برای تسریع و بهبود تصمیم‌گیری در بازار جهانی پرشتاب، شرکت‌ها ممکن است از مدل‌های هوش مصنوعی مولد برای خلاصه کردن و تفسیر نمودارهایی که اغلب گزارش‌های خلاصه بازار و مالی را پر می‌کنند، استفاده کنند. اما حتی جدیدترین مدل‌های دید و زبان (Vision-Language) نیز گاهی اوقات در انجام این کار با مشکل مواجه می‌شوند، زیرا این امر مستلزم ادغام درک بصری، عددی و زبانی توسط مدل است. شرکتی که در یک مدل پیشرفته سرمایه‌گذاری می‌کند، ممکن است همچنان اطلاعات نادرست یا ناقص دریافت کند.

برای پر کردن این شکاف عملکردی، محققان MIT و آزمایشگاه تحقیقات محاسباتی MIT-IBM یک منبع چندوجهی برای کاربران هوش مصنوعی توسعه داده‌اند که به‌طور خاص برای آموزش مدل‌های دید و زبان (VLMs) در نحوه تفسیر موثر نمودارها طراحی شده است. آن‌ها از یک روش جدید تولید داده برای ساخت یک مجموعه داده پیشرفته استفاده کردند که شامل بیش از یک میلیون نمودار متنوع است. این مجموعه داده همچنین بسیاری از اجزای بصری، زبانی و عددی هر تصویر نمودار را رمزگذاری می‌کند که به مدل‌ها امکان می‌دهد تا به طور قوی در مورد اطلاعات موجود در نمودار استدلال کنند.

محققان از این مجموعه داده، که ChartNet نام دارد، برای آموزش مجموعه‌ای از مدل‌های دید و زبان (VLMs) منبع‌باز استفاده کردند. بسیاری از این مدل‌های کوچک‌تر به‌طور قابل‌توجهی از مدل‌های تجاری بسیار بزرگ‌تر در وظایفی مانند استخراج داده و خلاصه‌سازی نمودار عملکرد بهتری داشتند.

با توانمندسازی مدل‌های منبع‌باز برای عملکرد بهتر از همتایان تجاری خود، ChartNet می‌تواند به شرکت‌های کوچک با بودجه محدود اجازه دهد تا به راحتی از هوش مصنوعی استفاده کنند. مجموعه داده منبع‌باز می‌تواند