एआई से एआई सीखता है: बड़े भाषा मॉडलों में सामाजिक सीखने का उदय

ओपनएआई द्वारा चैटजीपीटी 3.5 को 2022 के अंत में पेश करने के बाद से, संस्थापक बड़े भाषा मॉडल (एलएलएम) की भूमिका कृत्रिम बुद्धिमत्ता (एआई) में विशेष रूप से प्राकृतिक भाषा प्रसंस्करण (एनएलपी) में बढ़ती जा रही है। ये एलएलएम, मानव-जैसी पाठ को संसाधित और उत्पन्न करने के लिए डिज़ाइन किए गए हैं, इंटरनेट से पुस्तकों से लेकर वेबसाइटों तक के व्यापक पाठ संग्रह से सीखते हैं। यह सीखने की प्रक्रिया उन्हें मानव भाषा की सारवस्तु को पकड़ने की अनुमति देती है, जिससे एलएलएम को सामान्य उद्देश्य समस्या समाधानकर्ता के रूप में प्रतीत होता है।

जबकि एलएलएम के विकास ने नए दरवाजे खोले हैं, इन मॉडलों को विशिष्ट अनुप्रयोगों के लिए अनुकूलित करने की प्रक्रिया – जिसे फ़ाइन-ट्यूनिंग के रूप में जाना जाता है – अपनी चुनौतियों का सामना करती है। एक मॉडल को फ़ाइन-ट्यून करने के लिए अतिरिक्त प्रशिक्षण की आवश्यकता होती है जो अधिक केंद्रित डेटासेट पर होता है, जिससे लेबल वाले डेटा की आवश्यकता, मॉडल ड्रिफ्ट और ओवरफिटिंग का जोखिम, और महत्वपूर्ण संसाधनों की आवश्यकता जैसी कठिनाइयाँ उत्पन्न हो सकती हैं।

इन चुनौतियों का सामना करते हुए, गूगल के शोधकर्ताओं ने हाल ही में एलएलएम के बीच ‘सामाजिक सीखने’ की अवधारणा को अपनाया है ताकि एआई को एआई से सीखने में मदद मिल सके। मुख्य विचार यह है कि जब एलएलएम को चैटबॉट में परिवर्तित किया जाता है, तो वे एक दूसरे से बातचीत और सीखने में सक्षम होते हैं, जो मानव सामाजिक सीखने के समान है। यह इंटरैक्शन उन्हें एक दूसरे से सीखने की अनुमति देता है, जिससे उनकी प्रभावशीलता में सुधार होता है।

सामाजिक सीखना क्या है?

सामाजिक सीखना एक नई अवधारणा नहीं है। यह 1970 के दशक में अल्बर्ट बैंडुरा द्वारा प्रस्तुत एक सिद्धांत पर आधारित है, जो सुझाव देता है कि लोग दूसरों को देखकर सीखते हैं। एआई पर लागू यह अवधारणा यह है कि एआई प्रणाली एक दूसरे के साथ बातचीत करके सुधार कर सकती हैं, न केवल सीधे अनुभवों से बल्कि अपने साथियों की क्रियाओं से भी। यह विधि तेजी से कौशल अधिग्रहण का वादा करती है और यहां तक कि एआई प्रणालियों को अपनी “संस्कृति” विकसित करने की अनुमति दे सकती है ज्ञान साझा करके।

