एआई की मूल बातें
फ़ेव-शॉट लर्निंग क्या है?
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
फ़ेव-शॉट लर्निंग एक प्रकार का एल्गोरिदम और तकनीक है जो एक छोटी सी ट्रेनिंग डेटा का उपयोग करके एक एआई मॉडल को विकसित करने के लिए उपयोग किया जाता है। फ़ेव-शॉट लर्निंग का उद्देश्य एक एआई मॉडल को नए डेटा को पहचानने और वर्गीकृत करने में सक्षम बनाना है, जो कि केवल कुछ ट्रेनिंग उदाहरणों को देखकर ही संभव है। फ़ेव-शॉट ट्रेनिंग पारंपरिक मशीन लर्निंग मॉडल्स के ट्रेनिंग के तरीके से अलग है, जहां आमतौर पर एक बड़ी मात्रा में ट्रेनिंग डेटा का उपयोग किया जाता है। फ़ेव-शॉट लर्निंग मुख्य रूप से कंप्यूटर विजन में उपयोग किया जाता है।
फ़ेव-शॉट लर्निंग के लिए एक बेहतर समझ विकसित करने के लिए, आइए इस概念 को विस्तार से देखें। हम फ़ेव-शॉट लर्निंग के पीछे के प्रेरणा और अवधारणाओं को देखेंगे, कुछ विभिन्न प्रकार के फ़ेव-शॉट लर्निंग का अन्वेषण करेंगे, और फ़ेव-शॉट लर्निंग में उपयोग किए जाने वाले कुछ मॉडल्स को उच्च स्तर पर कवर करेंगे। अंत में, हम फ़ेव-शॉट लर्निंग के कुछ अनुप्रयोगों को देखेंगे।
फ़ेव-शॉट लर्निंग क्या है?
“फ़ेव-शॉट लर्निंग” एक मशीन लर्निंग मॉडल को न्यूनतम डेटा के साथ प्रशिक्षित करने की प्रथा का वर्णन करता है। आमतौर पर, मशीन लर्निंग मॉडल्स को बड़ी मात्रा में डेटा के साथ प्रशिक्षित किया जाता है, जितना अधिक डेटा होगा, उतना ही बेहतर होगा। हालांकि, फ़ेव-शॉट लर्निंग एक महत्वपूर्ण मशीन लर्निंग अवधारणा है जो कुछ कारणों से उपयोगी है।
फ़ेव-शॉट लर्निंग का उपयोग करने का एक कारण यह है कि यह मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए आवश्यक डेटा की मात्रा को काफी कम कर सकता है, जिससे बड़े डेटासेट को लेबल करने में लगने वाला समय कम हो जाता है। इसी तरह, फ़ेव-शॉट लर्निंग विभिन्न कार्यों के लिए विशिष्ट विशेषताओं को जोड़ने की आवश्यकता को कम करता है जब एक सामान्य डेटासेट का उपयोग करके विभिन्न नमूनों का निर्माण किया जाता है। फ़ेव-शॉट लर्निंग आदर्श रूप से मॉडल्स को अधिक मजबूत और कम डेटा पर आधारित वस्तुओं को पहचानने में सक्षम बना सकता है, जिससे विशिष्ट मॉडल्स के बजाय अधिक सामान्य मॉडल्स बनते हैं।
फ़ेव-शॉट लर्निंग मुख्य रूप से कंप्यूटर विजन क्षेत्र में उपयोग किया जाता है, क्योंकि कंप्यूटर विजन समस्याओं की प्रकृति या तो बड़ी मात्रा में डेटा या एक लचीले मॉडल की आवश्यकता होती है।
उप-श्रेणियाँ
