آمازون تولید آیکون‌های متحرک Alexa+ را با یادگیری تقویتی بهبود داد

دستگاه‌های Alexa+ مجهز به نمایشگر هنگام گفت‌وگو آیکون‌های متحرکی نشان می‌دهند تا محتوای صحبت را به‌صورت بصری تقویت کنند. آیکون‌های اولیه را طراحان یکی‌یکی می‌کشیدند؛ روشی که نتیجهٔ پرداخت‌شده‌ای داشت، اما برای پوشش موضوعات متنوع گفت‌وگوهای آزاد به‌سادگی گسترش‌پذیر نبود. پژوهش تازهٔ آمازون خط تولیدی خودکار را شرح می‌دهد که از توضیح متنی آیکون‌های برداری و متحرک می‌سازد و انیمیشن‌های مرتبط را با توجه به گفت‌وگوی جاری در دسترس کاربران قرار می‌دهد.

این خط تولید چند مرحله دارد: تولید تصویر، تجزیهٔ معنایی، برداری‌سازی، اعمال سبک و متحرک‌سازی. چون کیفیت مراحل بعدی به تصویر اولیه وابسته است، پژوهشگران بر بهبود همین مرحله تمرکز کردند. تولیدهای اولیه اغلب به‌دلیل محدودیت‌های بوم‌های نمایش کوچک و دستورالعمل‌های سخت‌گیرانهٔ طراحی برای استفادهٔ واقعی مناسب نبودند. از سوی دیگر، به‌گفتهٔ پژوهش، امکان تنظیم نظارت‌شدهٔ مدل وجود نداشت، چون مجموعه‌داده‌ای از آیکون‌های خطی با این محدودیت‌ها در دسترس نبود.

پژوهشگران به‌جای آن، راستی‌آزماهای خودکاری ساختند تا تصویرهایی را که دستورالعمل‌های طراحی را نقض می‌کنند شناسایی کنند و با استفاده از آن‌ها یک مدل تولید تصویر مبتنی بر flow matching را از راه یادگیری تقویتی با پاداش‌های قابل‌راستی‌آزمایی (RLVR) تنظیم کردند. نرخ قبولی مدل از ۱۵٫۷ به ۵۸٫۷ درصد رسید؛ ارزیابی را یک مدل بینایی‌ـ‌زبانی انجام داد که مستقل از مدل پاداش بود. مدل تنظیم‌شده و راستی‌آزما هر دو در خط تولید عملیاتی شده‌اند و راستی‌آزما پیش از بازبینی نهایی طراحی، نقش دروازهٔ کنترل کیفیت خودکار را دارد. این پژوهش به‌صورت پیش‌چاپ در arXiv منتشر شده است.