आर्टिफिशियल इंटेलिजेंस का भविष्य: देखने का रुझान

कंप्यूटर टेक्स्ट स्क्रॉलिंग आर्टिफिशियल इंटेलिजेंस के साथ मस्तिष्कक्रिस डेग्रॉ/डिजिटल ट्रेंड्स, गेटी इमेजेज़

एआई जल्द ही किसी भी समय मानवता को कबाड़ के ढेर पर नहीं रखने वाला है। न ही हम एक Google डीपमाइंड प्रकाशन अधीक्षण से दूर हैं। लेकिन इसमें कोई गलती न करें: आर्टिफिशियल इंटेलिजेंस भारी प्रगति कर रहा है।

जैसा कि आर्टिफिशियल इंटेलिजेंस इंडेक्स रिपोर्ट 2021 में बताया गया है, पिछले साल इस क्षेत्र में जर्नल प्रकाशनों की संख्या में 34.5% की वृद्धि हुई। यह एक साल पहले देखे गए 19.6% की तुलना में बहुत अधिक प्रतिशत है। एआई दवा से लेकर परिवहन तक सब कुछ बदलने जा रहा है, और कुछ ऐसे हैं जो अन्यथा बहस करेंगे।

यहां 2021 में, हम गहन शिक्षण क्रांति में हैं, जिसने इक्कीसवीं सदी में AI को सुपरचार्ज कर दिया। लेकिन “गहरी शिक्षा” एक व्यापक शब्द है, जिससे अब तक, अधिकांश लोग बहुत परिचित हैं। एआई में बड़ी प्रगति कहां आ रही है? भविष्य को अपने सामने प्रकट होते देखने के लिए आपको कहाँ देखना चाहिए? नज़र रखने के लिए यहां कुछ तकनीकें दी गई हैं।

ट्रांसफॉर्मर: आंख से ज्यादा मिलता है

“भेष में रोबोट // ऑटोबॉट्स अपनी लड़ाई छेड़ते हैं // बुरी ताकतों को नष्ट करने के लिए // डिसेप्टिकॉन के।” रुको, वह कुछ और है!

वास्तव में, पिछली शताब्दी में अपने सुनहरे दिनों का आनंद लेने वाले फ्रैंचाइज़ी से बहुत दूर, ट्रांसफॉर्मर्स – एआई मॉडल – विशेष रूप से प्राकृतिक भाषा प्रसंस्करण अनुसंधान के क्षेत्र में क्षेत्र के सबसे आशाजनक वर्तमान प्रगति में से एक का प्रतिनिधित्व करते हैं।

भाषा की समझ एआई में एक प्रमुख रुचि रही है क्योंकि इससे पहले इसे एआई भी कहा जाता था, मशीन इंटेलिजेंस के लिए एलन ट्यूरिंग के प्रस्तावित परीक्षण के लिए सभी तरह से वापस डेटिंग। पहली बार 2017 में Google शोधकर्ताओं द्वारा वर्णित ट्रांसफार्मर मॉडल को पिछले भाषा मॉडल से काफी बेहतर दिखाया गया है। एक कारण लगभग अथाह रूप से बड़े डेटासेट हैं जिन पर उन्हें प्रशिक्षित किया जा सकता है। उनका उपयोग मशीनी अनुवाद, दस्तावेज़ों को सारांशित करने, प्रश्नों के उत्तर देने, वीडियो की सामग्री को समझने, और बहुत कुछ के लिए किया जा सकता है। जबकि बड़े भाषा मॉडल निश्चित रूप से समस्याएं पैदा करते हैं, उनकी सफलता को नकारा नहीं जा सकता है।

ट्रांसफार्मर (मशीन लर्निंग मॉडल)

ट्रांसफॉर्मर के आगमन ने GPT-3 (जेनरेटिव प्री-ट्रेंड ट्रांसफॉर्मर) का विकास किया, जिसमें 175 बिलियन पैरामीटर हैं, जिसे 45 टीबी टेक्स्ट डेटा पर प्रशिक्षित किया गया था, और इसे बनाने में $ 12 मिलियन की लागत आई थी। इस वर्ष की शुरुआत में, Google ने लगभग 1.6 ट्रिलियन मापदंडों के साथ एक नए भाषा मॉडल की शुरुआत करके अपना ताज वापस ले लिया, जिससे यह GPT-3 के आकार का नौ गुना हो गया। ट्रांसफार्मर क्रांति अभी शुरुआत है।

जनरेटिव प्रतिकूल नेटवर्क

संघर्ष आमतौर पर दुनिया को एक बेहतर जगह नहीं बनाता है। लेकिन यह निश्चित रूप से AI को बेहतर बनाता है।

पिछले कई वर्षों में, छवि निर्माण में काफी प्रगति हुई है: वास्तविक दुनिया से वास्तविक चित्रों से अप्रभेद्य दिखने वाली तस्वीरों को देखने के लिए एआई के उपयोग का जिक्र है। यह केवल सोशल मीडिया द्वारा संचालित साजिश के सिद्धांतों के बारे में नहीं है जो लोगों को यह सोचकर बेवकूफ बना रहे हैं कि राष्ट्रपति बिडेन को इलुमिनाती के साथ पार्टी करते हुए पकड़ा गया है। छवि निर्माण का उपयोग खोज क्षमताओं में सुधार से लेकर डिजाइनरों को थीम पर विविधताएं बनाने में मदद करने से लेकर नीलामी में लाखों में बिकने वाली कलाकृति बनाने तक सभी के लिए किया जा सकता है।

