجام می‌دهد - نتایج را بررسی می‌کند و پاسخی منسجم به همراه لینک‌های مفید ارائه می‌دهد.

برای مثال، اگر کاربری عکسی از یک اتاق نشیمن مدرین میانه قرن ببیند و بخواهد کل فضا را بازسازی کند، قبلاً مجبور بود لامپ، فرش و صندلی را جداگانه جستجو کند. اکنون حالت هوش مصنوعی تصویر پیچیده را تجزیه می‌کند، هر قطعه را شناسایی می‌کند و چندین جستجوی تصویری را одновременно صادر می‌کند. سیستم همچنین می‌تواند با یک جستجوی متنی شروع شود و زمانی که کاربر می‌خواهد گزینه‌های بیشتری مانند یک آیتم خاص ببیند، فرآیند گسترش را آغاز کند.

پیامدهای این پیشرفت برای تجارت الکترونیک و کشف محصولات قابل توجه است. کاربران می‌توانند از یک تیپ خیابانی عکس بگیرند و فوراً نتایج هر جزء - کلاه، کفش، ژاکت - را در یک پاسخ دریافت کنند. فراتر از خرید، این فناوری به موارد آموزشی مانند عکس گرفتن از دیوار موزه و دریافت توضیحات هر نقاشی، یا شناسایی شیرینی‌ها در ویترین نانوایی گسترش می‌یابد.

این پیشرفت نشان‌دهنده گذار از پرسیدن «این یک چیز چیست؟» به درخواست «کل صحنه را برایم توضیح بده» است و جستجوی تصویری را برای کاربران عادی جامع‌تر و شهودی‌تر می‌کند.