सीसीसी ने इस वर्ष के एएएएस वार्षिक सम्मेलन में तीन वैज्ञानिक सत्रों का समर्थन किया, और यदि आप व्यक्तिगत रूप से भाग लेने में सक्षम नहीं थे, तो हम प्रत्येक सत्र का पुनर्कथन करेंगे। इस सप्ताह, हम सत्र की मुख्य बातों का सारांश देंगे, “विज्ञान में जनरेटिव एआई: वादे और नुकसान।” भाग एक में, हम डॉ. रेबेका विलेट के परिचय और प्रस्तुति का सारांश देंगे।
सीसीसी की 2024 वार्षिक बैठक का पहला एएएएस पैनल सम्मेलन के दूसरे दिन शुक्रवार, 16 फरवरी को हुआ। पैनल का संचालन सीसीसी के स्वयं द्वारा किया गया डॉ. मैथ्यू तुर्कशिकागो में टोयोटा टेक्नोलॉजिकल इंस्टीट्यूट के अध्यक्ष, उन विशेषज्ञों से बने थे जो विभिन्न वैज्ञानिक क्षेत्रों में कृत्रिम बुद्धिमत्ता को लागू करते हैं। डॉ. रेबेका विलेटशिकागो विश्वविद्यालय में सांख्यिकी और कंप्यूटर विज्ञान के प्रोफेसर, ने अपनी प्रस्तुति इस बात पर केंद्रित की कि विज्ञान में जेनरेटिव मॉडल का उपयोग कैसे किया जा सकता है और ऑफ-द-शेल्फ मॉडल वैज्ञानिक अनुसंधान में लागू करने के लिए पर्याप्त क्यों नहीं हैं। डॉ. मार्कस ब्यूहलरमैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी में इंजीनियरिंग के प्रोफेसर, ने सामग्री विज्ञान पर लागू जेनेरिक मॉडल के बारे में बात की, और डॉ. डंकन वॉटसन-पैरिस, यूसी सैन डिएगो में स्क्रिप्स इंस्टीट्यूशन ऑफ ओशनोग्राफी और हेलिकियोग्लु डेटा साइंस इंस्टीट्यूट में सहायक प्रोफेसर, चर्चा की गई कि जलवायु विज्ञान के अध्ययन में जेनेरिक मॉडल का उपयोग कैसे किया जा सकता है।
कंप्यूटर विज़न और मानव-कंप्यूटर इंटरैक्शन के विशेषज्ञ डॉ. तुर्क ने जेनरेटिव एआई को सभी एआई से अलग करके पैनल की शुरुआत की। "जेनरेटिव एआई अनुप्रयोगों के मूल में गहरे तंत्रिका नेटवर्क से बने जेनरेटर मॉडल हैं जो अपने विशाल प्रशिक्षण डेटा की संरचना सीखते हैं और फिर उन्होंने जो सीखा है उसके आधार पर नया डेटा उत्पन्न करते हैं।"
डॉ. तुर्क ने जनरेटिव सिस्टम के साथ लोकप्रिय चिंताओं को भी रेखांकित किया, दोनों ही सिस्टम की विफलताओं के कारण, जैसे कि वे जो गैर-मौजूद कानूनी विवरण उद्धृत करते हैं, और बुरे कलाकारों द्वारा नकली सामग्री उत्पन्न करने के लिए उनके उपयोग के कारण भी, जैसे कि नकली ऑडियो या राजनेताओं या मशहूर हस्तियों के वीडियो.
