एआई मशीनों के साथ समस्या चीजें सीख रही हैं, लेकिन उन्हें समझ नहीं सकते

हर कोई इन दिनों "एआई" के बारे में बात कर रहा है। लेकिन, चाहे आप सिरी, एलेक्सा को देख रहे हों, या आपके स्मार्टफ़ोन कीबोर्ड में पाए जाने वाले स्वतः पूर्ण सुविधाएँ, हम सामान्य उद्देश्य कृत्रिम बुद्धिमत्ता नहीं बना रहे हैं। हम ऐसे प्रोग्राम बना रहे हैं जो विशिष्ट, संकीर्ण कार्य कर सकते हैं.

कंप्यूटर "सोच" नहीं सकते

जब भी कोई कंपनी कहती है कि यह एक नया "एआई" फीचर लेकर आ रही है, तो आमतौर पर इसका मतलब है कि कंपनी एक तंत्रिका नेटवर्क बनाने के लिए मशीन लर्निंग का उपयोग कर रही है। "मशीन लर्निंग" एक ऐसी तकनीक है जो एक मशीन को "सीख" देती है कि किसी विशिष्ट कार्य पर बेहतर प्रदर्शन कैसे किया जाए.

हम यहाँ मशीन लर्निंग पर हमला नहीं कर रहे हैं! मशीन लर्निंग एक शानदार तकनीक है जिसमें बहुत सारे शक्तिशाली उपयोग हैं। लेकिन यह सामान्य-उद्देश्य कृत्रिम बुद्धि नहीं है, और मशीन सीखने की सीमाओं को समझने से आपको यह समझने में मदद मिलती है कि हमारी वर्तमान एआई तकनीक इतनी सीमित क्यों है.

Sci-Fi सपनों की "कृत्रिम बुद्धिमत्ता" एक कम्प्यूटरीकृत या रोबोट प्रकार का मस्तिष्क है जो चीजों के बारे में सोचता है और उन्हें मनुष्य के रूप में समझता है। ऐसी कृत्रिम बुद्धिमत्ता एक कृत्रिम सामान्य बुद्धिमत्ता (AGI) होगी, जिसका अर्थ है कि यह कई अलग-अलग चीजों के बारे में सोच सकता है और उस खुफिया को कई अलग-अलग डोमेन पर लागू कर सकता है। एक संबंधित अवधारणा "मजबूत एआई" है, जो मानव जैसी चेतना का अनुभव करने में सक्षम मशीन होगी.

हमारे पास अभी तक एआई की तरह नहीं है। हम कहीं भी इसके करीब नहीं हैं। सिरी, एलेक्सा, या कॉर्टाना जैसी कंप्यूटर इकाई हम इंसानों की तरह समझती और सोचती नहीं है। यह वास्तव में चीजों को "समझ" नहीं है.

हमारे द्वारा किए गए कृत्रिम बुद्धिमत्ता को एक विशिष्ट कार्य को बहुत अच्छी तरह से करने के लिए प्रशिक्षित किया जाता है, यह मानते हुए कि मानव उन्हें सीखने में मदद करने के लिए डेटा प्रदान कर सकता है। वे कुछ करना सीखते हैं लेकिन फिर भी उसे समझ नहीं पाते हैं.

कंप्यूटर समझ में नहीं आता

जीमेल में एक नया "स्मार्ट रिप्लाई" फीचर है, जो ईमेल के जवाब देता है। स्मार्ट रिप्लाई फीचर ने एक सामान्य प्रतिक्रिया के रूप में "मेरे iPhone से भेजे गए" की पहचान की। यह कई तरह के ईमेल की प्रतिक्रिया के रूप में "आई लव यू" का सुझाव देना चाहता था, जिसमें काम ईमेल भी शामिल है.

ऐसा इसलिए है क्योंकि कंप्यूटर समझ नहीं पाता है कि इन प्रतिक्रियाओं का क्या मतलब है। यह सिर्फ सीखा है कि बहुत से लोग इन वाक्यांशों को ईमेल में भेजते हैं। यह नहीं पता कि आप अपने बॉस से "आई लव यू" कहना चाहते हैं या नहीं.

एक अन्य उदाहरण के रूप में, Google फ़ोटो ने हमारे एक घर में कालीन की आकस्मिक तस्वीरों का एक कोलाज रखा। इसने उस कोलाज को हाल ही में Google होम हब पर एक हाइलाइट के रूप में पहचाना। Google फ़ोटो जानता था कि तस्वीरें समान थीं लेकिन समझ में नहीं आया कि वे कितनी महत्वहीन थीं.

मशीनें अक्सर गेम को सिस्टम के लिए जानें

मशीन लर्निंग सभी एक कार्य को असाइन करने और कंप्यूटर को इसे करने का सबसे कुशल तरीका तय करने देता है। क्योंकि वे नहीं समझते हैं, यह एक कंप्यूटर "सीखने" के साथ समाप्त करना आसान है कि आप जो चाहते थे उससे एक अलग समस्या को कैसे हल करें.

