Devi Parikhは、コンピュータビジョンと自然言語処理の研究で知られるアメリカのコンピュータ科学者である。彼女はバージニア工科大学とジョージア工科大学で学界のポストを歴任し、2022年現在、Metaでリサーチディレクターを務め、マルチモーダルAIシステムの取り組みを主導している。
Parikhは、カーネギーメロン大学で電気・コンピュータ工学の博士号を取得した。彼女の初期の研究は視覚認識とシーン理解に焦点を当てていたが、後に視覚情報とテキスト情報を組み合わせる分野、すなわちコンピュータビジョンと自然言語処理を橋渡しする分野へと拡大した。彼女の貢献は、2017年のIJCAI Computers and Thought Awardや2011年のICCV最優秀論文賞（Marr Prize）など、数々の権威ある賞で認められている。
視覚質問応答
2015年、バージニア工科大学在籍中に、Parikhと彼女の学生たちは、視覚質問応答（VQA）のためのデータセットとフレームワークを開発した。これは、AIシステムが「これはベジタリアンピザですか？」といった画像に関する質問に答えるタスクである。VQAデータセットは、画像と人間が生成した質問と回答をペアにしたもので、マルチモーダルAIモデルを評価するためのベンチマークとなった。2022年時点で、30以上のAIモデルの評価に使用され、その後の深層学習とマルチモーダル学習の研究に影響を与えた。この研究は、モデルが視覚的内容と言語的文脈の両方を推論する必要性を浮き彫りにし、これは人工知能研究の中心的な課題であり続けている。
対話AIとParlAI
2017年、Parikhは、対話AIエージェントを訓練・評価するためのオープンソースプラットフォームであるParlAIを発表した。ParlAIは、対話、質問応答、視覚からのタスクを統合し、研究者が複数の領域にわたってモデルをテストできるようにする。このプラットフォームは、さまざまな機械学習フレームワークをサポートし、視覚入力を参照しながら一貫した対話を保持できるエージェントの開発に使用されてきた。この貢献は、大規模言語モデルとその対話型システムへの応用を進めるためのより広範な取り組みの一部であった。
生成AIとダンス生成
2020年、Parikhは、音楽に同期してダンスの動きを生成するAIシステムを開発した。このプロジェクトは、シーケンス・ツー・シーケンスモデルと音声・動作データを組み合わせたもので、創造的な領域における生成AIの可能性を示した。このシステムは、音楽の特徴を振り付けにマッピングすることを学習し、入力された曲のリズムやスタイルに合った動きを生成した。この研究は、テキストから画像やテキストから動画へのモデルも含む、成長著しい生成AIの分野に貢献した。
Make-a-Videoとテキストから動画へのモデル
2022年、ParikhとMetaのチームは、拡散アルゴリズムに基づくテキストから動画へのAIモデルであるMake-a-Videoを開発した。このモデルは、テキスト記述から短い動画クリップを生成し、拡散モデルとトランスフォーマーの進歩を活用している。Make-a-Videoは、テキストから画像への生成における先行研究を基盤とし、フレームのシーケンスを予測することを学習することで、それを時間的次元に拡張している。この革新は、コンテンツ制作、仮想環境、人間とコンピュータの相互作用に影響を及ぼし、深層学習研究における重要な一歩を表している。
受賞と評価
Parikhの研究は、彼女に複数の栄誉をもたらした。2011年には、視覚属性に関する論文で、国際コンピュータビジョン会議（ICCV）における最高賞の一つであるMarr Prizeを受賞した。2017年には、人工知能分野の若手研究者を表彰するIJCAI Computers and Thought Awardを受賞した。これらの賞は、基礎的な視覚アルゴリズムから言語と視覚を統合する実用的なシステムまで、AIの理論的および応用的側面の両方に対する彼女の影響を反映している。