Anderson का एंगल
AI से हिंसा का पहले से अनुमान लगाना

मुख्य बिंदुहिंसा होने से पहले उसकी भविष्यवाणी करना माइनॉरिटी रिपोर्ट की डिस्टोपियन आशंकाओं की…
और देखें
- हिंसा होने से पहले उसकी भविष्यवाणी करना माइनॉरिटी रिपोर्ट की डिस्टोपियन आशंकाओं की प्रतिध्वनि बनने का जोखिम रखता है।
- चेहरे के स्वरूप को ऑडियो और गति संकेतों के साथ मिलाना किसी भी अकेले संकेत से बेहतर प्रदर्शन करता है।
- अध्ययन के सुरक्षात्मक उपायों के बावजूद एक छोटा क्लिप सेट ओवरफिटिंग को एक वास्तविक खतरा बना देता है।
“क्या AI इसे स्वचालित कर सकता है?” जैसे सामान्य शोध प्रश्न का तरीका यह होता है कि जिस विशेषता को अलग पहचानना है, उसके कई उदाहरण दिए जाएँ, फिर देखा जाए कि उस डेटा पर प्रशिक्षित मॉडल क्या ऐसे मिलते-जुलते डेटा में भी वह विशेषता पहचान सकता है जिसे प्रशिक्षण में इस्तेमाल नहीं किया गया था:

कम संभावना वाले अंतिम प्रयास जैसे AI प्रोजेक्ट की रूपरेखा: लेबल वाले उदाहरण प्रशिक्षण और परीक्षण सेट में बाँटे जाते हैं। मॉडल पहले सेट से सीखता है, फिर दूसरे सेट के अनदेखे उदाहरणों पर परखा जाता है। यदि उसने प्रशिक्षण डेटा याद करने के बजाय सचमुच संबंधित विशेषता सीखी है, तो उसे परीक्षण सेट में भी वही पैटर्न पहचानना चाहिए। स्रोत
यह कुछ हद तक आखिरी दाँव जैसा है, क्योंकि ऐसे प्रयोग मानते हैं कि यदि AI डेटासेट को लगातार देखता रहे तो संबंधित विशेषता अंततः डेटा में उभर आएगी, और यह भी कि खोजने के लिए वास्तव में कोई “अंतर्निहित रुझान” मौजूद है। यदि उस विशेषता को हम आसानी से पहचान सकते, तो हमें AI मॉडल की जरूरत ही नहीं होती, या हम उसे केवल नियमित स्वचालन के लिए इस्तेमाल करते।
आम तौर पर ऐसा नहीं होता; ऐसे अधिकतर शोध प्रयास छिपे हुए पैटर्न की अनिश्चित खोज होते हैं, जिन्हें पहचानना केवल मानव क्षमता से कहीं अधिक बार ध्यानपूर्वक निरीक्षण दोहराने से सीखा जा सकता है।
अक्सर पैटर्न पकड़ में नहीं आता, और संभव है कि वह मौजूद ही न हो, क्योंकि कुछ घटनाएँ और गुण पूरी तरह संयोग से घटित हो सकते हैं। या डेटा किसी तरह अपर्याप्त हो, ठीक से चुना और व्यवस्थित न किया गया हो, अथवा प्रशिक्षण कमजोर रहा हो।
आगे की ओर देखना
कुछ मामलों में लक्ष्य इतना वांछनीय होता है—कैंसर का इलाज, परमाणु संलयन, ऊष्मागतिकी के नियमों को पार करना आदि—और “राजनीतिक रूप से आकर्षक” भी, कि शोध साहित्य बार-बार उसी पर लौटता है, यह देखने के लिए कि क्या बेहतर डेटा या तकनीकें कोई विशिष्ट पैटर्न सामने ला सकती हैं।
ऐसा ही एक क्षेत्र सार्वजनिक स्थानों और पुलिस से जुड़े क्षेत्रों के संदर्भ में स्वचालित वीडियो समझ है। उदाहरण के लिए, इस वर्ष एक नए अध्ययन ने आत्महत्या के प्रयासों के वास्तविक वीडियो का इस्तेमाल किया, ताकि किसी व्यक्ति के प्रयास से पहले “ठहरने” के रुझान पहचाने जा सकें और एक ऐसी पूर्वानुमान प्रणाली बनाई जा सके जो सार्वजनिक रेलवे प्लेटफॉर्म पर कूदने से पहले उसके घूमने के विशिष्ट ढंग को पहचान सके:

