कैसे कॉजल एआई अंततः ऐसे एआई मॉडल बना रहा है जो केवल प्रतिक्रिया करने के बजाय तर्क दे सकते हैं

दशकों से, कृत्रिम बुद्धिमत्ता ने डेटा में पैटर्न की पहचान करने में उत्कृष्टता प्राप्त की है। मशीन लर्निंग मॉडल ग्राहक व्यवहार की भविष्यवाणी कर सकते हैं, बाजार के रुझानों की भविष्यवाणी कर सकते हैं या चिकित्सा जोखिमों की पहचान उच्च सटीकता के साथ कर सकते हैं। लेकिन ये सिस्टम अक्सर यह समझाने में विफल रहते हैं कि घटनाएं क्यों होती हैं। वे संबंधों पर निर्भर करते हैं, जो वास्तविक कारणों और मात्र संयोगों के बीच अंतर नहीं कर सकते हैं। यह सीमा एआई को प्रतिक्रियाशील बनाए रखती है, जो परिस्थितियों में बदलाव के अनुकूल नहीं हो सकती है या हस्तक्षेप के बारे में तर्क नहीं दे सकती है। कॉजल एआई इस अंतर को पूरा करता है। यह मशीनों को कारण और प्रभाव को समझने में सक्षम बनाता है, जो मशीनों को वास्तविक तर्क क्षमता प्राप्त करने के लिए आवश्यक है। यह क्षमता प्रणालियों को “क्या होगा” परिदृश्यों को सिम्युलेट करने, विरोधाभासी परिदृश्यों का मूल्यांकन करने और व्याख्या योग्य निर्णय प्रदान करने की अनुमति देती है। जैसे ही संगठन अधिक विश्वसनीय एआई की मांग करते हैं, कारणात्मक तरीके उद्योगों में गति प्राप्त कर रहे हैं।

संबंध जाल

पारंपरिक मशीन लर्निंग डेटा में सांख्यिकीय लिंक खोजने के द्वारा काम करती है। यदि कुछ दवा लेने वाले रोगी तेजी से ठीक हो जाते हैं, तो अल्गोरिदम इस संबंध को सीखता है। जबकि यह दृष्टिकोण छवि पहचान, भाषा अनुवाद और अनुशंसा प्रणालियों में उल्लेखनीय प्रगति हासिल कर चुका है, इसकी एक घातक खामी है। यह कारण और संयोग के बीच अंतर नहीं कर सकता है। यह असमर्थता एक खतरनाक अंधे धब्बे को बनाती है कि कैसे अंतर्निहित तंत्र वास्तव में काम करता है। उदाहरण के लिए, एक व्यापक रूप से उपयोग किया जाने वाला अल्गोरिदम जो अतिरिक्त देखभाल की आवश्यकता वाले रोगियों की पहचान करने के लिए डिज़ाइन किया गया था, यह सीखा कि स्वास्थ्य देखभाल खर्च चिकित्सा आवश्यकता की भविष्यवाणी करता है। हालांकि, जब 200 मिलियन अमेरिकियों के डेटा का विश्लेषण किया गया, तो पाया गया कि यह संबंध प्रणालीगत पूर्वाग्रहों को नजरअंदाज करता है। काले अमेरिकियों पर स्वास्थ्य देखभाल खर्च समान स्थितियों वाले श्वेत अमेरिकियों की तुलना में कम है क्योंकि प्रणालीगत कारकों के कारण। अल्गोरिदम, इस कारक से अंधा, काले रोगियों की देखभाल की आवश्यकता को कम आंकता है। अन्य क्षेत्रों में समान विफलताएं होती हैं। आपराधिक न्याय में, कॉम्पास अल्गोरिदम ने जाति को पुनरावृत्ति जोखिम से संबंधित किया, जिससे पूर्वाग्रहपूर्ण सजा हुई। कृषि में, एक एआई मिट्टी की नमी को गर्म दिनों से संबंधित कर सकता है और एक गर्मी की लहर के दौरान सिंचाई के खिलाफ सलाह दे सकता है, जो एक विनाशकारी सुझाव हो सकता है। स्वास्थ्य देखभाल में, एआई प्रणाली सीख सकती है कि दमा वाले रोगी जिन्हें निमोनिया भी है, वे तेजी से ठीक हो जाते हैं। हालांकि, यह पैटर्न यह याद रखता है कि इन रोगियों को अधिक गहन उपचार मिलता है क्योंकि वे उच्च जोखिम वाले माने जाते हैं, न कि इसलिए कि दमा उन्हें पुनर्प्राप्ति में मदद करता है।

