बच्चे प्राकृतिक वैज्ञानिक हैं। वे दुनिया का निरीक्षण करते हैं, परिकल्पनाएँ बनाते हैं और उनका परीक्षण करते हैं। आख़िरकार, वे अपने (कभी-कभी अत्यंत प्रफुल्लित करने वाले) तर्क को समझाना सीख जाते हैं।
ऐ, इतना नहीं. इसमें कोई संदेह नहीं है कि गहन शिक्षा - मस्तिष्क पर आधारित एक प्रकार की मशीन लर्निंग - नाटकीय रूप से प्रौद्योगिकी को बदल रही है। चरम मौसम के पैटर्न की भविष्यवाणी करने से लेकर नई दवाएं डिजाइन करने या घातक कैंसर का निदान करने तक, एआई को तेजी से एकीकृत किया जा रहा है विज्ञान की सीमाएँ.
लेकिन गहन शिक्षण में एक बड़ी खामी है: एल्गोरिदम अपने उत्तरों को उचित नहीं ठहरा सकते। अक्सर "ब्लैक बॉक्स" समस्या कहा जाता है, यह अपारदर्शिता उच्च जोखिम वाली स्थितियों, जैसे चिकित्सा में, उनके उपयोग को बाधित करती है। जीवन बदल देने वाली बीमारी का पता चलने पर मरीज़ स्पष्टीकरण चाहते हैं। अभी के लिए, गहन शिक्षण-आधारित एल्गोरिदम - भले ही उनमें उच्च नैदानिक सटीकता हो - वह जानकारी प्रदान नहीं कर सकते हैं।
ब्लैक बॉक्स को खोलने के लिए, टेक्सास यूनिवर्सिटी साउथवेस्टर्न मेडिकल सेंटर की एक टीम ने प्रेरणा के लिए मानव मस्तिष्क का उपयोग किया। में एक खोज in प्रकृति कम्प्यूटेशनल विज्ञान, उन्होंने मस्तिष्क नेटवर्क के अध्ययन के सिद्धांतों को एक अधिक पारंपरिक एआई दृष्टिकोण के साथ जोड़ा जो समझाने योग्य बिल्डिंग ब्लॉक्स पर निर्भर करता है।
परिणामी AI कुछ हद तक एक बच्चे की तरह कार्य करता है। यह विभिन्न प्रकार की सूचनाओं को "हब" में संघनित करता है। फिर प्रत्येक हब को मनुष्यों के पढ़ने के लिए कोडिंग दिशानिर्देशों में लिखा जाता है - प्रोग्रामर के लिए क्लिफनोट्स जो सादे अंग्रेजी में डेटा में पाए गए पैटर्न के बारे में एल्गोरिदम के निष्कर्षों की व्याख्या करते हैं। यह आज़माने के लिए पूरी तरह से निष्पादन योग्य प्रोग्रामिंग कोड भी उत्पन्न कर सकता है।
जिसे "डीप डिस्टिलिंग" कहा जाता है, एआई कठिन गणित समस्याओं और छवि पहचान जैसे विभिन्न कार्यों में चुनौती मिलने पर एक वैज्ञानिक की तरह काम करता है। डेटा के माध्यम से खोजबीन करके, एआई इसे चरण-दर-चरण एल्गोरिदम में वितरित करता है जो मानव-डिज़ाइन किए गए एल्गोरिदम से बेहतर प्रदर्शन कर सकता है।
"गहरा आसवन मानव विशेषज्ञता के पूरक सामान्यीकृत सिद्धांतों की खोज करने में सक्षम है," लिखा था टीम अपने पेपर में.
