گوگل در ادامه تلاش‌های خود برای ارتقای استانداردهای دسترسی‌پذیری (Accessibility)، به‌تازگی از قابلیت جدید «Guided Vision» در پلتفرم Gemini Live رونمایی کرد. این فناوری که با همکاری مستقیم شبکه متخصصان Aira توسعه یافته است، به کاربران نابینا و کم‌بینا اجازه می‌دهد تا از طریق دوربین گوشی هوشمند خود، توصیفات محیطی را به‌صورت بلادرنگ دریافت کرده و تعاملی گفتاری با هوش مصنوعی برای درک دقیق‌تر محیط پیرامون داشته باشند.
معماری و نحوه عملکرد Guided Vision
قابلیت Guided Vision فراتر از یک ابزار ساده «بینایی ماشین» (Computer Vision) است؛ این ویژگی یک سیستم تعاملی مبتنی بر گفت‌وگوست که از مدل‌های زبانی پیشرفته گوگل بهره می‌برد. برخلاف ابزارهای پیشین که تنها به توصیف یک تصویر ثابت بسنده می‌کردند، Guided Vision با استفاده از دوربین در حالت ویدیو، محیط را تحلیل می‌کند. نکته کلیدی در معماری این قابلیت، هوشمندی آن در هدایت کاربر است. برای مثال، اگر کاربر در حال جستجوی یک شیء خاص در یک قفسه شلوغ باشد، سیستم با درک محدودیت‌های کادربندی دوربین، دستورات صوتی دقیق مانند «کمی به سمت راست متمایل شوید» یا «کمی عقب بروید» را به کاربر ارائه می‌دهد تا بهترین دید برای پردازش فراهم شود.
همکاری با Aira برای توسعه مبتنی بر نیاز کاربر
گوگل در توسعه این قابلیت بر «طراحی فراگیر» تمرکز ویژه‌ای داشته است. فرآیند توسعه Guided Vision با مشارکت بیش از ۱۰۰۰ نفر از اعضای شبکه «Trusted Tester» در سرویس Aira انجام شده است. این مشارکت باعث شده است تا خروجی‌های صوتی سیستم نه تنها دقیق، بلکه برای کاربرانی که به بازخوردهای صوتی وابسته هستند، قابل‌فهم و کاربردی باشد. این سیستم قادر است به سوالات تکمیلی کاربر درباره اشیاء شناسایی شده پاسخ دهد، متون ریز روی برچسب‌ها را بخواند یا رنگ لباس‌ها را تشخیص دهد.
مشخصات فنی و الزامات اجرایی
- پلتفرم: اپلیکیشن Gemini Live در اندروید
- حداقل سیستم‌عامل: اندروید ۹ و بالاتر
- پشتیبانی زبان: مطابق با زبان‌های تحت پوشش Gemini Live
- دسترسی: از طریق تنظیمات Gemini، منوی Accessibility اندروید یا TalkBack
- محدودیت‌های ایمنی: ابزار کمکی است و نباید برای جهت‌یابی مستقل یا جایگزینی عصای سفید استفاده شود
موارد استفاده عملی در زندگی روزمره
این فناوری در مهر ۱۴۰۵ (سپتامبر ۲۰۲۴ پیش‌نمایش و اکنون عرضه عمومی شده) برای بسیاری از کاربران اندروید فعال شده است. از جمله کاربردهای حیاتی آن می‌توان به موارد زیر اشاره کرد:
- تشخیص کنترل‌های روی لوازم خانگی.
- پیدا کردن وسایل گم شده در محیط‌های شلوغ یا کمدها.
- توصیف فضاهای ناآشنا و چیدمان مبلمان.
- مطالعه متون کوتاه یا برچسب‌های محصولات.
ملاحظات ایمنی و اخلاق در هوش مصنوعی
گوگل به‌صراحت اعلام کرده است که Guided Vision علی‌رغم پیشرفت‌های چشمگیر، همچنان مستعد «توهمات هوش مصنوعی» یا خطاهای تحلیلی است. بنابراین، تاکید فنی و اخلاقی سازنده بر این است که این ابزار هرگز نباید برای تشخیص موانع فیزیکی یا هدایت مسیر در محیط‌های عمومی جایگزین روش‌های سنتی (مانند عصای سفید یا سگ‌های راهنما) شود. این ابزار به عنوان یک «دستیار مکمل» برای درک جزئیات طراحی شده است، نه یک ابزار ایمنی برای جابجایی محیطی.