पर्ल की कारण की सीढ़ी

जुदेआ पर्ल, कारणात्मक अनुमान के ट्यूरिंग पुरस्कार विजेता अग्रणी, ने अपनी कारण की सीढ़ी के माध्यम से कारणात्मक एआई को ढाला। यह सीढ़ी तीन विशिष्ट तर्क स्तरों को रेखांकित करती है। पहला पायदान संबंध है। यह वह जगह है जहां पारंपरिक एआई डेटा से पैटर्न या संबंधों को देखकर काम करता है। यह उन प्रश्नों का उत्तर देता है जैसे “कौन से लक्षण बीमारी से जुड़े हैं?” दूसरा पायदान हस्तक्षेप है। यह पूछता है, “क्या होगा अगर मैं एक्स करूं?” इसके लिए यह समझने की आवश्यकता है कि एक перемен को सक्रिय रूप से बदलने से अन्य पर क्या प्रभाव पड़ता है। यह ग्राहकों को ईमेल प्राप्त करने और खरीदारी करने के बीच के अंतर को देखने और जानने के बीच का अंतर है कि क्या ईमेल ने खरीदारी का कारण बना। सबसे उच्च पायदान विरोधाभासी तर्क है। इसमें पूछना शामिल है, “क्या होगा अगर मैंने कुछ और किया होता?” इसके लिए वैकल्पिक परिदृश्यों की कल्पना करना और आवश्यक है और यह जिम्मेदारी और सीखने के लिए आवश्यक है, जैसे कि यह निर्धारित करना कि क्या एक अलग उपचार एक रोगी को बचा सकता था। कॉजल एआई सभी तीन पायदानों पर काम करता है। यह मॉडल बनाता है जो न केवल डेटा में पैटर्न का प्रतिनिधित्व करते हैं, बल्कि उन पैटर्न को उत्पन्न करने वाले अंतर्निहित कारण तंत्र का भी प्रतिनिधित्व करते हैं।

कॉजल एआई कैसे मॉडल बनाता है जो तर्क दे सकते हैं

कॉजल एआई का व्यावहारिक कार्यान्वयन तीन मुख्य घटकों पर निर्भर करता है:

संरचनात्मक कारण मॉडल (एससीएम): ये मॉडल समीकरणों पर निर्भर करते हैं जो डेटा को उत्पन्न करने वाले कारण तंत्र का वर्णन करते हैं। यह दृष्टिकोण एआई को सतही पैटर्न सीखने के बजाय डेटा की उत्पत्ति की प्रक्रिया को मॉडल करने में सक्षम बनाता है।

निर्देशित एसाइक्लिक ग्राफ (डीएजी): ये दृश्य प्रतिनिधित्व नोड्स और तीर का उपयोग करके स्पष्ट रूप से कारण धारणाओं को परिभाषित करते हैं। वे विशेषज्ञों को भ्रमित करने वाले переменों की पहचान करने और मॉडल के तर्क को मान्य करने में मदद करते हैं।

“डू”-कैलकुलस: यह गणितीय ऑपरेटर, पर्ल द्वारा पioneered, औपचारिक रूप से प (वाई | एक्स) को देखने और हस्तक्षेप प (वाई | डू (एक्स)) के बीच अंतर करता है। यह “क्या होगा” प्रश्नों का उत्तर देने के लिए डेटा का उपयोग करने के लिए मशीनरी प्रदान करता है।

