विचार नेता
व्याख्यात्मक एआई एक्सप्रेसिव बूलियन सूत्रों का उपयोग कर
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग एप्लिकेशन में विस्फोट लगभग हर उद्योग और जीवन के हर पहलू में प्रवेश कर रहा है।
लेकिन इसकी वृद्धि बिना विरोधाभास के नहीं है। जबकि एआई निर्णय लेने या कार्य प्रवाह को सरल बनाने और/या तेज करने के लिए मौजूद है, ऐसा करने के लिए तरीका अक्सर बहुत जटिल होता है। वास्तव में, कुछ “ब्लैक बॉक्स” मशीन लर्निंग एल्गोरिदम इतने जटिल और बहुस्तरीय होते हैं कि वे साधारण व्याख्या से इनकार कर सकते हैं, यहां तक कि उन कंप्यूटर वैज्ञानिकों द्वारा भी जिन्होंने उन्हें बनाया है।
यह कुछ उपयोग के मामलों में बहुत समस्याग्रस्त हो सकता है – जैसे कि वित्त और चिकित्सा के क्षेत्र में – जो उद्योग के सर्वोत्तम अभ्यास या सरकारी नियमों द्वारा परिभाषित होते हैं जो एआई समाधानों के आंतरिक कार्यों में पारदर्शी व्याख्या की आवश्यकता होती है। और यदि ये अनुप्रयोग व्याख्यात्मकता आवश्यकताओं को पूरा करने के लिए पर्याप्त रूप से अभिव्यक्तिपूर्ण नहीं हैं, तो वे अपनी समग्र प्रभावशीलता की परवाह किए बिना बेकार हो सकते हैं।
इस दुविधा को दूर करने के लिए, हमारी टीम ने फिडेलिटी सेंटर फॉर एप्लाइड टेक्नोलॉजी (एफसीएटी) — अमेज़ॅन क्वांटम सॉल्यूशंस लैब के सहयोग से — एक व्याख्यात्मक मशीन लर्निंग मॉडल का प्रस्ताव और कार्यान्वयन किया है एआई (एक्सएआई) के लिए अभिव्यक्तिपूर्ण बूलियन सूत्रों पर आधारित। ऐसा दृष्टिकोण एक या एक से अधिक बूलियन चरों पर लागू किए जा सकने वाले किसी भी ऑपरेटर को शामिल कर सकता है, जिससे अधिक अभिव्यक्तिपूर्ण नियम-आधारित और पेड़-आधारित दृष्टिकोणों की तुलना में उच्च अभिव्यक्ति प्रदान की जा सकती है।
आप पूरे पत्र को यहां पढ़कर इस परियोजना के विस्तृत विवरण प्राप्त कर सकते हैं।
हमारा अनुमान था कि चूंकि मॉडल – जैसे निर्णय पेड़ – गहरे और व्याख्या करने में कठिन हो सकते हैं, इसलिए कम जटिलता और उच्च सटीकता के साथ एक अभिव्यक्तिपूर्ण नियम खोजने की आवश्यकता एक असाध्य अनुकूलन समस्या थी जिसे हल करने की आवश्यकता थी। इसके अलावा, इस उन्नत एक्सएआई दृष्टिकोण के माध्यम से मॉडल को सरल बनाकर, हम अतिरिक्त लाभ प्राप्त कर सकते हैं, जैसे कि महत्वपूर्ण एमएल के संदर्भ में नैतिक और जिम्मेदार उपयोग में पूर्वाग्रहों को उजागर करना; जबकि मॉडल को बनाए रखना और सुधारना भी आसान बनाता है।
हमने अभिव्यक्तिपूर्ण बूलियन सूत्रों पर आधारित एक दृष्टिकोण का प्रस्ताव दिया क्योंकि वे नियमों को परिभाषित करते हैं जिनकी जटिलता (या व्याख्यात्मकता) के अनुसार इनपुट डेटा वर्गीकृत किए जाते हैं। ऐसा सूत्र एक या एक से अधिक बूलियन चरों (जैसे एंड या एटलीस्ट) पर लागू किए जा सकने वाले किसी भी ऑपरेटर को शामिल कर सकता है, जिससे अधिक अभिव्यक्तिपूर्ण नियम-आधारित और पेड़-आधारित पद्धतियों की तुलना में उच्च अभिव्यक्ति प्रदान की जा सकती है।
इस समस्या में, हमारे पास दो प्रतिस्पर्धी उद्देश्य हैं: एल्गोरिदम के प्रदर्शन को अधिकतम करना, जबकि इसकी जटिलता को कम करना। इसलिए, दो अनुकूलन विधियों में से एक को लागू करने के बजाय – कई उद्देश्यों को एक में मिलाना या एक उद्देश्य को प्रतिबंधित करना – हमने अपने सूत्र में दोनों को शामिल करने का विकल्प चुना। ऐसा करके, और सामान्य रूप से बिना किसी नुकसान के, हम मुख्य रूप से संतुलित सटीकता को अपने शीर्ष प्रदर्शन माप के रूप में उपयोग करते हैं।