“फ़ेव-शॉट” लर्निंग वास्तव में बहुत कम प्रशिक्षण उदाहरणों का उपयोग करने वाली सीखने की एक प्रकार की है। चूंकि आप केवल “कुछ” प्रशिक्षण उदाहरणों का उपयोग कर रहे हैं, फ़ेव-शॉट लर्निंग की उप-श्रेणियाँ भी हैं जो बहुत कम डेटा का उपयोग करती हैं। “वन-शॉट” लर्निंग एक अन्य प्रकार का मॉडल प्रशिक्षण है जिसमें एक मॉडल को केवल एक वस्तु की एक छवि देखकर पहचानने के लिए सिखाया जाता है। वन-शॉट लर्निंग और फ़ेव-शॉट लर्निंग में उपयोग की जाने वाली सामान्य रणनीतियाँ समान हैं। ध्यान दें कि “फ़ेव-शॉट” लर्निंग शब्द का उपयोग कभी-कभी किसी भी स्थिति का वर्णन करने के लिए एक छतरी शब्द के रूप में किया जा सकता है जहां एक मॉडल बहुत कम डेटा के साथ प्रशिक्षित किया जा रहा है।
फ़ेव-शॉट लर्निंग के दृष्टिकोण
फ़ेव-शॉट लर्निंग के अधिकांश दृष्टिकोण तीन श्रेणियों में वर्गीकृत किया जा सकता है: डेटा-स्तरीय दृष्टिकोण, पैरामीटर-स्तरीय दृष्टिकोण, और मेट्रिक्स-आधारित दृष्टिकोण।
डेटा-स्तरीय दृष्टिकोण
डेटा-स्तरीय दृष्टिकोण फ़ेव-शॉट लर्निंग की अवधारणा बहुत सरल है। यदि आपके पास पर्याप्त प्रशिक्षण डेटा नहीं है, तो आप बस अधिक प्रशिक्षण डेटा प्राप्त कर सकते हैं। एक डेटा वैज्ञानिक कुछ तकनीकों का उपयोग करके अपने प्रशिक्षण डेटा की मात्रा बढ़ा सकता है।
समान प्रशिक्षण डेटा लक्ष्य डेटा का समर्थन कर सकता है जिस पर आप एक वर्गीकारक को प्रशिक्षित कर रहे हैं। उदाहरण के लिए, यदि आप एक वर्गीकारक को विशिष्ट प्रकार के कुत्तों को पहचानने के लिए प्रशिक्षित कर रहे हैं लेकिन उस विशिष्ट प्रजाति की कई छवियों की कमी है, तो आप अन्य कुत्तों की कई छवियों को शामिल कर सकते हैं जो वर्गीकारक को कुत्ते की सामान्य विशेषताओं का पता लगाने में मदद करेगा।
डेटा ऑगमेंटेशन एक वर्गीकारक के लिए अधिक प्रशिक्षण डेटा बना सकता है। यह आमतौर पर मौजूदा प्रशिक्षण डेटा पर परिवर्तन लागू करने के लिए शामिल है, जैसे कि मौजूदा छवियों को घुमाना ताकि वर्गीकारक विभिन्न कोणों से छवियों का निरीक्षण कर सके। जेनरेटिव एडवर्सेरियल नेटवर्क (जीएन) भी प्रामाणिक प्रशिक्षण डेटा के कुछ उदाहरणों से सीखने के आधार पर नए प्रशिक्षण उदाहरणों का निर्माण कर सकते हैं।
पैरामीटर-स्तरीय दृष्टिकोण
मेटा-लर्निंग
फ़ेव-शॉट लर्निंग के लिए एक पैरामीटर-स्तरीय दृष्टिकोण मेटा-लर्निंग तकनीक का उपयोग करना शामिल है। मेटा-लर्निंग एक मॉडल को सिखाने के बारे में है कि कौन सी विशेषताएं एक मशीन लर्निंग कार्य में महत्वपूर्ण हैं। यह एक मॉडल के पैरामीटर स्पेस का अन्वेषण करने के तरीके को नियंत्रित करने के लिए एक विधि बनाकर किया जा सकता है।
मेटा-लर्निंग में दो अलग-अलग मॉडल्स का उपयोग किया जाता है: एक शिक्षक मॉडल और एक छात्र मॉडल। शिक्षक मॉडल पैरामीटर स्पेस को कैप्चर करना सीखता है, जबकि छात्र मॉडल वास्तविक वस्तुओं को पहचानने और वर्गीकृत करने के लिए सीखता है। दूसरे शब्दों में, शिक्षक मॉडल एक मॉडल को अनुकूलित करना सीखता है, जबकि छात्र मॉडल वर्गीकरण सीखता है। शिक्षक मॉडल के आउटपुट का उपयोग छात्र मॉडल को प्रशिक्षित करने के लिए किया जाता है, जो छात्र मॉडल को दिखाता है कि कम प्रशिक्षण डेटा से उत्पन्न बड़े पैरामीटर स्पेस को कैसे नेविगेट किया जाए। इसलिए मेटा-लर्निंग में “मेटा” है।