"विशेष रूप से," डॉ. तुर्क ने कहा, "यह सत्र विज्ञान में जेनरेटिव एआई के उपयोग पर ध्यान केंद्रित करेगा, विज्ञान की खोज में एक परिवर्तनकारी शक्ति के रूप में और व्यवधान के संभावित जोखिम के रूप में भी।"
डॉ. रेबेका विलेट ने अपनी प्रस्तुति की शुरुआत यह बताते हुए की कि वैज्ञानिक खोज प्रक्रिया का समर्थन करने के लिए जेनेरिक एआई का लाभ कैसे उठाया जा सकता है। उन्होंने सबसे पहले इस बात पर ध्यान केंद्रित किया कि जेनेरिक मॉडल कैसे काम करते हैं। डॉ. विलेट की स्लाइड्स से नीचे दी गई छवि दर्शाती है कि चैटजीपीटी जैसा एक भाषा मॉडल, शब्दों के पिछले सेट को देखते हुए किसी शब्द के घटित होने की संभावना का मूल्यांकन कैसे करता है, और कैसे एक छवि निर्माण मॉडल, जैसे DALL-E 2, एक छवि उत्पन्न करता है प्रशिक्षण के दौरान अरबों छवियों से सीखे गए संभाव्यता वितरण का उपयोग करके दिए गए संकेत से।
"संभाव्यता वितरण के इस सिद्धांत का उपयोग करते हुए, जो सभी उत्पादक मॉडलों को रेखांकित करता है, इन मॉडलों को विज्ञान में चंद्रमा के विचारों पर लागू किया जा सकता है, जैसे कि वर्तमान जलवायु और संभावित नीतियों को देखते हुए संभावित जलवायु परिदृश्य उत्पन्न करना, या लक्षित कार्यक्षमता के साथ नए माइक्रोबायोम उत्पन्न करना, जैसे जो प्लास्टिक को तोड़ने में विशेष रूप से प्रभावशाली है”, डॉ. विलेट कहते हैं।
हालाँकि, वैज्ञानिक अनुसंधान के लिए चैटजीपीटी या DALL-E 2 जैसे ऑफ-द-शेल्फ जेनरेटर टूल का उपयोग करना पर्याप्त नहीं है। ये उपकरण उस संदर्भ से बहुत अलग सेटिंग में बनाए गए थे जिसमें वैज्ञानिक काम करते हैं। ऑफ-द-शेल्फ जेनरेटिव मॉडल और वैज्ञानिक मॉडल के बीच एक स्पष्ट अंतर डेटा है। विज्ञान में, अक्सर परिकल्पनाओं को आधार बनाने के लिए बहुत कम डेटा होता है। वैज्ञानिक डेटा आम तौर पर सिमुलेशन और प्रयोगों से आता है, जो अक्सर महंगे और समय लेने वाले होते हैं। इन सीमाओं के कारण, वैज्ञानिकों को सावधानीपूर्वक चयन करना होगा कि कौन से प्रयोग चलाने हैं और इन प्रणालियों की दक्षता और उपयोगिता को अधिकतम कैसे करना है। इसके विपरीत, ऑफ-द-शेल्फ मॉडल, जिस डेटा पर वे काम कर सकते हैं उसे अधिकतम करने की प्राथमिकता में इस बात को बहुत कम महत्व देते हैं कि डेटा कहाँ से आता है। विज्ञान में, डेटासेट और उनकी उत्पत्ति की सटीकता अविश्वसनीय रूप से महत्वपूर्ण है, क्योंकि वैज्ञानिकों को मजबूत अनुभवजन्य साक्ष्य के साथ अपने शोध को उचित ठहराने की आवश्यकता है।
डॉ. विलेट कहते हैं, "इसके अतिरिक्त, विज्ञान में, हमारे लक्ष्य केवल उन चीज़ों का उत्पादन करने से भिन्न हैं जो प्रशंसनीय हैं।" "हमें यह समझना चाहिए कि हमने अब तक जो देखा है उसकी सीमा से बाहर चीजें किस तरह काम करती हैं।" यह दृष्टिकोण जेनरेटिव एआई मॉडल के विपरीत है जो डेटा को संभावित अवलोकनों की पूरी श्रृंखला के प्रतिनिधि के रूप में मानता है। जेनेरिक एआई में भौतिक मॉडल और बाधाओं को शामिल करने से यह सुनिश्चित करने में मदद मिलती है कि यह भौतिक घटनाओं का बेहतर प्रतिनिधित्व करेगा।