एलएलएम में सामाजिक सीखना

सामाजिक सीखने का एक महत्वपूर्ण पहलू यह है कि ज्ञान का आदान-प्रदान बिना मूल और संवेदनशील जानकारी साझा किए किया जाता है। इस प्रकार, शोधकर्ताओं ने एक शिक्षक-छात्र गतिविधि का उपयोग किया है जहां शिक्षक मॉडल छात्र मॉडलों के लिए सीखने की प्रक्रिया को सुविधाजनक बनाते हैं बिना किसी गोपनीय विवरण का खुलासा किए। इस उद्देश्य को प्राप्त करने के लिए, शिक्षक मॉडल सिंथेटिक उदाहरण या निर्देश उत्पन्न करते हैं जिनसे छात्र मॉडल सीख सकते हैं बिना वास्तविक डेटा को साझा किए। उदाहरण के लिए, मान लें कि एक शिक्षक मॉडल उपयोगकर्ता द्वारा चिह्नित डेटा का उपयोग करके स्पैम और गैर-स्पैम पाठ संदेशों के बीच अंतर करने के लिए प्रशिक्षित किया गया है। यदि हम चाहते हैं कि दूसरा मॉडल इस कार्य को मास्टर करे बिना मूल, निजी डेटा को छुए, तो सामाजिक सीखना खेल में आता है। शिक्षक मॉडल सिंथेटिक उदाहरण या अपने ज्ञान पर आधारित अंतर्दृष्टि प्रदान करेगा, जिससे छात्र मॉडल संवेदनशील डेटा के सीधे संपर्क के बिना स्पैम संदेशों की पहचान कर सकेगा। यह रणनीति न केवल सीखने की दक्षता में सुधार करती है, बल्कि यह भी प्रदर्शित करती है कि एलएलएम गतिशील, अनुकूलनीय तरीकों से सीखने में सक्षम हो सकते हैं, संभावित रूप से एक सामूहिक ज्ञान संस्कृति का निर्माण कर सकते हैं।

सामाजिक सीखना फ़ाइन-ट्यूनिंग की चुनौतियों का सामना कैसे करता है?

सामाजिक सीखना एलएलएम को विशिष्ट कार्यों के लिए परिष्कृत करने का एक नया तरीका प्रदान करता है। यह फ़ाइन-ट्यूनिंग की चुनौतियों का सामना निम्नलिखित तरीकों से करता है:

1. लेबल वाले डेटा की कम आवश्यकता: मॉडलों के बीच साझा किए गए सिंथेटिक उदाहरणों से सीखने से, सामाजिक सीखना लेबल वाले डेटा पर निर्भरता को कम करता है।
2. अति-विशेषीकरण से बचना: यह मॉडलों को विविध बनाए रखता है क्योंकि वे छोटे, विशिष्ट डेटासेट में मौजूद उदाहरणों की तुलना में व्यापक श्रृंखला के उदाहरणों के संपर्क में आते हैं।
3. ओवरफिटिंग को कम करना: सामाजिक सीखना सीखने के अनुभव को व्यापक बनाता है, जिससे मॉडलों को बेहतर तरीके से सामान्यीकरण करने और ओवरफिटिंग से बचने में मदद मिलती है।
4. संसाधनों की बचत: यह दृष्टिकोन संसाधनों का अधिक कुशलता से उपयोग करने की अनुमति देता है, क्योंकि मॉडल एक दूसरे के अनुभवों से सीखते हैं बिना बड़े डेटासेट तक सीधी पहुंच के।

भविष्य की दिशाएं

एलएलएम में सामाजिक सीखने की संभावना विभिन्न रोचक और अर्थपूर्ण तरीकों से भविष्य के एआई अनुसंधान की ओर इशारा करती है:

