आर्टिफिशियल इंटेलिजेंस सीखने की प्रक्रिया के बारे में कैसे सीख सकता है?

जैसा कि लेखक जून वू कहते हैं, कृत्रिम बुद्धिमत्ता को आगे बढ़ाने में एआई नई छलांग लगाएगा फ़ोर्ब्स, 'सीखना सीखना' होगा। इसका क्या मतलब होगा?

जैसा कि वू बताते हैं, "मनुष्य में किसी भी स्थिति या परिवेश से सीखने की अद्वितीय क्षमता होती है।” मनुष्य अपनी सीखने की प्रक्रिया को अनुकूलित कर सकता है। ऐसी लचीली गुणवत्ता वाले AI को प्राप्त करने में सक्षम होने के लिए आर्टिफिशियल जनरल इंटेलिजेंस की आवश्यकता होती है - इसे सीखने की प्रक्रिया के बारे में सीखना होगा, जिसे मेटा-लर्निंग कहा जाता है।

मनुष्य और कृत्रिम बुद्धिमत्ता के बीच सीखने की प्रक्रिया में एक बहुत विशिष्ट अंतर है। जबकि सीखने की मानव क्षमता सीमित है, एआई के पास इसकी कम्प्यूटेशनल शक्ति जैसे कई और संसाधन हैं। मानव मस्तिष्क शक्ति की अपनी सीमाएँ हैं और सीखने के लिए उसके पास सीमित समय भी है। लेकिन, जबकि ए.आई.हमारा मानव मस्तिष्क जितने डेटा का उपयोग करता है, उससे अधिक डेटा से सीखता है, इन विशाल मात्रा में डेटा को संसाधित करने के लिए अत्यधिक कम्प्यूटेशनल शक्ति की आवश्यकता होती है।

वू बताते हैं कि"जैसे-जैसे AI के कार्यों की जटिलता बढ़ती जा रही है, कम्प्यूटेशनल शक्ति में भी तेजी से वृद्धि हुई है। इसका मतलब यह होगा कि भले ही कम्प्यूटेशनल बिजली की लागत कम हो, "घातीय वृद्धि कभी भी वह परिदृश्य नहीं है जो हम चाहते हैं।" यही मुख्य कारण है कि इस समय "एआई को विशिष्ट-उद्देश्य वाले शिक्षार्थियों के लिए डिज़ाइन किया गया है", जिससे उनकी सीखने की प्रक्रिया अधिक कुशल हो जाती है।

लेकिन जैसे-जैसे AI के बारे में और अधिक सीखना शुरू हुआ, "सीखना सीखना" यह "बढ़ती जटिलता के साथ डेटा से अनुमान लगाना" शुरू हुआ। कम्प्यूटेशनल शक्ति में तेजी से वृद्धि से बचने के लिए, एक अधिक कुशल शिक्षण पथ तैयार करना होगा, और एआई को उस पथ को याद रखना होगा।

पूरी समस्या तब और भी जटिल हो गई जब शोधकर्ताओं और प्रौद्योगिकीविदों ने एआई को मल्टी-टास्किंग समस्याएं सौंपना शुरू कर दिया। ऐसा करने में सक्षम होने के लिए, ए.आई.समानांतर में डेटा के स्वतंत्र सेटों का मूल्यांकन करने में सक्षम होने की आवश्यकता है। इसे डेटा के टुकड़ों को जोड़ने और उस डेटा पर कनेक्शन का अनुमान लगाने की भी आवश्यकता है। जैसे-जैसे एक कार्य पूरा किया जा रहा है, एआई को अपने ज्ञान को अद्यतन करने की आवश्यकता है ताकि वह इसे अन्य स्थितियों में लागू कर सके। "चूंकि कार्य आपस में जुड़े हुए हैं, इसलिए कार्यों का मूल्यांकन पूरे नेटवर्क द्वारा करने की आवश्यकता होगी।"

Google ने एक ऐसा मॉडल विकसित किया, मल्टीमॉडल, जो एक AI सिस्टम है जो “एक साथ आठ अलग-अलग कार्य करना सीखता है।” मल्टीमॉडल छवियों में वस्तुओं का पता लगा सकता है, कैप्शन प्रदान कर सकता है, भाषण पहचान सकता है, चार जोड़ी भाषाओं के बीच अनुवाद कर सकता है, और व्याकरणिक निर्वाचन क्षेत्र का विश्लेषण कर सकता है।

हालाँकि Google की उपलब्धि एक बड़ी छलांग है, AI को अभी भी और प्रगति करने की आवश्यकता है ताकि यह एक सामान्य-उद्देश्यीय शिक्षार्थी बन सके। इसे हासिल करने में सक्षम होने के लिए इसे मेटा-रीज़निंग और मेटा-लर्निंग को और विकसित करने की आवश्यकता होगी। जैसा कि वू बताते हैं, "मेटा-रीज़निंग संज्ञानात्मक संसाधनों के कुशल उपयोग पर केंद्रित है। मेटा-लर्निंग सीखने के लिए सीमित संज्ञानात्मक संसाधनों और सीमित डेटा का कुशलतापूर्वक उपयोग करने की मानव की अद्वितीय क्षमता पर केंद्रित है।

वर्तमान में, मानव संज्ञान और एआई के सीखने के तरीके जैसे आंतरिक स्थितियों के बारे में जागरूकता, स्मृति की सटीकता या आत्मविश्वास के बीच अंतराल का पता लगाने के लिए अध्ययन किए जा रहे हैं।

इन सबका मतलब यह है कि “बीएक कृत्रिम सामान्यीकृत शिक्षार्थी बनने के लिए इस बात पर व्यापक शोध की आवश्यकता है कि मनुष्य कैसे सीखते हैं और साथ ही इस बात पर भी शोध की आवश्यकता है कि एआई मनुष्य के सीखने के तरीके की नकल कैसे कर सकता है। नई परिस्थितियों के अनुकूल होना, जैसे कि "मल्टीटास्क" करने की क्षमता, और सीमित संसाधनों के साथ "रणनीतिक निर्णय" लेने की क्षमता, कुछ बाधाएं हैं जिन्हें एआई शोधकर्ता रास्ते में दूर करेंगे।