वैज्ञानिक मॉडल दुर्लभ घटनाओं को पकड़ने में भी सक्षम होने चाहिए। “जब हम चैटजीपीटी का प्रशिक्षण ले रहे होते हैं तो हम कई दुर्लभ घटनाओं को सुरक्षित रूप से अनदेखा कर सकते हैं, लेकिन इसके विपरीत, दुर्लभ घटनाएं अक्सर विज्ञान के संदर्भ में हम सबसे अधिक ध्यान रखते हैं, जैसे कि एक जलवायु मॉडल में जो दुर्लभ मौसम की घटनाओं की भविष्यवाणी करता है। यदि हम एक जेनरेटिव मॉडल का उपयोग करते हैं जो दुर्लभ घटनाओं से बचता है और, उदाहरण के लिए, कभी भी तूफान की भविष्यवाणी नहीं करता है, तो यह मॉडल व्यवहार में बहुत उपयोगी नहीं होगा।
एक संबंधित चुनौती अराजक प्रक्रियाओं के लिए जेनरेटिव एआई मॉडल विकसित करना है, जो प्रारंभिक स्थितियों के प्रति संवेदनशील हैं। डॉ. विलेट ने नीचे वीडियो प्रदर्शित किया, जिसमें लॉरेंज 63 समीकरणों के अनुसार दो कणों को अंतरिक्ष में घूमते हुए दिखाया गया है। ये समीकरण नियतात्मक हैं, यादृच्छिक नहीं हैं, लेकिन दो अलग-अलग शुरुआती स्थानों को देखते हुए, आप देख सकते हैं कि किसी भी समय दोनों कण बहुत अलग स्थानों पर हो सकते हैं। जलवायु विज्ञान, अशांति और नेटवर्क गतिशीलता में उत्पन्न होने वाली ऐसी प्रक्रियाओं के सटीक पाठ्यक्रम की भविष्यवाणी करने वाले जेनरेटिव एआई मॉडल विकसित करना मौलिक रूप से कठिन है, लेकिन जेनेरेटिव मॉडलिंग के लिए नए दृष्टिकोण यह सुनिश्चित कर सकते हैं कि जेनरेट की गई प्रक्रियाएं वास्तविक वैज्ञानिक डेटा के साथ प्रमुख सांख्यिकीय विशेषताओं को साझा करती हैं।
[एम्बेडेड सामग्री]
अंत में, डॉ. विलेट ने इस तथ्य को संबोधित किया कि वैज्ञानिक डेटा अक्सर स्थानिक और लौकिक पैमानों की एक विशाल श्रृंखला तक फैला होता है। उदाहरण के लिए, सामग्री विज्ञान में, शोधकर्ता मोनोमर्स के लिए नैनोमीटर पैमाने पर बड़े पैमाने की प्रणाली, जैसे कि पूरे हवाई जहाज तक सामग्री का अध्ययन करते हैं। "पैमाने की वह सीमा ऑफ-द-शेल्फ मॉडल में उपयोग किए गए डेटा से बहुत अलग है, और हमें इस बात पर विचार करने की आवश्यकता है कि हम इन जेनरेटिव मॉडल को इस तरह से कैसे बना रहे हैं जो स्केल के बीच इन इंटरैक्शन को सटीक रूप से प्रभावित करता है"।
डॉ. विलेट कहते हैं, "जेनरेटिव मॉडल विज्ञान का भविष्य हैं", लेकिन यह सुनिश्चित करने के लिए कि उनका प्रभावी ढंग से उपयोग किया जाए, हमें एआई में मौलिक प्रगति करने और डेटा को चैटजीपीटी में प्लग करने से आगे जाने की जरूरत है।
पढ़ने के लिए आपका बहुत-बहुत धन्यवाद, और मैकेनोबायोलॉजी में जेनरेटिव एआई पर डॉ. मार्कस ब्यूहलर की प्रस्तुति का पुनर्कथन पढ़ने के लिए कृपया कल आएं।
- 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://feeds.feedblitz.com/~/873922907/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-Part-One/