यहाँ मज़ेदार उदाहरणों की एक सूची है जहाँ "कृत्रिम बुद्धिमत्ता" गेम खेलने के लिए बनाई गई है और केवल गेम को सीखने के लिए दिए गए लक्ष्य निर्धारित किए गए हैं। ये सभी उदाहरण इस उत्कृष्ट स्प्रेडशीट से आते हैं:

• "गति के लिए पैदा होने वाले जीव वास्तव में लंबे होते हैं और गिरने से उच्च वेग उत्पन्न करते हैं।"
• "एजेंट स्तर 2 में खोने से बचने के लिए स्तर 1 के अंत में खुद को मारता है।"
• "एजेंट हारने से बचने के लिए खेल को अनिश्चित काल के लिए रोक देता है।"
• "एक कृत्रिम जीवन सिमुलेशन में जहां अस्तित्व को ऊर्जा की आवश्यकता होती है, लेकिन जन्म देने के लिए कोई ऊर्जा लागत नहीं थी, एक प्रजाति ने एक आसीन जीवन शैली विकसित की जिसमें ज्यादातर संभोग शामिल था ताकि नए बच्चों का उत्पादन किया जा सके, जो खाए जा सकते थे (या अधिक खाद्य बच्चों का उत्पादन करने के लिए साथी के रूप में उपयोग किया जाता था) । "
• "चूंकि एआई के लिए" मार "होने की अधिक संभावना थी, अगर वे एक गेम खो देते हैं, तो गेम को क्रैश करने में सक्षम होना आनुवंशिक प्रक्रिया प्रक्रिया के लिए एक फायदा था। इसलिए, कई एआई ने खेल को क्रैश करने के तरीके विकसित किए। ”
• "तंत्रिका जाल खाद्य और जहरीले मशरूम को वर्गीकृत करने के लिए विकसित किया गया है जो डेटा को वैकल्पिक क्रम में प्रस्तुत किया जा रहा है और वास्तव में इनपुट छवियों की किसी भी विशेषता को नहीं सीखा है।"

इन समाधानों में से कुछ, भले ही चतुर लग रहा हो, लेकिन इनमें से कोई भी तंत्रिका नेटवर्क समझ नहीं पाया कि वे क्या कर रहे थे। उन्हें एक लक्ष्य सौंपा गया और उसे पूरा करने का एक तरीका सीखा गया। यदि लक्ष्य कंप्यूटर गेम में हारने से बचने के लिए है, तो पॉज़ बटन को दबाने का सबसे आसान, सबसे तेज़ समाधान है जो वे पा सकते हैं.

मशीन लर्निंग और तंत्रिका नेटवर्क

मशीन सीखने के साथ, एक कंप्यूटर को एक विशिष्ट कार्य करने के लिए प्रोग्राम नहीं किया जाता है। इसके बजाय, इसे डेटा खिलाया गया है और कार्य पर इसके प्रदर्शन का मूल्यांकन किया गया है.

मशीन लर्निंग का एक प्राथमिक उदाहरण छवि मान्यता है। मान लीजिए कि हम उन तस्वीरों की पहचान करने के लिए एक कंप्यूटर प्रोग्राम को प्रशिक्षित करना चाहते हैं जो उनमें कुत्ता है। हम कंप्यूटर को लाखों छवियां दे सकते हैं, जिनमें से कुछ में कुत्ते हैं और कुछ नहीं। छवियों को लेबल किया गया है कि क्या उनके पास एक कुत्ता है या नहीं। कंप्यूटर प्रोग्राम "गाड़ियों" को पहचानता है कि कुत्ते उस डेटा सेट के आधार पर क्या दिखते हैं.

मशीन सीखने की प्रक्रिया का उपयोग एक तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए किया जाता है, जो एक कंप्यूटर प्रोग्राम है जिसमें कई परतें होती हैं जो प्रत्येक डेटा इनपुट से गुजरती हैं, और प्रत्येक परत अंततः एक निर्धारण करने से पहले उन्हें अलग-अलग भार और संभाव्यता प्रदान करती है। यह इस बात पर आधारित है कि हम सोचते हैं कि मस्तिष्क कैसे काम कर सकता है, एक कार्य के माध्यम से सोचने में शामिल न्यूरॉन्स की विभिन्न परतें। "डीप लर्निंग" आम तौर पर तंत्रिका नेटवर्क को संदर्भित करता है जिसमें इनपुट और आउटपुट के बीच कई परतें होती हैं.

क्योंकि हम जानते हैं कि डेटा सेट में कौन से फ़ोटो में कुत्ते हैं और कौन से नहीं, हम फ़ोटो को तंत्रिका नेटवर्क के माध्यम से चला सकते हैं और देख सकते हैं कि क्या वे सही उत्तर देते हैं। यदि नेटवर्क तय करता है कि किसी विशेष फोटो में कोई कुत्ता नहीं है जब वह ऐसा करता है, उदाहरण के लिए, नेटवर्क को गलत बताने, कुछ चीजों को समायोजित करने और फिर से कोशिश करने के लिए एक तंत्र है। कंप्यूटर यह पहचानने में बेहतर रहता है कि तस्वीरों में कुत्ता है या नहीं.