फ़ेव-शॉट लर्निंग मॉडल्स के साथ एक मुख्य समस्या यह है कि वे प्रशिक्षण डेटा पर आसानी से ओवरफिट हो सकते हैं, क्योंकि वे अक्सर उच्च-आयामी स्पेस होते हैं। एक मॉडल के पैरामीटर स्पेस को सीमित करना इस समस्या का समाधान करता है, और जबकि यह नियमितीकरण तकनीकों को लागू करने और उचित हानि कार्यों का चयन करके किया जा सकता है, एक शिक्षक एल्गोरिदम का उपयोग एक फ़ेव-शॉट मॉडल के प्रदर्शन में काफी सुधार कर सकता है।
एक फ़ेव-शॉट लर्निंग क्लासिफायर मॉडल (छात्र मॉडल) अपने द्वारा प्रदान किए गए छोटे प्रशिक्षण डेटा के आधार पर सामान्यीकरण करने का प्रयास करेगा, और एक शिक्षक मॉडल के मार्गदर्शन से इसकी सटीकता में सुधार हो सकता है। यह सामान्य वास्तुकला एक “ग्रेडिएंट-आधारित” मेटा-लर्नर के रूप में जानी जाती है।
एक ग्रेडिएंट-आधारित मेटा-लर्नर को प्रशिक्षित करने की पूरी प्रक्रिया निम्नलिखित है:
- बेस-लर्नर (शिक्षक) मॉडल बनाएं
- बेस-लर्नर मॉडल को सपोर्ट सेट पर प्रशिक्षित करें
- बेस-लर्नर को क्वेरी सेट के लिए पूर्वानुमान वापस करने दें
- मेटा-लर्नर (छात्र) को वर्गीकरण त्रुटि से प्राप्त हानि पर प्रशिक्षित करें
मेटा-लर्निंग के संस्करण
मॉडल-एज्नोस्टिक मेटा-लर्निंग एक विधि है जो बुनियादी ग्रेडिएंट-आधारित मेटा-लर्निंग तकनीक को बढ़ाने के लिए उपयोग की जाती है जिसका हमने ऊपर उल्लेख किया है।
जैसा कि हमने ऊपर कवर किया है, एक ग्रेडिएंट-आधारित मेटा-लर्नर शिक्षक मॉडल द्वारा प्राप्त पिछले अनुभव का उपयोग करके स्वयं को ठीक-ट्यून करता है और थोड़े प्रशिक्षण डेटा के लिए अधिक सटीक पूर्वानुमान प्रदान करता है। हालांकि, यादृच्छिक रूप से आरंभिक पैरामीटर के साथ शुरू करने का अर्थ है कि मॉडल अभी भी डेटा पर ओवरफिट हो सकता है। इसे避ने के लिए, एक “मॉडल-एज्नोस्टिक” मेटा-लर्नर बनाया जाता है जो शिक्षक मॉडल/बेस मॉडल के प्रभाव को सीमित करता है। शिक्षक मॉडल द्वारा किए गए पूर्वानुमानों के लिए हानि पर छात्र मॉडल को प्रशिक्षित करने के बजाय, छात्र मॉडल को अपने स्वयं के पूर्वानुमानों के लिए हानि पर प्रशिक्षित किया जाता है।
मॉडल-एज्नोस्टिक मेटा-लर्नर को प्रशिक्षित करने के लिए प्रत्येक प्रशिक्षण एपिसोड के लिए:
- वर्तमान मेटा-लर्नर मॉडल की एक प्रति बनाई जाती है।
- प्रति शिक्षक मॉडल/बेस मॉडल की सहायता से प्रशिक्षित किया जाता है।
- प्रशिक्षण डेटा के लिए पूर्वानुमान वापस करता है।
- मेटा-लर्नर को अपडेट करने के लिए गणना की गई हानि का उपयोग किया जाता है।
मेट्रिक-लर्निंग
