マルチモーダル

マルチモーダルとは、テキスト、画像、音声、動画など、複数の異なる種類の情報を組み合わせて処理・理解するAI技術です。例えば、スマホで撮影した荷物の画像と「破損あり」という音声を同時に認識し、状況を自動で記録できます。複数の情報を人間のように総合的に判断し、現場の効率化を支援します。