यह फ्रेमवर्क एआई सिस्टम को हस्तक्षेप से पहले ही सिम्युलेट करने और संभावित परिदृश्यों के बारे में तर्क देने की अनुमति देता है। यह एआई को दुनिया को देखने वाले एक उपकरण से लेकर हमें इसे समझने में मदद करने वाले एक उपकरण में परिभाषित करता है।

टूल्स परिपक्व हो रहे हैं

सुलभ सॉफ्टवेयर टूल्स का विकास भी कॉजल एआई के त्वरण में एक महत्वपूर्ण भूमिका निभा रहा है। माइक्रोसॉफ्ट का डो व्हाई फ्रेमवर्क एक ओपन-सोर्स पायथन लाइब्रेरी है जो एक सिद्धांतवादी चार-चरण कार्य प्रवाह को लागू करता है, जिसमें कारण संबंधों को मॉडल करने, कारण प्रभाव की पहचान करने, प्रभाव का अनुमान लगाने और धारणाओं को खारिज करने के लिए उपकरण शामिल हैं। यह संरचित दृष्टिकोण एक प्रमुख चुनौती को संबोधित करता है: विभिन्न शोधकर्ता विभिन्न कारण धारणाएं बना सकते हैं। डो व्हाई कारण ग्राफ के माध्यम से इन धारणाओं को परिभाषित करने में मदद करता है और निष्कर्षों की संवेदनशीलता का परीक्षण करने के लिए उपकरण प्रदान करता है।

कॉजल एआई की परिपक्वता इसके तेजी से बाजार विकास से देखी जा सकती है। विश्लेषक पूर्वानुमान करते हैं कि वैश्विक कॉजल एआई बाजार 2025 में लगभग $63 मिलियन से 2035 तक $1.6 बिलियन तक बढ़ जाएगा, जो 38% से अधिक की यौगिक वार्षिक वृद्धि दर है। यह वृद्धि इस तथ्य से驱्षित है कि कारण और प्रभाव को समझना एक प्रतिस्पर्धी लाभ प्रदान करता है। व्याख्या योग्य एआई (एक्सएआई) की बढ़ती मांग भी एक प्रमुख चालक है। नियम जैसे ईयू के एआई अधिनियम निर्णयों के लिए पारदर्शी व्याख्या की आवश्यकता होती है। कॉजल मॉडल प्राकृतिक रूप से स्पष्ट कारण मार्ग के माध्यम से यह प्रदान करते हैं, न केवल यह बताते हैं कि कौन सा निर्णय लिया गया था, बल्कि यह भी बताते हैं कि यह क्यों लिया गया था।

मुख्य लाभ: लचीलापन और विश्वास

कॉजल एआई का एक प्रमुख लाभ इसकी बदलती परिस्थितियों के प्रति लचीलापन है। जब प्रशिक्षण से तैनाती तक पर्यावरण बदलता है, तो पारंपरिक मॉडल अक्सर विफल हो जाते हैं क्योंकि उनके सीखे हुए संबंध टूट जाते हैं। एक संबंध-आधारित मॉडल फसल की पैदावार के लिए मिट्टी की नमी की भविष्यवाणी कर सकता है। लेकिन अगर यह संबंध प्रशिक्षण डेटा में सिंचाई प्रथाओं द्वारा भ्रमित था, तो मॉडल एक नए क्षेत्र में तैनाती पर विफल हो जाएगा।

कॉजल मॉडल अलग हैं। अंतर्निहित तंत्र सीखने से, वे स्थिर संबंधों की पहचान करते हैं जो वातावरण में बने रहते हैं। वे यह समझते हैं कि नमी क्यों महत्वपूर्ण है, न कि केवल यह कि यह पैदावार से संबंधित है। शोध से पता चलता है कि वितरण में बदलाव वाले डेटासेट पर, कॉजल मॉडल प्रदर्शन बनाए रखते हैं, जबकि पारंपरिक मॉडल 20 प्रतिशत से अधिक की सटीकता में गिरावट देख सकते हैं।

