Čo je multimodálny model?
Multimodálny model je AI model, ktorý spracúva viac typov vstupov a výstupov, napríklad text, obrázky, zvuk či video.
Vysvetlenie
Prvé jazykové modely pracovali len s textom. Multimodálne modely dokážu „pozrieť“ na fotku, prečítať naskenovaný dokument, porozumieť grafu, prepísať a pochopiť nahrávku alebo opísať video. Niektoré vedia obrázky či reč aj vytvárať. Medzi multimodálne patria súčasné verzie GPT, Claude aj Gemini.
Pre firmy to otvára úlohy, ktoré sa predtým automatizovali ťažko: čítanie faktúr a dodacích listov bez ohľadu na rozloženie, kontrola fotiek z montáže, spracovanie ručne vyplnených formulárov, porozumenie technickým výkresom či prepis porád so zhrnutím.
Aj multimodálny model sa môže pomýliť, napríklad pri nečitateľnej fotke, zle rozpoznanom čísle alebo pri tabuľke so zlúčenými bunkami. Pri údajoch s finančným dopadom sa preto dopĺňajú kontrolné pravidlá, napríklad súčet riadkov musí sedieť s celkovou sumou, a pri nezhode rozhoduje človek. Riešenie je vhodné vyskúšať na vzorke skutočných dokumentov firmy, nie len na ukážkových príkladoch.
Príklad z firmy
Technik v teréne odfotí štítok zariadenia a poškodený diel. Model z fotky prečíta typ a sériové číslo, rozpozná diel a v servisnom systéme pripraví objednávku náhradného dielu na schválenie.
Súvisiaca služba AI-CO
AI spracovanie faktúr: AI spracovanie faktúr: prečíta faktúry z e-mailu aj Peppolu, skontroluje ich a pripraví do Pohody, Money S3 či iKROS. Od 990 € + 99 €/mes. E-faktúra 2027.
Neviete, kde začať? Objednať AI Discovery zadarmo, náš človek prejde s vami firmu a do 24 hodín máte mapu príležitostí.