कागज जैसा पतला
वास्तविक दुनिया में एआई कभी-कभी गलतियां कर देता है। रोबोटैक्सिस लें. पिछले साल, कुछ लोग बार-बार सैन फ़्रांसिस्को के पड़ोस में फंस गए - स्थानीय लोगों के लिए परेशानी का सबब बन गए, लेकिन फिर भी उन्हें हंसी आ गई। अधिक गंभीरता से, स्व-चालित वाहनों ने यातायात और एम्बुलेंस को अवरुद्ध कर दिया और, एक मामले में, एक पैदल यात्री को गंभीर रूप से नुकसान पहुँचाया।
स्वास्थ्य सेवा और वैज्ञानिक अनुसंधान में भी खतरे अधिक हो सकते हैं।
जब इन उच्च जोखिम वाले डोमेन की बात आती है, तो एल्गोरिदम को "त्रुटि के लिए कम सहनशीलता की आवश्यकता होती है," अमेरिकन यूनिवर्सिटी ऑफ बेरूत के डॉ. जोसेफ बकरजी, जो अध्ययन में शामिल नहीं थे, कहते हैं। लिखा था काम के बारे में एक सहयोगी अंश में।
अधिकांश गहन शिक्षण एल्गोरिदम के लिए बाधा उनकी व्याख्याहीनता है। वे बहुस्तरीय नेटवर्क के रूप में संरचित हैं। ढेर सारी कच्ची जानकारी लेकर और अनगिनत दौर की प्रतिक्रिया प्राप्त करके, नेटवर्क अंततः सटीक उत्तर देने के लिए अपने कनेक्शन को समायोजित करता है।
यह प्रक्रिया गहन शिक्षण के केंद्र में है। लेकिन यह तब संघर्ष करता है जब पर्याप्त डेटा न हो या कार्य बहुत जटिल हो।
2021 में वापस, टीम एक एआई विकसित किया जिसने एक अलग दृष्टिकोण अपनाया। "प्रतीकात्मक" तर्क कहा जाता है, तंत्रिका नेटवर्क डेटा का अवलोकन करके स्पष्ट नियमों और अनुभवों को एन्कोड करता है।
गहन शिक्षा की तुलना में, लोगों के लिए प्रतीकात्मक मॉडल की व्याख्या करना आसान होता है। एआई को लेगो ब्लॉक के एक सेट के रूप में सोचें, प्रत्येक एक वस्तु या अवधारणा का प्रतिनिधित्व करता है। वे रचनात्मक तरीकों से एक साथ फिट हो सकते हैं, लेकिन कनेक्शन नियमों के स्पष्ट सेट का पालन करते हैं।
अपने आप में, AI शक्तिशाली लेकिन भंगुर है। बिल्डिंग ब्लॉक्स खोजने के लिए यह पिछले ज्ञान पर बहुत अधिक निर्भर करता है। जब पूर्व अनुभव के बिना किसी नई स्थिति से चुनौती मिलती है, तो वह लीक से हटकर नहीं सोच पाता-और वह टूट जाता है।
यहीं पर तंत्रिका विज्ञान आता है। टीम कनेक्टोम्स से प्रेरित थी, जो कि विभिन्न मस्तिष्क क्षेत्रों के एक साथ काम करने के मॉडल हैं। इस कनेक्टिविटी को प्रतीकात्मक तर्क के साथ जोड़कर, उन्होंने एक एआई बनाया जिसकी नींव ठोस, समझाने योग्य है, लेकिन नई समस्याओं का सामना करने पर लचीले ढंग से अनुकूलन भी कर सकती है।
कई परीक्षणों में, "न्यूरोकॉग्निटिव" मॉडल ने उन कार्यों पर अन्य गहरे तंत्रिका नेटवर्क को हराया, जिनके लिए तर्क की आवश्यकता थी।
लेकिन क्या इसे समझाने के लिए डेटा और इंजीनियर एल्गोरिदम का कोई मतलब निकाला जा सकता है?
एक मानवीय स्पर्श
वैज्ञानिक खोज के सबसे कठिन हिस्सों में से एक शोर डेटा का अवलोकन करना और निष्कर्ष निकालना है। यह प्रक्रिया नई सामग्रियों और दवाओं, जीव विज्ञान की गहरी समझ और हमारी भौतिक दुनिया के बारे में अंतर्दृष्टि की ओर ले जाती है। अक्सर, यह एक दोहराव वाली प्रक्रिया है जिसमें वर्षों लग जाते हैं।
एआई चीजों को गति देने में सक्षम हो सकता है और संभावित रूप से उन पैटर्न को ढूंढ सकता है जो मानव दिमाग से बच गए हैं। उदाहरण के लिए, प्रोटीन संरचनाओं की भविष्यवाणी में गहन शिक्षा विशेष रूप से उपयोगी रही है, लेकिन उन संरचनाओं की भविष्यवाणी करने के इसके तर्क को समझना मुश्किल है।
"क्या हम ऐसे शिक्षण एल्गोरिदम डिज़ाइन कर सकते हैं जो अवलोकनों को सरल, व्यापक नियमों में बदल दें जैसा कि मनुष्य आमतौर पर करते हैं?" बकरजी ने लिखा.
