गहरे शिक्षण प्रणाली विक्षिप्त होने पर बेहतर सीखती है

नीदरलैंड और स्पेन के कंप्यूटर वैज्ञानिकों ने यह निर्धारित किया है कि गहरे शिक्षण प्रणाली विक्षिप्त होने पर बेहतर सीखती है। यह कृत्रिम बुद्धिमत्ता (एआई) छवि पहचान के लिए है और यह अपने आसपास की वस्तुओं को पहचानना सीख सकती है। टीम ने प्रणाली को माध्यमिक विशेषताओं पर ध्यान केंद्रित करने के लिए मजबूर करने के बाद सीखने की प्रक्रिया को सरल बनाया।

कन्वोल्यूशनल न्यूरल नेटवर्क

गहरे शिक्षण प्रणाली कन्वोल्यूशनल न्यूरल नेटवर्क (सीएनएन) पर निर्भर करती है, जो कृत्रिम बुद्धिमत्ता प्रणालियों के लिए गहरे शिक्षण का एक रूप है।

एस्टेफानिया तालावेरा मार्टिनेज नीदरलैंड के ग्रोनिंगन विश्वविद्यालय के बर्नौली संस्थान में गणित, कंप्यूटर विज्ञान और कृत्रिम बुद्धिमत्ता की एक व्याख्याता और शोधकर्ता हैं।

‘इन सीएनएन सफल हैं, लेकिन हमें यह नहीं पता कि वे कैसे काम करते हैं’, तालावेरा मार्टिनेज कहते हैं।

तालावेरा मार्टिनेज ने सीएनएन का उपयोग मानव व्यवहार का अध्ययन करते समय पोर्टेबल कैमरों से छवियों का विश्लेषण करने के लिए किया है। उनके कुछ काम मानव भोजन के साथ बातचीत का अध्ययन करने के इर्द-गिर्द घूमते हैं, इसलिए उन्होंने प्रणाली को विभिन्न सेटिंग्स में लोगों को भोजन का सामना करने के लिए पहचानने का काम सौंपा।

‘मैंने देखा कि प्रणाली ने कुछ तस्वीरों के वर्गीकरण में त्रुटियां की और मुझे यह जानने की जरूरत थी कि यह क्यों हुआ’, उन्होंने कहा।

उन्होंने हीट मैप का उपयोग किया और विश्लेषण किया कि सीएनएन छवियों के किन हिस्सों का उपयोग सेटिंग की पहचान करने के लिए करते हैं।

‘इसने हमें यह धारणा दी कि प्रणाली पर्याप्त विवरण नहीं देख रही थी’, उन्होंने कहा।

एक उदाहरण यह दिया गया था कि एक एआई प्रणाली ने स्वयं को मग का उपयोग करके एक रसोई की पहचान करना सिखाया। इस उदाहरण में, एआई गलत तरीके से लिविंग रूम और कार्यालय जैसे क्षेत्रों को वर्गीकृत कर सकता था, जिनमें अक्सर मग भी होते हैं।

तालावेरा मार्टिनेज और उनकी टीम ने तब एक समाधान विकसित करने का काम किया। उनके सहयोगियों में डेविड मोरालेस और बीट्रिज़ रेमेसीरो शामिल थे, जो स्पेन में थे। प्रस्तावित समाधान प्रणाली को अपने प्राथमिक लक्ष्यों से विचलित करना था।

समाधान का विकास

टीम ने सीएनएन को एक मानक छवि सेट के साथ प्रशिक्षित किया, जिसमें विमान या कारें शामिल थीं, और उन्होंने हीट मैप के माध्यम से वर्गीकरण के लिए उपयोग किए जाने वाले छवियों के हिस्सों की पहचान की। इन छवियों के हिस्सों को तब छवि सेट में धुंधला कर दिया गया और दूसरे प्रशिक्षण दौर के लिए उपयोग किया गया।

‘यह प्रणाली को अन्य स्थानों पर पहचानकर्ताओं की तलाश करने के लिए मजबूर करता है। और इस अतिरिक्त जानकारी का उपयोग करके, यह अपने वर्गीकरण में अधिक विस्तृत हो जाता है’, तालावेरा मार्टिनेज ने कहा।

नई प्रणाली मानक छवि सेट में अच्छी तरह से काम करती थी और पोर्टेबल कैमरों से एकत्र की गई छवियों में भी सफल थी।

‘हमारा प्रशिक्षण शासन अन्य दृष्टिकोणों के समान परिणाम देता है, लेकिन यह बहुत सरल है और कम गणना समय की आवश्यकता होती है’, उन्होंने कहा।

पिछले प्रयास विस्तृत वर्गीकरण में वृद्धि पर केंद्रित थे, जो विभिन्न सेटों के सीएनएन के संयोजन पर थे, लेकिन नव विकसित दृष्टिकोण बहुत अधिक हल्का है।

‘इस अध्ययन ने हमें यह समझने में मदद की कि ये सीएनएन कैसे सीखते हैं, और इससे हमें प्रशिक्षण कार्यक्रम में सुधार करने में मदद मिली’, तालावेरा मार्टिनेज ने कहा।