इसके अलावा, कॉजल एआई ब्लैक-बॉक्स समस्या को संबोधित करता है। अस्पष्ट न्यूरल नेटवर्क के विपरीत, कॉजल ग्राफ और मार्ग स्पष्ट व्याख्या प्रदान करते हैं: “एक्स को बदलना वाई का कारण बनता है जेड के माध्यम से।” यह क्षमता उच्च जोखिम वाले क्षेत्रों में एआई को तैनात करने के लिए महत्वपूर्ण है, जो अब नियमों जैसे ईयू के एआई अधिनियम में कोडифाइड है। कॉजल एआई पूर्वाग्रह को कम करने में भी मदद करता है bằng स्प्यूरियस संबंधों (जैसे, जाति और परिणाम) को विभाजित करके भेदभावपूर्ण कारणों से।

वास्तविक दुनिया में प्रभाव उद्योगों में

कारणात्मक तर्क में बदलाव पहले से ही उद्योगों में मूल्य प्रदान कर रहा है। स्वास्थ्य देखभाल में, कaiser Permanente रोगी पुनरावृत्ति के मूल कारणों की पहचान करने के लिए कॉजल एआई का उपयोग करता है, जो व्यक्तिगत दवा अनुस्मारक जैसे लक्षित हस्तक्षेप को सक्षम बनाता है जिन्होंने अनुपालन दर में काफी सुधार किया है। फार्मास्यूटिकल्स में, कंपनियां कॉजल एआई का उपयोग करके पहचानती हैं कि कौन से आणविक लक्ष्य वास्तव में बीमारी की प्रगति का कारण बनते हैं, न कि केवल इसके साथ संबंधित होते हैं। यह दवा की खोज को तेज करता है bằng सिम्युलेटेड हस्तक्षेपों के माध्यम से जो महंगे नैदानिक परीक्षणों से पहले होते हैं। निर्माण में, कॉजल मॉडल उत्पादन लाइनों पर मूल कारण विश्लेषण करते हैं। जब गुणवत्ता गिरती है, तो सिस्टम यह निर्धारित करता है कि क्या कारण मशीन सेटिंग्स, सामग्री दोष या अपस्ट्रीम प्रक्रियाओं में है, जिससे इंजीनियरों को कार्रवाई योग्य अंतर्दृष्टि प्राप्त होती है। वित्त में, बैंक कॉजल अनुमान का उपयोग करके क्रेडिट चूक के वास्तविक चालकों को समझने के लिए करते हैं, न कि केवल संबंधों को। यह उन्हें समायोजित भुगतान अनुसूची जैसे हस्तक्षेप डिजाइन करने की अनुमति देता है जो वित्तीय संकट के मूल कारणों को संबोधित करते हैं।

स्वायत्त वाहन कॉजल एआई के सबसे मांग वाले अनुप्रयोगों में से एक हैं। जबकि संबंध-आधारित सिस्टम एक पैदल यात्री को पहचान सकते हैं, कॉजल मॉडल यह अनुमान लगा सकते हैं कि वे सड़क पार क्यों कर सकते हैं, एक गेंद के पीछे दौड़ सकते हैं या एक बाधा से बच सकते हैं। यह इरादे और कारण की समझ दुनिया के गतिशील वातावरण में सुरक्षित नेविगेशन के लिए आवश्यक है।

नीचे की रेखा

संबंध पर निर्भर एआई का युग समाप्त हो रहा है। मॉडल बनाकर जो यह समझते हैं कि चीजें क्यों होती हैं, कॉजल एआई विश्वसनीय “क्या होगा” विश्लेषण, बदलती परिस्थितियों के प्रति लचीलापन और आधुनिक व्यवसाय और विनियमन द्वारा मांगी गई व्याख्या योग्यता के लिए आवश्यक तर्क शक्ति प्रदान करता है।