नए अध्ययन ने टीम के मौजूदा न्यूरोकॉग्निटिव मॉडल को लिया और इसे एक अतिरिक्त प्रतिभा दी: कोड लिखने की क्षमता।
डीप डिस्टिलिंग कहा जाता है, एआई समान अवधारणाओं को एक साथ समूहित करता है, जिसमें प्रत्येक कृत्रिम न्यूरॉन एक विशिष्ट अवधारणा और दूसरों के साथ उसके संबंध को एन्कोड करता है। उदाहरण के लिए, एक न्यूरॉन एक बिल्ली की अवधारणा को सीख सकता है और जान सकता है कि यह कुत्ते से अलग है। एक अन्य प्रकार परिवर्तनशीलता को संभालता है जब एक नई तस्वीर के साथ चुनौती दी जाती है - मान लीजिए, एक बाघ - यह निर्धारित करने के लिए कि क्या यह बिल्ली या कुत्ते की तरह है।
फिर इन कृत्रिम न्यूरॉन्स को एक पदानुक्रम में व्यवस्थित किया जाता है। प्रत्येक परत के साथ, सिस्टम तेजी से अवधारणाओं को अलग करता है और अंततः एक समाधान ढूंढता है।
जितना संभव हो उतना डेटा उपलब्ध कराने के बजाय, प्रशिक्षण चरण-दर-चरण है - लगभग एक बच्चे को पढ़ाने जैसा। इससे एआई के तर्क का मूल्यांकन करना संभव हो जाता है क्योंकि यह धीरे-धीरे नई समस्याओं का समाधान करता है।
बकरजी ने बताया कि मानक तंत्रिका नेटवर्क प्रशिक्षण की तुलना में, स्व-व्याख्यात्मक पहलू एआई में बनाया गया है।
एक परीक्षण में, टीम ने एक क्लासिक वीडियो गेम-कॉनवे के गेम ऑफ लाइफ के साथ एआई को चुनौती दी। पहली बार 1970 के दशक में विकसित किया गया यह गेम एक डिजिटल सेल को नियमों के एक विशिष्ट सेट के अनुसार विभिन्न पैटर्न में विकसित करने के बारे में है (इसे स्वयं आज़माएं) यहाँ उत्पन्न करें). सिम्युलेटेड गेम-प्ले डेटा पर प्रशिक्षित, एआई संभावित परिणामों की भविष्यवाणी करने और अपने तर्क को मानव-पठनीय दिशानिर्देशों या कंप्यूटर प्रोग्रामिंग कोड में बदलने में सक्षम था।
एआई ने कई अन्य कार्यों में भी अच्छा काम किया, जैसे छवियों में रेखाओं का पता लगाना और कठिन गणित समस्याओं को हल करना। कुछ मामलों में, इसने रचनात्मक कंप्यूटर कोड उत्पन्न किया जो स्थापित तरीकों से बेहतर प्रदर्शन करता था - और यह समझाने में सक्षम था कि क्यों।
गहन आसवन भौतिक और जैविक विज्ञान को बढ़ावा दे सकता है, जहां सरल हिस्से बेहद जटिल प्रणालियों को जन्म देते हैं। विधि के लिए एक संभावित अनुप्रयोग डीएनए कार्यों को डिकोड करने वाले शोधकर्ताओं के लिए सह-वैज्ञानिक के रूप में है। हमारा अधिकांश डीएनए "डार्क मैटर" है, इसमें हम नहीं जानते कि इसकी क्या भूमिका है। एक व्याख्या योग्य एआई संभावित रूप से आनुवंशिक अनुक्रमों को नष्ट कर सकता है और आनुवंशिकीविदों को दुर्लभ उत्परिवर्तन की पहचान करने में मदद कर सकता है जो विनाशकारी विरासत में मिली बीमारियों का कारण बनते हैं।
अनुसंधान के अलावा, टीम मजबूत एआई-मानव सहयोग की संभावना से उत्साहित है।
"न्यूरोसिम्बोलिक दृष्टिकोण संभावित रूप से अधिक मानव-जैसी मशीन सीखने की क्षमताओं की अनुमति मिल सकती है, ”टीम ने लिखा।
बकरजी सहमत हैं। नया अध्ययन "तकनीकी प्रगति से परे, नैतिक और सामाजिक चुनौतियों पर आधारित है जिनका हम आज सामना कर रहे हैं।" व्याख्यात्मकता एक रेलिंग के रूप में काम कर सकती है, जिससे एआई सिस्टम को प्रशिक्षित होने पर मानवीय मूल्यों के साथ तालमेल बिठाने में मदद मिलेगी। चिकित्सा देखभाल जैसे उच्च जोखिम वाले अनुप्रयोगों के लिए, यह विश्वास पैदा कर सकता है।
अभी के लिए, एल्गोरिदम उन समस्याओं को हल करते समय सबसे अच्छा काम करता है जिन्हें अवधारणाओं में विभाजित किया जा सकता है। यह वीडियो स्ट्रीम जैसे निरंतर डेटा से निपट नहीं सकता है।
बकरजी ने लिखा, यह गहन आसवन का अगला चरण है। यह "वैज्ञानिक कंप्यूटिंग और सैद्धांतिक अनुसंधान में नई संभावनाएं खोलेगा।"
छवि क्रेडिट: 7एवी 7एवी / Unsplash
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://singularityhub.com/2024/02/22/like-a-child-this-brain-inspired-ai-can-explain-its-reasoning/
