معرفی هوش مصنوعی Palette توسط IBM؛ ساخت اسلایدهای پاورپوینت منطبق با هویت بصری برندها

معرفی

سیستم IBM Palette یک پروژه پژوهشی جدید است که توسط بخش تحقیقات شرکت IBM (IBM Research) معرفی شده است. ایده اصلی این پروژه اثبات این موضوع است که یک مدل کوچک با وزن‌های باز و قابل میزبانی روی سرورهای شخصی می‌تواند اسلایدهای ارائه را دقیقاً مطابق با زبان طراحی اختصاصی یک شرکت (در اینجا زبان طراحی IBM) بسازد و هم‌زمان با ابزارهای پیشرو بازار رقابت کند.

سیستم Palette یک مدل پایه ۲۰ میلیارد پارامتری با وزن‌های باز (که در مخزن پروژه با نام gpt-oss-20b-palette-lora به آن اشاره شده است) را به کمک یک آداپتور واحد LoRA آموزش داده است تا هم‌زمان دو نقش کلیدی را ایفا کند:

• طراح (Designer): طرح کلی را می‌خواند و یک خلاصه ساختاری به فرمت JSON می‌نویسد که شامل پالت رنگی، سیستم تایپوگرافی، چیدمان هر اسلاید، محتوای دقیق و منطق پشت طراحی است.
• کدنویس (Coder): مشخصات یک اسلاید را تحویل می‌گیرد و کدهای جاوااسکریپت مبتنی بر کتابخانه pptxgenjs را برای ترسیم آن می‌نویسد.

در ادامه، یک چارچوب بررسی و اصلاح خودکار هر اسلاید را رندر می‌گیرد، خطاهایی مانند هم‌پوشانی عناصر، بریده شدن متن یا بیرون‌زدگی از کادر را شناسایی می‌کند و اسلایدهای علامت‌گذاری‌شده را به یک مدل ویرایشگر می‌فرستد. این سیستم نسخه بازنویسی‌شده را تنها در صورتی حفظ می‌کند که ابزار بررسی‌کننده بهبود کیفیت آن را تأیید کند. خروجی نهایی شامل یک فایل قابل دانلود با فرمت .pptx به‌همراه پیش‌نمایش PDF است.

جزئیات عملکرد و فناوری

این سیستم چه مشکلی را حل می‌کند؟

فایل‌های ارائه سازمانی معمولاً از دو مشکل اساسی رنج می‌برند: نخست اینکه مدل‌های پیشرو امروزی یک «سبک بصری کلیشه‌ای هوش مصنوعی» تولید می‌کنند که دستورالعمل‌های هویت بصری برند را نادیده می‌گیرد، و دوم اینکه محتوای محرمانه شرکت‌ها نباید از سرورهای داخلی سازمان خارج شود. سیستم Palette با بهره‌گیری از یک مدل اختصاصی با وزن‌های باز و قابل میزبانی داخلی، هر دو چالش را برطرف می‌کند.

تکنیک‌های کلیدی

• تفکیک نقش‌ها: ابتدا بخش طراح، خط داستانی و چیدمان کلی را تثبیت می‌کند و سپس بخش کدنویس هر اسلاید را ترسیم می‌نماید. از آنجا که محتوا و ساختار هر اسلاید پیش از شروع کدنویسی کاملاً مشخص شده است، فراخوانی‌های مدل کدنویس به‌صورت موازی اجرا می‌شوند که این کار مرحله کدنویسی را حدود ۶ تا ۷ برابر سریع‌تر می‌کند.
• داده‌های مصنوعی (Synthetic data): یک مدل معلم بزرگ و متن‌باز، حدود ۱٬۰۰۰ فایل ارائه و ۱۰٬۰۰۰ اسلاید تولید کرده است که در آن‌ها هر انتخاب طراحی با استدلال‌های مقایسه‌ای همراه شده است (برای مثال، توضیح اینکه چرا در یک بخش به‌جای جدول از نمودار استفاده شده است).
• اولویت دادن به وفاداری به متن: به گفته پژوهشگران IBM، دشوارترین چالش در این مسیر، جلوگیری از جعل اطلاعات و آمارهای خیالی توسط مدل بود؛ تغییر دادن فایل‌های ارائه مرجع در مدل معلم، بیش از تعیین قوانین در پرامپت‌ها به حل این مشکل کمک کرد.
• بررسی و اصلاح خودکار: در بررسی ۱۳۱ فایل ارائه در بنچمارک PresentBench، این چارچوب کنترلی توانست امتیاز کیفی خروجی‌ها را به‌طور میانگین ۳.۵ واحد افزایش دهد.

