इमेज labeling लागत में 96% कटौती: कम बजट और समय की कमी वाले माहौल में भी, इंसानों के काम को सिस्टम को सौंपकर दोहराए जाने वाले श्रम को software pipeline से बदलते हुए core functionality लागू करने का एक व्यावहारिक engineering case.
मुख्य सार
• समस्या की पहचान: मशहूर character dolls को अपने-आप पहचानकर register करने वाली feature के लिए उपयुक्त existing model मौजूद नहीं था, और human labeling में लागत, गति और scalability—तीनों की स्पष्ट सीमाएँ थीं.
• दृष्टिकोण: “और लोगों को लगाया जाए?” के बजाय, इंसानी निर्णय-प्रक्रिया को system में विभाजित कर pipeline बनाया गया.
4-स्टेप automation pipeline design
1. CLIP filtering – बेकार इमेजों को बड़ी मात्रा में हटाकर LLM लागत कम करना
2. YOLO detection – सिर्फ मुख्य object को crop करके analysis scope घटाना
3. LVM labeling – केवल साफ़-सुथरे data पर high-performance VLM लगाना
4. LVM verification – confidence-आधारित conditional verification से calls की संख्या और कम करना
नतीजे:
• मानवीय labeling लागत लगभग 21.6 लाख वॉन → 90 हज़ार वॉन
• लगभग 95.7% लागत में कमी, काम का समय कई दिनों से घटकर कुछ घंटों में
• मूलभूत मूल्य: यह सिर्फ एकबारगी बचत नहीं, बल्कि reuse की जा सकने वाली system हासिल करना है
यह साबित करता है कि पूंजी की सीमाओं को तकनीक से पार किया जा सकता है, और software लागत की समस्या को संरचनात्मक समस्या में बदलने वाला एक tool हो सकता है.
अभी कोई टिप्पणी नहीं है.