рдХреГрддреНрд░рд┐рдо рдмреБрджреНрдзрд┐рдорддреНрддрд╛
рдмрд╣реБрдореЛрдбрд▓ рд▓рд░реНрдирд┐рдВрдЧ рдПрдЖрдИ рдбреЗрд╡рд▓рдкрд░реНрд╕ рдХреЗ рдмреАрдЪ рдкреНрд░рдореБрдЦ рд╣реЛрддреА рдЬрд╛ рд░рд╣реА рд╣реИ
Venture Beat (VB) ने अपनी साप्ताहिक रिपोर्ट में बहुमोडल लर्निंग के फायदों पर चर्चा की, जो कि आर्टिफिशियल इंटेलिजेंस के विकास में है। उनका प्रेरणा रिपोर्ट थी, जो ABI Research द्वारा तैयार की गई थी।
मुख्य अवधारणा यह है कि “डेटा सेट आर्टिफिशियल इंटेलिजेंस सिस्टम के मूलभूत निर्माण खंड हैं,” और बिना डेटा सेट के, “मॉडल उन संबंधों को सीख नहीं सकते जो उनकी भविष्यवाणियों को सूचित करते हैं।” ABI रिपोर्ट का अनुमान है कि “जबकि 2019 में 2.69 बिलियन से 2024 में 4.47 बिलियन तक कुल स्थापित AI डिवाइस बढ़ेंगे, तुलनात्मक रूप से कम ही अल्पावधि में इंटरऑपरेबल होंगे।”
यह समय, ऊर्जा और संसाधनों की महत्वपूर्ण बर्बादी हो सकती है, “उनके माध्यम से प्रवाहित होने वाले गीगाबाइट से पेटाबाइट डेटा को एक एकल एआई मॉडल या फ्रेमवर्क में शामिल करने के बजाय, वे स्वतंत्र रूप से और विविध रूप से काम करेंगे ताकि डेटा को समझने के लिए।”
इसे पार करने के लिए, ABI बहुमोडल लर्निंग का प्रस्ताव करता है, जो एक विधि है जो “विभिन्न सेंसर और इनपुट से डेटा को एक ही सिस्टम में समेकित कर सकती है। बहुमोडल लर्निंग पूरक जानकारी या रुझान ले जा सकती है, जो अक्सर तभी स्पष्ट होते हैं जब वे सभी सीखने की प्रक्रिया में शामिल होते हैं।”
VB एक व्यवहार्य उदाहरण प्रस्तुत करता है जो छवियों और पाठ कैप्शन पर विचार करता है। “ यदि विभिन्न शब्द समान छवियों के साथ जोड़े जाते हैं, तो यह संभावना है कि ये शब्द एक ही चीज़ या वस्तु का वर्णन करने के लिए उपयोग किए जाते हैं। इसके विपरीत, यदि कुछ शब्द विभिन्न छवियों के बगल में दिखाई देते हैं, तो यह संकेत देता है कि ये छवियां एक ही वस्तु का प्रतिनिधित्व करती हैं। दिया गया, यह संभव होना चाहिए कि एक एआई मॉडल पाठ विवरण से छवि वस्तुओं की भविष्यवाणी कर सके, और वास्तव में, एक शैक्षणिक साहित्य ने सिद्ध किया है कि यह मामला है।”
संभावित फायदों के बावजूद, ABI नोट करता है कि यहां तक कि आईबीएम, माइक्रोसॉफ्ट, अमेज़ॅन और गूगल जैसी प्रौद्योगिकी दिग्गज अभी भी मुख्य रूप से यूनिमोडल सिस्टम पर ध्यान केंद्रित करते हैं। एक कारण यह है कि ऐसा स्विच करना एक चुनौती होगी।
फिर भी, ABI शोधकर्ता अनुमान लगाते हैं कि “डिवाइसों की कुल संख्या 2017 में 3.94 मिलियन से 2023 में 514.12 मिलियन तक बढ़ जाएगी, जो रोबोटिक्स, उपभोक्ता, स्वास्थ्य सेवा और मीडिया और मनोरंजन खंडों में अपनाने से प्रेरित है।” उन कंपनियों के उदाहरणों में से जो पहले से ही बहुमोडल लर्निंग को लागू कर रहे हैं, वे Waymo का उल्लेख करते हैं, जो “हाइपर-जागरूक स्व-ड्राइविंग वाहन” बनाने के लिए ऐसे दृष्टिकोण का उपयोग कर रहा है, और Intel Labs, जहां कंपनी की इंजीनियरिंग टीम “वास्तविक दुनिया के वातावरण में सेंसर डेटा संग्रह के लिए तकनीकों की जांच कर रही है।”
इंटेल लैब्स के प्रिंसिपल इंजीनियर ओमेश टिकू ने वीबी को बताया कि “हमने जो किया है, वह है समय जैसे संदर्भ को समझने के लिए तकनीकों का उपयोग करना, हमने एक प्रणाली बनाई है जो आपको बताती है कि जब एक सेंसर का डेटा उच्चतम गुणवत्ता का नहीं है। दी गई आत्मविश्वास मूल्य के साथ, यह विभिन्न सेंसरों को विभिन्न अंतराल पर एक दूसरे के खिलाफ तोलता है और हमें जो उत्तर चाहिए, उसके लिए सही मिश्रण चुनता है।”
VB नोट करता है कि यूनिमोडल लर्निंग उन अनुप्रयोगों में प्रमुख रहेगी जहां यह अत्यधिक प्रभावी है – छवि पहचान और प्राकृतिक भाषा प्रसंस्करण जैसे अनुप्रयोगों में। 同 समय यह भविष्यवाणी करता है कि “जैसे ही इलेक्ट्रॉनिक्स सस्ते होते जाएंगे और कंप्यूट अधिक मापनीय होगा, बहुमोडल लर्निंग की प्रमुखता में वृद्धि होगी।”