2026 के शोधपत्र “AI-संचालित वीडियो निगरानी से आत्महत्या जोखिम का आकलन: मेट्रो स्टेशनों में रोकथाम के लिए एक व्याख्यायोग्य रूपरेखा” से दो फ्रेम के पूर्वानुमान। एक में रेल से संबंधित वास्तविक आत्महत्या का प्रयास है, दूसरे में कोई घटना नहीं हुई। प्रत्येक फ्रेम के पास हीटमैप सुरंग के मुहाने के पास व्यक्ति की “ठहरने की प्रवृत्ति” और पिछले आत्महत्या प्रयासों में देखे गए पैटर्न के आधार पर प्लेटफॉर्म के अधिक और कम जोखिम वाले क्षेत्र दर्शाते हैं। स्रोत
इस मामले में ट्रेन के सामने कूदने का विचार कर रहे व्यक्ति के विशिष्ट “ठहरने के पैटर्न” (ऊपर की तस्वीर में सबसे बाएँ और सबसे दाएँ) की एक अलग पहचान दिखाई दी, जिसे स्वचालित निगरानी प्रणालियों में पैटर्न पहचान पर आधारित चेतावनी के लिए इस्तेमाल किया जा सकता था।
इस दिशा में शोध की एक अन्य लोकप्रिय शाखा हिंसा का पता लगाना/पहचानना है। इसमें बिना मानवीय निगरानी के चलने वाले सिस्टम हिंसक कार्रवाई पहचानकर जल्दी से मनुष्यों का ध्यान खींच सकते हैं, और सहायक कार्रवाइयाँ भी शुरू कर सकते हैं—जैसे वीडियो को लंबे समय तक सुरक्षित रखने के लिए चिह्नित करना और सुनिश्चित करना कि रिकॉर्डिंग वास्तव में हो रही है, तथा अन्य उपाय।
IVS की हिंसा पहचान प्रणाली का एक परीक्षण (वास्तविक घटना नहीं)। स्रोत
अलबामा विश्वविद्यालय के नए शोध के अनुसार अब तक के साहित्य ने हिंसा हो रही होने पर उसे पहचानने पर ध्यान दिया है। नए अध्ययन में शोधकर्ताओं ने केवल हिंसक घटना से पहले के वीडियो पर मॉडल प्रशिक्षित किया—सांख्यिकीय संतुलन के लिए ऐसी स्थिति के वीडियो भी, जिसमें कोई घटना नहीं हुई। उद्देश्य यह देखना था कि क्या बार-बार उभरने वाली और सीखने योग्य “हिंसा-पूर्व” विशेषताएँ मौजूद हैं। यहाँ शरीर की गति, चेहरे की स्थिति और ऑडियो का संयोजन लिया गया, जो साथ मिलकर हिंसा हो जाने के बाद प्रतिक्रिया देने के बजाय उसका पूर्वानुमान संकेत दे सकता है।

अध्ययन “क्या हम हिंसा का पूर्वानुमान लगा सकते हैं? घटना-पूर्व व्यवहार संकेतों से बहु-मोडल सीखना” में घटना से पहले के “जोखिमपूर्ण” क्रमों के उदाहरण, लगातार चार फ्रेम में दिखाए गए हैं। प्रणाली समय के साथ शरीर के जोड़ों और गति को ट्रैक करती है तथा मुद्रा, गति और आपसी व्यवहार के पैटर्न में बदलाव खोजती है, जो हिंसा स्वयं दिखाई देने से पहले बिगड़ती स्थितियों में भेद कर सकते हैं। स्रोत
बेशक, ऐसे काम का विकास या क्रियान्वयन होने पर चिंता उत्पन्न होने की संभावना है। जैसा मैंने पहले भी कहा है, टीवी कार्यक्रम Person of Interest और 2002 की विज्ञान-कथा एक्शन फिल्म Minority Report जैसी अनेक काल्पनिक रचनाएँ पुलिस या नियामक अधिकारियों के हाथ में पूर्वानुमान तकनीक होने को लेकर सार्वजनिक भय दर्शाती रही हैं।
फिलहाल शरीर, चेहरे और ऑडियो संकेतों से हिंसक कार्रवाई का अनुमान लगाना—संदर्भ जैसे कारकों, दिन के समय, स्थान या पुराने अपराध आँकड़ों के बजाय—अभी अनिर्णीत प्रश्न है, क्योंकि नए शोधपत्र के लेखकों के अनुसार यह बहुत नई शोध दिशा है।
परीक्षणों में शोधकर्ताओं ने तीन अलग दृश्य बैकबोन का इस्तेमाल करके चेहरे की बाहरी बनावट, ऑडियो और शारीरिक गति के संकेतों की अलग-अलग तथा संयुक्त तुलना की। सबसे अच्छे नतीजे तीनों संकेत जोड़ने पर आए, जिससे संकेत मिलता है कि पूर्वानुमान प्रभाव किसी एक प्रकार के संकेत से नहीं आ रहा था:
“सबसे अच्छा विन्यास, ऑडियो, चेहरे की बनावट और गति वाला Deit-Tiny, अलग रखे परीक्षण सेट पर 91.21% सटीकता, 88.96% संतुलित सटीकता, 93.65% F1-स्कोर और 96.38% ROC-AUC प्राप्त करता है।
“ये नतीजे संकेत देते हैं कि रूप-रंग, ध्वनि और गति-विज्ञान के पूरक संकेत घटना से पहले बढ़े जोखिम को पहचानने के लिए उपयोगी प्रमाण देते हैं।”
दृष्टिकोण
अध्ययन के लिए तैयार डेटासेट XD-Violence संग्रह से लिया गया है और तीन मोड साथ संसाधित करता है: चेहरे की बाहरी बनावट, ऑडियो और मुद्रा के अनुमान से निकाली गई गति:

अध्ययन की प्रसंस्करण प्रक्रिया। प्रत्येक क्लिप पर जोखिम स्तर का लेबल लगाया जाता है, जिसे “कोई जोखिम नहीं” या “जोखिमपूर्ण” में समेटकर प्रशिक्षण, सत्यापन और परीक्षण सेट में बाँटा जाता है। अधिकतम चार सेकंड के वीडियो का तीन शाखाओं से विश्लेषण होता है: फ्रेमों में चेहरे की बनावट, स्पेक्ट्रोग्राम में बदला गया ऑडियो, और ट्रैक किए मुख्य बिंदुओं से निकाली गई शरीर की गति, जैसे चाल की गति और त्वरण। चेहरे, ऑडियो और गति की विशेषताएँ एक प्रतिनिधित्व में जोड़कर अंतिम वर्गीकारक को दी जाती हैं, जो क्लिप के जोखिम रहित या जोखिमपूर्ण होने की संभावना निर्धारित करता है।
तैयार किए गए अंतिम सेट में घटना-पूर्व 443 क्लिप थीं (इस संख्या की चर्चा लेख के अंत में होगी)।
शोधपत्र के अनुसार XD-Violence संग्रह के वीडियो इसलिए चुने गए क्योंकि वे परियोजना द्वारा लक्षित मानव-केंद्रित विश्लेषण के उपयुक्त विषय थे। इसके विपरीत, पहले के कई मिलते-जुलते दृष्टिकोणों ने पूर्वानुमान के संदर्भ के रूप में पूरे दृश्य पर ध्यान दिया था।
इस्तेमाल की गई क्लिप चार सेकंड से अधिक लंबी नहीं थीं और उनका नमूना 8fps पर लिया गया। प्राप्त 32 फ्रेम नमूनों को जोड़ने के लिए आठ अटेंशन हेड वाला एकल-परत Transformer इस्तेमाल हुआ, जबकि सीखे गए स्थान-संबंधी एम्बेडिंग ने फ्रेम का क्रम बनाए रखा। ओवरफिटिंग रोकने के लिए बहु-मोडल प्रशिक्षण के दौरान बैकबोन को स्थिर रखा गया।
“जोखिमपूर्ण” सक्रियण के नमूना सक्रियण मानचित्र (चेहरे की तस्वीरों सहित) लेख में पहले दिए गए हैं; नीचे जोखिम रहित नमूने हैं:

अध्ययन की चेहरा-विश्लेषण शाखा से जोखिम रहित उदाहरण, जो पहले दिखाए जोखिमपूर्ण गति के उदाहरणों के पूरक हैं। बाईं ओर चेहरे का मूल क्रॉप है, जिसके बाद DeiT-Tiny दृश्य मॉडल की क्रमशः गहरी परतों के सक्रियण मानचित्र हैं। गर्म रंग वाले क्षेत्र मजबूत विशेषता प्रतिक्रिया दिखाते हैं, जिससे पता चलता है कि नेटवर्क से गुजरते समय मॉडल का ध्यान कैसे बदलता और अधिक अमूर्त होता है।
मूल क्लिप से निकले ऑडियो की 16kHz पर दोबारा सैंपलिंग की गई तथा सामान्यीकरण और संबंधित दृश्य समय-खंड के साथ संरेखण किया गया। फिर 512-बिंदु अल्पकालिक फूरियर रूपांतरण और 400-नमूने की Hann विंडो से उसे मानकीकृत लघुगणकीय परिमाण स्पेक्ट्रोग्राम में बदला गया:

घटना-पूर्व सामान्य और जोखिमपूर्ण क्लिप के औसत ऑडियो पैटर्न की तुलना। ऊपर की पंक्ति में सामान्य और नीचे जोखिमपूर्ण क्लिप हैं; क्रम मूल तरंगरूप और स्पेक्ट्रोग्राम से शुरू होकर नेटवर्क की तीन लगातार गहराइयों पर सीखी विशेषताओं तक जाता है। जोखिमपूर्ण क्लिप में समय के साथ अधिक बदलाव है, जिसमें चार सेकंड के समय-खंड के अंत की ओर ध्वनि गतिविधि बढ़ना शामिल है। नेटवर्क इन अंतरों को धीरे-धीरे उच्च स्तर की विशेषताओं में बदलता है।
गति वाले घटक में, YOLO मुद्रा अनुमानक द्वारा पहचाने गए COCO-17 मुख्य बिंदुओं से निकले संख्यात्मक विवरणों के समूह में शरीर की गति को बदला गया।
बारह माप निकाले गए, जिनमें औसत गति और अधिकतम गति, त्वरण और त्वरण परिवर्तन दर, गति में बदलाव, कलाई और टखने की गति तथा कुल गति ऊर्जा शामिल हैं। शरीर के आकार के अनुसार इनका सामान्यीकरण हुआ, ताकि बड़े शरीर वाले लोग अपने-आप अधिक हिलते हुए दर्ज न हों। एक ही क्लिप के कई लोगों के माप भी जोड़े गए।
प्रशिक्षण डेटा के आधार पर मानकीकरण के बाद गति विशेषताओं को 64-आयामी प्रतिनिधित्व में फैलाकर समय-संबंधी Transformer से गुजारा गया, जिससे क्लिप भर में गति के बदलाव को अलग-अलग फ्रेम के बजाय एक क्रम माना जा सके।
फिर तीनों धाराएँ एक प्रतिनिधित्व में मिलाई गईं, जिसमें चेहरे की बनावट का सबसे बड़ा हिस्सा था, उसके बाद ऑडियो और गति। सामान्यीकरण और ड्रॉपआउट के बाद अंतिम वर्गीकारक ने संयुक्त प्रतिनिधित्व को “सामान्य” और “जोखिमपूर्ण” की संभावनाओं में बदला, और सीमा 0.5 रखी।
चेहरे की बनावट वाली धारा के लिए ImageNet पर पहले से प्रशिक्षित तीन बैकबोन इस्तेमाल हुए: Swin-Tiny, ViT-Tiny और DeiT-Tiny।
परीक्षण
परीक्षण के लिए दिखाई देने वाले व्यवहार, गति और ऑडियो के आधार पर क्लिप को हाथ से चार में से एक लेबल दिया गया: कोई जोखिम नहीं, कम जोखिम, मध्यम जोखिम या उच्च जोखिम। अंतिम द्विआधारी कार्य में तीन जोखिम श्रेणियाँ मिलाकर “जोखिमपूर्ण” बनाई गईं, जबकि कोई जोखिम नहीं को “सामान्य” माना गया। प्रशिक्षण और मूल्यांकन के बीच जानकारी रिसने की संभावना घटाने के लिए एक ही मूल वीडियो से ली गई क्लिप एक ही डेटासेट विभाजन में रखी गईं।
हर जोखिमपूर्ण क्लिप से हिंसक घटना स्वयं हटा दी गई, और मॉडल के निर्णय के लिए केवल उससे पहले का व्यवहार छोड़ा गया:

परीक्षण सेट के नतीजे दिखाते हैं कि तीन दृश्य बैकबोन पर चेहरे की बनावट, ऑडियो और गति अलग-अलग या साथ इस्तेमाल करने पर प्रदर्शन कैसे बदलता है। घटक हटाकर किए गए प्रयोग प्रत्येक इनपुट धारा का योगदान अलग करते हैं। ऊँचा स्कोर बेहतर प्रदर्शन है, और मोटे अक्षरों वाले मान प्रत्येक माप का सर्वोत्तम परिणाम हैं।
जैसा बताया गया, सबसे अच्छा समग्र नतीजा तीनों मोड संयुक्त वाले DeiT-Tiny से आया। घटक हटाने वाले प्रयोग प्रत्येक धारा का योगदान स्पष्ट करते हैं: चेहरे की बनावट अकेले ही मजबूत पूर्वानुमानक थी, गति का प्रदर्शन मध्यम था और केवल ऑडियो काफी कमजोर था।
चेहरे, ऑडियो और गति की जानकारी जोड़ने पर सर्वोत्तम नतीजे मिले, जो दर्शाता है कि कमजोर धाराओं ने भी दृश्य संकेत में उपयोगी पूरक जानकारी जोड़ी।
मॉडल ने केवल “सामान्य” और “जोखिमपूर्ण” में भेद करना सीखा था, फिर भी उसके आउटपुट की तुलना मूल चार-स्तरीय लेबल से की गई: कोई जोखिम नहीं, कम जोखिम, मध्यम जोखिम और उच्च जोखिम। नीचे दिखाए अनुसार, प्रशिक्षण, सत्यापन और परीक्षण सेट में पूर्वानुमानित जोखिम मोटे तौर पर इन श्रेणियों के साथ बढ़ता है:

मूल चार जोखिम श्रेणियों के पूर्वानुमानित जोखिम स्कोर। मॉडल ने केवल सामान्य और जोखिमपूर्ण क्लिप अलग करना सीखा था, फिर भी प्रशिक्षण, सत्यापन और परीक्षण सेट में स्कोर आम तौर पर कोई जोखिम नहीं से उच्च जोखिम तक बढ़ते हैं। टूटी रेखा 0.50 की निर्णय सीमा दिखाती है।
लेखक टिप्पणी करते हैं:
“यह परिणाम महत्वपूर्ण है क्योंकि मॉडल को कभी स्पष्ट रूप से कम, मध्यम और उच्च जोखिम अलग करने का प्रशिक्षण नहीं दिया गया। फिर भी उसके पूर्वानुमान मूल जोखिम स्तरों की बढ़त का अनुसरण करते हैं।
“इससे संकेत मिलता है कि मॉडल घटना-पूर्व व्यवहार में सार्थक बदलाव पकड़ रहा है, न कि केवल सामान्य और जोखिमपूर्ण के बीच सरल सीमा सीख रहा है। यह परिणाम इस बात का प्रमाण भी देता है कि चिह्नित घटना शुरू होने से पहले उपयोगी व्यवहार संकेत दिखाई दे सकते हैं।”
और वे निष्कर्ष देते हैं:
“इन निष्कर्षों से संकेत मिलता है कि घटना से पहले की अवधि में उपयोगी भेदकारी जानकारी मौजूद हो सकती है। यह हिंसा विश्लेषण को घटना चलने के समय की पहचान से आगे बढ़ाकर पहले जोखिम पहचानने की संभावना उजागर करता है।”
निष्कर्ष
क्या शोधकर्ताओं ने सच में “हिंसा-पूर्व” गुणों का संयोजन खोजा? प्रयोगों में केवल 443 क्लिप होने से ओवरफिटिंग का उल्लेखनीय जोखिम है, और बहु-मोडल मॉडल तथा पहले से प्रशिक्षित दृश्य बैकबोन खासकर इसके प्रति संवेदनशील हैं। अध्ययन ने दृश्य बैकबोन स्थिर रखकर, मूल वीडियो को प्रशिक्षण/सत्यापन/परीक्षण विभाजनों में अलग रखकर, और कई मोड संयोजन जाँचकर जोखिम आंशिक रूप से घटाया।
छोटे डेटासेट पर मजबूत प्रदर्शन यह साबित नहीं करता कि अंतर्निहित पैटर्न स्पष्ट है या मौजूद भी है। यह डेटासेट-विशिष्ट संकेत, लेबल लगाने का पक्षपात, विभाजन से न पकड़ा गया स्रोत-आधारित रिसाव, या असामान्य रूप से आसान परीक्षण सेट भी दर्शा सकता है।
लेकिन फिलहाल परिणाम दिलचस्प ठीक इसलिए है कि डेटासेट इतना छोटा है और ओवरफिटिंग से पर्याप्त बचाव हुआ प्रतीत होता है। फिर भी, सीखे गए पैटर्न को “मजबूत” मानने से पहले बड़े डेटासेट पर निष्कर्ष दोहराने होंगे।
पहली बार प्रकाशित: गुरुवार, 1 अक्टूबर 2026