نتایج و محدودیت‌ها

در بنچمارک PresentBench، سیستم Palette در حوزه‌های اقتصاد و آموزش رتبه اول، در بخش سخنرانی رتبه سوم و در میانگین هر سه حوزه رتبه دوم (با کسب امتیاز ۵۹.۷ در برابر امتیاز ۶۰.۸ ابزار NotebookLM) را کسب کرد و بالاتر از ابزارهایی مانند Manus 1.6 قرار گرفت. البته باید به چند نکته توجه داشت: این نتایج توسط خود شرکت سازنده گزارش شده‌اند، بنچمارک PresentBench کیفیت عمومی اسلایدها را می‌سنجد نه میزان پایبندی به زبان طراحی برند، و زمان دقیق انتشار عمومی وزن‌های این مدل هنوز به‌طور شفاف اعلام نشده است.

کاربردها و نحوه استفاده

این ابزار مناسب چه کسانی است؟

• تیم‌های طراحی و بازاریابی سازمانی که به تولید انبوه اسلایدهای منطبق با سیستم هویت بصری برند خود نیاز دارند.
• سازمان‌هایی که به‌دلیل مسائل امنیتی نمی‌توانند محتوای خود را به سرورهای خارجی مدل‌های هوش مصنوعی ارسال کنند.
• مهندسانی که در حال کاوش و بررسی فرمول «مدل کوچک + داده‌های مصنوعی + چارچوب ارزیاب» هستند.

نحوه شروع کار

1. مقاله بخش تحقیقات IBM در وبلاگ Hugging Face را مطالعه کنید تا با جزئیات خط تولید طراح و کدنویس این سیستم آشنا شوید.
2. مخزن گیت‌هاب پروژه با نام project-palette را دنبال کنید: این پروژه شامل یک محیط تعاملی شبیه به چت‌بات است که در آن موضوع ارائه را توصیف می‌کنید یا فایل‌های مرجع PDF، DOCX و PPTX را بارگذاری می‌نمایید. سپس یک طرح کلی قابل ویرایش به فرمت Markdown تحویل می‌گیرید، آداپتور LoRA کدهای pptxgenjs را برای هر اسلاید می‌نویسد و در نهایت یک موتور رندر Node به‌همراه نرم‌افزار LibreOffice فایل‌های .pptx و PDF را تولید می‌کنند.
3. در صورت نیاز، اسلایدهای مدنظر را به‌صورت تکی بازتولید یا ویرایش کنید و در پایان فایل نهایی پاورپوینت (.pptx) را دانلود نمایید.

درس‌های کاربردی برای سایر پروژه‌ها

منطق و استدلال را درون داده‌های آموزشی قرار دهید، ابتدا ابزار بررسی‌کننده خطا را بسازید و اصلاحات را تنها زمانی نگه دارید که بهبود کیفیت آن قابل اندازه‌گیری باشد؛ این رویکرد برای هر خروجی دیگری که بتوان آن را با کد بررسی کرد (مانند نمودارها و چیدمان رابط کاربری) کاملاً کاربردی است. شرکت IBM قصد دارد در گام بعدی، از روش یاد‌گیری تقویتی به سبک GRPO با استفاده از سیگنال‌های چارچوب کنترلی به‌عنوان پاداش بهره بگیرد.