मेट्रिक-लर्निंग दृष्टिकोण बुनियादी दूरी मेट्रिक्स का उपयोग करके एक फ़ेव-शॉट लर्निंग मॉडल को डिज़ाइन करने में शामिल होते हैं नमूनों के बीच तुलना करने के लिए। मेट्रिक-लर्निंग एल्गोरिदम जैसे कोसाइन दूरी का उपयोग समर्थन नमूनों के साथ उनकी समानता के आधार पर प्रश्न नमूनों को वर्गीकृत करने के लिए किया जाता है। एक छवि वर्गीकारक के लिए, इसका अर्थ होगा कि केवल सतही विशेषताओं के आधार पर छवियों को वर्गीकृत करना। एक बार जब समर्थन सेट की छवियों का एक एम्बेडिंग वेक्टर में रूपांतरण किया जाता है, तो同 तरह प्रश्न सेट के साथ किया जाता है, और फिर दोनों वेक्टरों के मानों की तुलना की जाती है, वर्गीकारक उस वर्ग का चयन करता है जिसके पास वेक्टरीकृत प्रश्न सेट के लिए सबसे करीबी मान होता है।
एक अधिक उन्नत मेट्रिक-आधारित समाधान “प्रोटोटाइप नेटवर्क” है। प्रोटोटाइप नेटवर्क डेटा बिंदुओं को एक साथ जोड़ते हैं, जो क्लस्टरिंग मॉडल को मेट्रिक-आधारित वर्गीकरण के साथ जोड़ते हैं जैसा कि ऊपर वर्णित है। के-मीन्स क्लस्टरिंग की तरह, समर्थन और प्रश्न सेटों के लिए क्लस्टर्स के लिए सेंट्रॉइड की गणना की जाती है। फिर एक यूक्लिडियन दूरी मेट्रिक्स का उपयोग यह निर्धारित करने के लिए किया जाता है कि प्रश्न सेट और समर्थन सेट के बीच क्या अंतर है, प्रश्न सेट को समर्थन सेट के वर्गों में से जिसे सबसे करीबी होता है उसे सौंपा जाता है।
अधिकांश अन्य फ़ेव-शॉट लर्निंग दृष्टिकोण उपरोक्त वर्णित मूल तकनीकों के संस्करण हैं।
फ़ेव-शॉट लर्निंग के अनुप्रयोग
फ़ेव-शॉट लर्निंग के डेटा विज्ञान के विभिन्न उपक्षेत्रों में अनुप्रयोग हैं, जैसे कंप्यूटर विजन, प्राकृतिक भाषा प्रसंस्करण, रोबोटिक्स, स्वास्थ्य सेवा, और सिग्नल प्रोसेसिंग।
कंप्यूटर विजन स्पेस में फ़ेव-शॉट लर्निंग के अनुप्रयोगों में अक्षर पहचान, छवि वर्गीकरण, वस्तु पहचान, वस्तु ट्रैकिंग, गति पूर्वानुमान, और क्रिया स्थानीयकरण शामिल हैं। प्राकृतिक भाषा प्रसंस्करण के लिए फ़ेव-शॉट लर्निंग के अनुप्रयोगों में अनुवाद, वाक्य पूर्णता, उपयोगकर्ता इरादा वर्गीकरण, भावना विश्लेषण, और मल्टी-लेबल टेक्स्ट वर्गीकरण शामिल हैं। फ़ेव-शॉट लर्निंग का उपयोग रोबोटिक्स क्षेत्र में किया जा सकता है ताकि रोबोट को कुछ प्रदर्शनों से कार्य सीखने में मदद मिल सके, जिससे रोबोट को क्रियाएं करने, चलने और दुनिया के आसपास नेविगेट करने का तरीका सीखने में मदद मिल सके। फ़ेव-शॉट ड्रग डिस्कवरी एआई स्वास्थ्य सेवा का एक उभरता हुआ क्षेत्र है। अंत में, फ़ेव-शॉट लर्निंग के ध्वनि सिग्नल प्रोसेसिंग के लिए अनुप्रयोग हैं, जो ध्वनि डेटा का विश्लेषण करने की प्रक्रिया है, जिससे एआई सिस्टम को केवल कुछ उपयोगकर्ता नमूनों के आधार पर आवाज़ की नकल करने या एक उपयोगकर्ता से दूसरे उपयोगकर्ता के लिए आवाज़ रूपांतरण करने की अनुमति मिलती है।