यह सब अपने आप होता है। कंप्यूटर पर खुद को प्रशिक्षित करने के लिए सही सॉफ्टवेयर और बहुत सारे संरचित डेटा के साथ, कंप्यूटर फ़ोटो में कुत्तों की पहचान करने के लिए अपने तंत्रिका नेटवर्क को ट्यून कर सकता है। हम इसे "AI" कहते हैं।

लेकिन, दिन के अंत में, आपके पास एक बुद्धिमान कंप्यूटर प्रोग्राम नहीं है जो समझता है कि कुत्ता क्या है। आपके पास एक कंप्यूटर है जो यह तय करना सीखता है कि एक तस्वीर में कुत्ता है या नहीं। यह अभी भी बहुत प्रभावशाली है, लेकिन यह सब कर सकता है.

और, आपके द्वारा दिए गए इनपुट के आधार पर, यह तंत्रिका नेटवर्क उतना स्मार्ट नहीं हो सकता जितना दिखता है। उदाहरण के लिए, यदि आपके डेटा सेट में बिल्लियों की कोई तस्वीरें नहीं थीं, तो तंत्रिका नेटवर्क को बिल्लियों और कुत्तों के बीच अंतर नहीं दिखाई दे सकता है और आप सभी बिल्लियों को कुत्तों के रूप में टैग कर सकते हैं जब आप इसे लोगों की वास्तविक तस्वीरों पर प्रसारित करते हैं।.

मशीन लर्निंग किसके लिए प्रयोग किया जाता है?

मशीन लर्निंग का उपयोग भाषण मान्यता सहित सभी प्रकार के कार्यों के लिए किया जाता है। Google, एलेक्सा, और सिरी जैसे वॉयस असिस्टेंट मशीन सीखने की तकनीक के कारण मानव आवाज़ को समझने में इतने अच्छे हैं कि उन्होंने मानव भाषण को समझने के लिए प्रशिक्षित किया है। उन्होंने मानव भाषण नमूनों की एक विशाल मात्रा पर प्रशिक्षण लिया है और यह समझने में बेहतर और बेहतर हो गया है कि कौन सा शब्द किन शब्दों के अनुरूप है.

स्व-ड्राइविंग कारें मशीन लर्निंग तकनीक का उपयोग करती हैं जो सड़क पर वस्तुओं की पहचान करने के लिए कंप्यूटर को प्रशिक्षित करती हैं और उन्हें सही तरीके से कैसे प्रतिक्रिया दें। Google फ़ोटो लाइव एल्बम जैसी सुविधाओं से भरा है जो मशीन सीखने का उपयोग करके फ़ोटो में लोगों और जानवरों को स्वचालित रूप से पहचानते हैं.

अल्फाबेट के डीपमाइंड ने कंप्यूटर सीखने के लिए मशीन का इस्तेमाल किया, जो एक कंप्यूटर प्रोग्राम था, जो जटिल बोर्ड गेम गो खेल सकता था और दुनिया के सर्वश्रेष्ठ मनुष्यों को हरा सकता था। मशीन सीखने का उपयोग उन कंप्यूटरों को बनाने के लिए भी किया गया है जो शतरंज से लेकर डॉट 2 तक अन्य खेलों को खेलने में अच्छे हैं.

मशीन सीखने का उपयोग नवीनतम आईफ़ोन पर फेस आईडी के लिए भी किया जाता है। आपका iPhone एक तंत्रिका नेटवर्क का निर्माण करता है जो आपके चेहरे की पहचान करना सीखता है, और Apple में एक समर्पित "न्यूरल इंजन" चिप शामिल है जो इस और अन्य मशीन लर्निंग कार्यों के लिए सभी नंबर-क्रंचिंग करता है.

शॉपिंग वेबसाइट पर व्यक्तिगत उत्पाद सिफारिशों के लिए क्रेडिट कार्ड धोखाधड़ी की पहचान करने से लेकर अन्य कई चीजों के लिए मशीन लर्निंग का उपयोग किया जा सकता है.

लेकिन, मशीन सीखने के साथ बनाए गए तंत्रिका नेटवर्क वास्तव में कुछ भी नहीं समझते हैं। वे लाभकारी कार्यक्रम हैं जो उन संकीर्ण कार्यों को पूरा कर सकते हैं जिनके लिए उन्हें प्रशिक्षित किया गया था, और यह बात है.

चित्र साभार: फोनलामई फोटो / शटरस्टॉक.कॉम, तातियाना शेपेलेवा / शटरस्टॉक.कॉम, सौरी फोटोग्राफी / शटरस्टॉक.कॉम.