एआई मॉडल और प्लेटफ़ॉर्म
सीखने की वक्र को नेविगेट करना: एआई की मेमोरी रिटेंशन के साथ संघर्ष
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
जब कृत्रिम बुद्धिमत्ता (एआई) की सीमाएं लगातार विस्तारित हो रही हैं, तो शोधकर्ता इस क्षेत्र में सबसे बड़ी चुनौतियों में से एक के साथ जूझ रहे हैं: मेमोरी लॉस। एआई शब्दों में, इसे “विनाशकारी भूलने” के रूप में जाना जाता है, यह घटना मशीन लर्निंग की प्रगति को गंभीर रूप से बाधित करती है, मानव स्मृतियों के अस्थिर स्वभाव की नकल करती है। ओहियो स्टेट यूनिवर्सिटी के इलेक्ट्रिकल इंजीनियर्स की एक टीम यह जांच कर रही है कि कैसे निरंतर सीखने, जो एक कंप्यूटर को एक श्रृंखला के कार्यों से लगातार ज्ञान प्राप्त करने की क्षमता है, एआई एजेंटों के समग्र प्रदर्शन को प्रभावित करता है।
मानव और मशीन लर्निंग के बीच की खाई को पाटना
नेस श्रॉफ, ओहियो एमिनेंट स्कॉलर और ओहियो स्टेट यूनिवर्सिटी में कंप्यूटर साइंस एंड इंजीनियरिंग के प्रोफेसर, इस बाधा को पार करने की महत्ता पर जोर देते हैं। “जब स्वचालित ड्राइविंग अनुप्रयोग या अन्य रोबोटिक सिस्टम को नई चीजें सिखाई जाती हैं, तो यह महत्वपूर्ण है कि वे पहले से सीखी गई बातों को भूल न जाएं, हमारी सुरक्षा और उनकी सुरक्षा के लिए,” श्रॉफ ने कहा। वह आगे कहते हैं, “हमारा शोध इन कृत्रिम न्यूरल नेटवर्क्स में निरंतर सीखने की जटिलताओं में गहराई से जाता है, और हमने जो पाया है वह मानव और मशीन दोनों के सीखने के बीच की खाई को पाटने की शुरुआत है।”
शोध से पता चलता है कि मानवों की तरह, कृत्रिम न्यूरल नेटवर्क भी विविध कार्यों के साथ लगातार जानकारी को बनाए रखने में उत्कृष्ट होते हैं, न कि ओवरलैपिंग विशेषताओं वाले कार्यों के साथ। यह अंतर्दृष्टि मशीनों में निरंतर सीखने को मानवों की संज्ञानात्मक क्षमताओं के करीब लाने के लिए अनुकूलित करने में महत्वपूर्ण है।
मशीन लर्निंग में कार्य विविधता और क्रम की भूमिका
शोधकर्ता होनोलूलू, हवाई में 40वें वार्षिक इंटरनेशनल कॉन्फ्रेंस ऑन मशीन लर्निंग में अपने निष्कर्षों की प्रस्तुति करने वाले हैं, जो मशीन लर्निंग क्षेत्र में एक प्रमुख आयोजन है। यह शोध यह उजागर करता है कि कौन से कारक एक कृत्रिम नेटवर्क द्वारा विशिष्ट ज्ञान को बनाए रखने की अवधि में योगदान करते हैं।
श्रॉफ व्याख्या करते हैं, “एक एल्गोरिदम की मेमोरी को अनुकूलित करने के लिए, असमान कार्यों को निरंतर सीखने की प्रक्रिया में शुरुआत में सिखाया जाना चाहिए। यह तरीका नेटवर्क की नई जानकारी के लिए क्षमता को बढ़ाता है और बाद में समान कार्यों को सीखने की इसकी क्षमता में सुधार करता है।” इसलिए, कार्य समानता, सकारात्मक और नकारात्मक संबंध, और सीखने का क्रम मशीनों में मेमोरी रिटेंशन को महत्वपूर्ण रूप से प्रभावित करते हैं।
इन गतिशील, आजीवन सीखने वाली प्रणालियों का उद्देश्य मशीन लर्निंग एल्गोरिदम को तेजी से स्केल अप करने और उन्हें विकसित परिवेशों और अप्रत्याशित स्थितियों को संभालने के लिए अनुकूलित करने की दर को बढ़ाना है। अंतिम लक्ष्य इन प्रणालियों को मानवों की सीखने की क्षमताओं को प्रतिबिंबित करने में सक्षम बनाना है।
श्रॉफ और उनकी टीम, जिसमें ओहियो स्टेट पोस्टडॉक्टरल शोधकर्ता सेन लिन और पेइज़होंग जू और प्रोफेसर यिंगबिन लियांग शामिल हैं, ने मानवों की तरह सीखने और अनुकूलन करने में सक्षम बुद्धिमान मशीनों के लिए आधार तैयार किया है। “हमारा काम एक नए युग की घोषणा करता है जिसमें बुद्धिमान मशीनें मानव समकक्षों की तरह सीखने और अनुकूलन करने में सक्षम होंगी,” श्रॉफ कहते हैं, इस अध्ययन के एआई की हमारी समझ पर महत्वपूर्ण प्रभाव पर जोर देते हुए।