1. हाइब्रिड एआई संस्कृतियां: जैसे ही एलएलएम सामाजिक सीखने में भाग लेते हैं, वे सामान्य तरीकों का निर्माण शुरू कर सकते हैं। अध्ययन इस बात की जांच कर सकते हैं कि इन उभरती एआई “संस्कृतियों” का मानव इंटरैक्शन और नैतिक मुद्दों पर क्या प्रभाव पड़ता है।
2. क्रॉस-मॉडलिटी सीखना: सामाजिक सीखने को पाठ के अलावा छवियों, ध्वनियों और अधिक को शामिल करने से एआई प्रणालियों को दुनिया की एक समृद्ध समझ प्राप्त करने में मदद मिल सकती है, जैसे कि मानव सीखने के माध्यम से कई इंद्रियों के माध्यम से।
3. विकेंद्रीकृत सीखना: एआई मॉडलों के बीच ज्ञान साझा करने का विचार एक विकेंद्रीकृत नेटवर्क पर एक नए तरीके से प्रस्तुत करता है। यह समन्वय, गोपनीयता और सुरक्षा में महत्वपूर्ण चुनौतियों का सामना करने की आवश्यकता होगी।
4. मानव-एआई इंटरैक्शन: मानवों और एआई के बीच परस्पर लाभ के लिए सामाजिक सीखने की खोज, विशेष रूप से शैक्षिक और सहयोगी सेटिंग्स में, ज्ञान हस्तांतरण और नवाचार के तरीकों को पुनः परिभाषित कर सकती है।
5. नैतिक एआई विकास: एआई को नैतिक दुविधाओं का सामना करने के लिए सामाजिक सीखने के माध्यम से सिखाना अधिक जिम्मेदार एआई की ओर एक कदम हो सकता है। ध्यान एआई प्रणालियों को विकसित करने पर केंद्रित होगा जो नैतिक रूप से तर्क कर सकती हैं और सामाजिक मूल्यों के साथ संरेखित हो सकती हैं।
6. स्व-सुधार प्रणाली: एक पारिस्थितिकी तंत्र जहां एआई मॉडल एक दूसरे से सीखते और सुधारते रहते हैं, एआई नवाचार में तेजी ला सकता है। यह एक भविष्य की ओर इशारा करता है जहां एआई नए चुनौतियों का सामना अधिक स्वतंत्र रूप से कर सकता है।
7. सीखने में गोपनीयता: ज्ञान साझा करने वाले एआई मॉडलों के साथ, अंतर्निहित डेटा की गोपनीयता सुनिश्चित करना महत्वपूर्ण है। भविष्य के प्रयास अधिक परिष्कृत विधियों का अन्वेषण कर सकते हैं जो डेटा सुरक्षा को खतरे में डाले बिना ज्ञान हस्तांतरण की अनुमति देते हैं।

नीचे की रेखा

गूगल के शोधकर्ताओं ने बड़े भाषा मॉडल (एलएलएम) के बीच सामाजिक सीखने का एक अभिनव दृष्टिकोण पioneered है, जो मानवों की दूसरों को देखकर सीखने की क्षमता से प्रेरित है। यह फ्रेमवर्क एलएलएम को संवेदनशील डेटा तक पहुंच या उजागर किए बिना ज्ञान साझा करने और क्षमताओं में सुधार करने की अनुमति देता है। सिंथेटिक उदाहरण और निर्देशों का उत्पादन करके, एलएलएम प्रभावी ढंग से सीख सकते हैं, एआई विकास में कुछ प्रमुख चुनौतियों जैसे लेबल वाले डेटा की आवश्यकता, अति-विशेषीकरण, ओवरफिटिंग और संसाधन खपत का सामना कर सकते हैं। सामाजिक सीखना न केवल एआई की दक्षता और अनुकूलन क्षमता में सुधार करता है, बल्कि यह संभावनाओं को भी खोलता है कि एआई साझा “संस्कृतियों” का विकास कर सकता है, क्रॉस-मॉडलिटी सीखने में संलग्न हो सकता है, विकेंद्रीकृत नेटवर्क में भाग ले सकता है, मानवों के साथ नए तरीकों से बातचीत कर सकता है, नैतिक दुविधाओं का सामना कर सकता है और गोपनीयता सुनिश्चित कर सकता है। यह अधिक सहयोगी, बहुमुखी और नैतिक एआई प्रणालियों की ओर एक महत्वपूर्ण बदलाव का संकेत देता है, जो कृत्रिम बुद्धिमत्ता अनुसंधान और अनुप्रयोग के परिदृश्य को पुनः परिभाषित करने का वादा करता है।