तो संघर्ष खेल में कहां आता है? छवि निर्माण के लिए प्रमुख तकनीकों में से एक को जनरेटिव एडवरसैरियल नेटवर्क (GAN) कहा जाता है। मशीन लर्निंग फ्रेमवर्क का यह वर्ग एक “जनरेटर” और एक “विभेदक” एल्गोरिथ्म के बीच छवियों और प्रतिक्रिया को पारित करने के लिए एक जुझारू, रस्साकशी दृष्टिकोण का उपयोग करता है, जिसके परिणामस्वरूप वृद्धिशील सुधार होता है जब तक कि विवेचक यह बताने में असमर्थ हो जाता है कि असली और नकली क्या है। GAN का उपयोग नकली आनुवंशिक कोड उत्पन्न करने के लिए भी किया गया है जिसका उपयोग शोधकर्ताओं द्वारा किया जा सकता है।

निकट भविष्य में और अधिक नवीन अनुप्रयोगों की तलाश करें।

न्यूरो-प्रतीकात्मक एआई

दिसंबर 2020 के प्रकाशन में, शोधकर्ता आर्टूर डी’विला गार्सेज़ और लुइस लैम्ब ने न्यूरो-प्रतीकात्मक एआई को कृत्रिम बुद्धिमत्ता की “तीसरी लहर” के रूप में वर्णित किया। न्यूरो-प्रतीकात्मक एआई, सख्ती से बोलना, बिल्कुल नया नहीं है। यह दुनिया के दो महानतम रॉक सितारों को प्राप्त करने जैसा है, जिन्होंने एक बार चार्ट के शीर्ष पर लड़ाई लड़ी, एक सुपरग्रुप बनाने के लिए। इस मामले में, सुपरग्रुप में स्व-शिक्षण तंत्रिका नेटवर्क और नियम-आधारित प्रतीकात्मक एआई शामिल हैं

कैम्ब्रिज, मैसाचुसेट्स में एमआईटी-आईबीएम वाटसन एआई लैब के निदेशक डेविड कॉक्स ने पहले डिजिटल ट्रेंड्स को बताया, “तंत्रिका नेटवर्क और प्रतीकात्मक विचार वास्तव में एक-दूसरे के पूरक हैं।” “क्योंकि तंत्रिका नेटवर्क आपको वास्तविक दुनिया की गड़बड़ी से दुनिया के प्रतीकात्मक प्रतिनिधित्व के लिए छवियों के भीतर सभी सहसंबंधों को खोजने के लिए उत्तर देते हैं। एक बार जब आप उस प्रतीकात्मक प्रतिनिधित्व को प्राप्त कर लेते हैं, तो आप तर्क के संदर्भ में कुछ बहुत ही जादुई चीजें कर सकते हैं।”

परिणाम हमें एआई दे सकते हैं जो इस तर्क प्रक्रिया को पूरा करने में बेहतर है, साथ ही अधिक व्याख्या योग्य एआई जो अच्छी तरह से समझा सकता है कि उसने ऐसा निर्णय क्यों लिया जो उसने किया था। आने वाले वर्षों में एआई अनुसंधान का एक आशाजनक अवसर बनने के लिए इसे देखें।

मशीन लर्निंग आणविक संश्लेषण से मिलती है

GPT-3 के साथ, पिछले साल का सबसे महत्वपूर्ण AI एडवांस डीपमाइंड का आश्चर्यजनक अल्फाफोल्ड था, जिसने प्रोटीन फोल्डिंग की दशकों पुरानी जीव विज्ञान चुनौती के लिए गहन शिक्षण लागू किया। इस समस्या के उत्तर से बीमारियों का इलाज, नई दवा की खोज, सेलुलर स्तर पर जीवन की अधिक समझ, और बहुत कुछ होगा। सूची में यह अंतिम प्रविष्टि एआई तकनीक का एक विशिष्ट उदाहरण कम है और इस बात का अधिक उदाहरण है कि कैसे एआई एक डोमेन में एक बड़ा अंतर बना रहा है।

इस क्षेत्र में मशीन लर्निंग तकनीक आणविक संश्लेषण जैसे क्षेत्रों में स्वास्थ्य देखभाल और जीव विज्ञान के लिए परिवर्तनकारी साबित हो रही है, जिससे एमएल वैज्ञानिकों को यह पता लगाने में मदद कर सकता है कि उन्हें किन संभावित दवाओं का मूल्यांकन करना चाहिए और फिर उन्हें प्रयोगशाला में सबसे प्रभावी ढंग से कैसे संश्लेषित किया जाए। अगले दशक और उसके बाद एआई का उपयोग करने के लिए शायद, कोई भी ऐसा क्षेत्र अधिक जीवन-परिवर्तन नहीं कर रहा है।

संपादकों की सिफारिशें



Leave a Reply

Your email address will not be published. Required fields are marked *

Main Menu