इसके अलावा, एटलीस्ट जैसे ऑपरेटरों को शामिल करके, हम उच्च व्याख्यात्मक चेकलिस्ट की आवश्यकता को संबोधित करने के विचार से प्रेरित थे, जैसे कि एक विशिष्ट स्थिति का संकेत देने वाले चिकित्सा लक्षणों की सूची। यह कल्पना की जा सकती है कि एक निर्णय ऐसे लक्षणों की सूची का उपयोग करके किया जा सकता है जिसमें एक सकारात्मक निदान के लिए एक न्यूनतम संख्या में मौजूद होना आवश्यक है। इसी तरह, वित्त में, एक बैंक एक ग्राहक को क्रेडिट प्रदान करने का निर्णय ले सकता है या नहीं, एक बड़ी सूची से कुछ कारकों की उपस्थिति पर आधारित है।
हमने अपने एक्सएआई मॉडल को सफलतापूर्वक लागू किया, और क्रेडिट, ग्राहक व्यवहार और चिकित्सा स्थितियों के लिए कुछ सार्वजनिक डेटासेट पर इसका बेंचमार्क किया। हमने पाया कि हमारा मॉडल अन्य प्रसिद्ध विकल्पों के साथ一般 रूप से प्रतिस्पर्धी है। हमने यह भी पाया कि हमारा एक्सएआई मॉडल विशेष उद्देश्य वाले हार्डवेयर या क्वांटम डिवाइस द्वारा संचालित किया जा सकता है जो तेजी से पूर्णांक रेखीय प्रोग्रामिंग (आईएलपी) या द्विआधारी अनुकूलन (क्यूबीओ) को हल करने के लिए उपयोग किया जा सकता है। क्यूबीओ सॉल्वर्स को जोड़ने से पुनरावृत्तियों की संख्या कम हो जाती है – जिससे तेजी से गैर-स्थानीय चालों के प्रस्ताव के माध्यम से तेजी से होता है।
जैसा कि उल्लेख किया गया है, अभिव्यक्तिपूर्ण बूलियन सूत्रों का उपयोग करके व्याख्यात्मक एआई मॉडल स्वास्थ्य सेवा और फिडेलिटी के क्षेत्र में कई अनुप्रयोग हो सकते हैं (जैसे कि क्रेडिट स्कोरिंग या यह समझने के लिए कि कुछ ग्राहकों ने एक उत्पाद का चयन क्यों किया जबकि अन्य नहीं)। इन व्याख्यात्मक नियमों को बनाकर, हम उच्च स्तर के अंतर्दृष्टि प्राप्त कर सकते हैं जो भविष्य में उत्पाद विकास या परिष्करण में सुधार के साथ-साथ विपणन अभियानों को अनुकूलित करने में मदद कर सकते हैं।
हमारे निष्कर्षों के आधार पर, हमने निर्धारित किया है कि अभिव्यक्तिपूर्ण बूलियन सूत्रों का उपयोग करके व्याख्यात्मक एआई उपयुक्त और वांछनीय है जो उन उपयोग के मामलों के लिए है जो आगे की व्याख्यात्मकता की मांग करते हैं। इसके अलावा, क्योंकि क्वांटम कंप्यूटिंग विकसित होती रहती है, हमें लगता है कि हम इसका उपयोग करके संभावित गति प्राप्त करने का अवसर देखते हैं और अन्य विशेष उद्देश्य वाले हार्डवेयर त्वरणक।
भविष्य का काम अन्य डेटासेट पर इन वर्गीकरणकर्ताओं को लागू करने, नए ऑपरेटरों को पेश करने या इन अवधारणाओं को अन्य उपयोग के मामलों में लागू करने पर केंद्रित हो सकता है।
क्षमता के अलावा। इसके अलावा, क्योंकि क्वांटम कंप्यूटिंग विकसित होती रहती है, हमें लगता है कि हम इसका उपयोग करके संभावित गति प्राप्त करने का अवसर देखते हैं और अन्य विशेष उद्देश्य वाले हार्डवेयर त्वरणक। भविष्य का काम अन्य डेटासेट पर इन वर्गीकरणकर्ताओं को लागू करने, नए ऑपरेटरों को पेश करने या इन अवधारणाओं को अन्य उपयोग के मामलों में लागू करने पर केंद्रित हो सकता है।
