😓 💡 👹 MIT के शोधकर्ता तंत्रिका नेटवर्क को तर्क करना सिखाते हैं 🕐 👨‍👩‍👦 🎯

हाल ही में, तंत्रिका नेटवर्क ने कई अनुप्रयोगों में खुद को उत्कृष्ट रूप से दिखाया है। वे उन आंकड़ों में पैटर्न की तलाश करते थे जो वर्गीकरण और पूर्वानुमान के लिए उपयोग किए जाते थे। डिजिटल चित्रों में स्पष्ट रूप से पहचाने जाने वाले ऑब्जेक्ट्स के साथ तंत्रिका नेटवर्क या, पाठ का एक अंश "पढ़ने" के लिए, इसके विषय को संक्षेप में प्रस्तुत करता है। हालांकि, कोई भी यह नहीं बता सकता है कि इनपुट डेटा एक या दूसरे समाधान को प्राप्त करने के लिए किन परिवर्तनों से गुजरा। यहां तक कि नेटवर्क के लेखक इनपुट डेटा और आउटपुट जानकारी के मालिक हैं। और अगर हम दृश्य डेटा पर विचार करते हैं, तो कभी-कभी प्रयोगों को स्वचालित करना भी संभव है, यह पता लगाने के लिए कि तंत्रिका नेटवर्क के कौन से घटक छवियों का जवाब देते हैं। और वर्ड प्रोसेसिंग सिस्टम के साथ, प्रक्रिया अधिक जटिल है। एक मशीन के साथ मानव भाषा को समझने में क्या कठिनाई है, आप नीचे पढ़ सकते हैं।

मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के CSAIL लेबोरेटरी फॉर इंफॉर्मेटिक्स एंड आर्टिफिशियल इंटेलिजेंस में, तंत्रिका नेटवर्क शोधकर्ताओं ने "आभासी मस्तिष्क" बना दिया है जो अब समाधान के अलावा इसका औचित्य प्रदान करता है। उन्होंने एक ही समय में एक तंत्रिका नेटवर्क के दो मॉड्यूल को प्रशिक्षित किया। प्रशिक्षण के लिए डेटा पाठ अंश थे। परिणाम प्रसन्न हुए: कंप्यूटर ने 95% मामलों में एक व्यक्ति की तरह सोचा। और फिर भी, सक्रिय उपयोग में तंत्रिका नेटवर्क की एक नई विधि शुरू करने से पहले, अतिरिक्त कॉन्फ़िगरेशन और शोधन की आवश्यकता होगी।

पाठ की तुलना में चित्रों को संसाधित करना आसान क्यों है? क्या मानव रहित वाहनों को स्वतंत्र रूप से चलाना संभव होगा, क्या एक जीवित चिकित्सक को एक प्रोग्रामिंग इंटेलिजेंस के साथ बदलना संभव है, जिसके अंदर अनगिनत संख्या में न्यूरॉन्स हैं? क्या यह हमें वास्तविक जीवन में सचेत मशीनों के करीब लाता है? तंत्रिका नेटवर्क के कंप्यूटर मॉडल मानव मस्तिष्क के समान व्यवहार करते हैं, लेकिन अभी तक उन्हें निर्णय लेने की अनुमति नहीं दी गई है जो लोगों के जीवन को प्रभावित करते हैं। इसे बदलने के लिए, विशेषज्ञों को समय की आवश्यकता है और अब हम यह पता लगा सकते हैं कि तंत्रिका नेटवर्क अंतिम मूल्यों पर कैसे आता है।

कभी-कभी वास्तविक अनुप्रयोगों की दुनिया में, लोग जानना चाहते हैं कि मशीन ने सिर्फ इतनी भविष्यवाणी क्यों की, और कोई अन्य नहीं। डॉक्टरों ने एआई के फैसलों पर भरोसा नहीं करने का मुख्य कारण निर्णय लेने की प्रक्रिया के बारे में जानकारी की कमी है। यह अन्य क्षेत्रों पर भी लागू होता है - कोई भी जहाँ गलत तरीके से किए गए पूर्वानुमान की लागत अधिक है। इसलिए, सभी को सबूत और गारंटी की जरूरत है। सबसे अधिक संभावना है, सब कुछ वास्तव में भी व्यापक है: आप न केवल पूर्वानुमान मॉडल की शुद्धता की पुष्टि करना चाहते हैं, बल्कि यह भी पता लगा सकते हैं कि आप विश्लेषण के माध्यम से क्या प्रभावित कर सकते हैं। एक सामान्य व्यक्ति एक जटिल मॉडल को कैसे समझ सकता है जो अज्ञात एल्गोरिदम पर प्रशिक्षित है। ये एल्गोरिदम किसी विशेष समाधान की तर्कसंगतता के बारे में बात कर सकते हैं। Giktayms पर पहले से ही इस विषय पर एक प्रश्न पूछा गया था। और अब हम सकारात्मक प्रतिक्रिया दे सकते हैं।

तंत्रिका नेटवर्क - क्या?

"कृत्रिम तंत्रिका नेटवर्क" नाम से पता चलता है कि ये संरचनाएं मानव मस्तिष्क संरचनाओं की तरह ही व्यवहार करती हैं। इस तरह के नेटवर्क की घटक इकाई एक प्रोसेसिंग नोड है, जो कि न्यूरॉन की तरह, अपने आप ही सरल ऑपरेशन कर सकता है। पावर तब आता है जब कई नोड्स को एक विशाल नेटवर्क में जोड़ा जाता है। अधिकांश अज्ञात कार्य एक न्यूरॉन में होता है। यह वह है - एक ब्लैक बॉक्स। इनपुट और आउटपुट डेटा का पता लगाया जा सकता है। प्रशिक्षण के दौरान, प्रशिक्षण के पूरे सेट में अच्छे परिणाम प्राप्त करने के लिए व्यक्तिगत नोड्स द्वारा किए गए ऑपरेशन लगातार बदल रहे हैं। प्रक्रिया के अंत तक, नेटवर्क प्रोग्रामर को पता नहीं है कि वर्तमान में कौन से नोड कॉन्फ़िगर किए गए हैं। यहां तक कि अगर यह डेटा था, तो इस निम्न-स्तरीय जानकारी को समझना मुश्किल होगा, ताकि इसे उस भाषा में अनुवाद करने में सक्षम हो, जिसे लोग समझते हैं।

गहरी सीखने की प्रक्रिया में, डेटा नेटवर्क के इनपुट नोड्स में प्रवेश करता है, जो उन्हें बदल देता है और उन्हें निम्न नोड्स तक पहुंचाता है। अंतिम क्रिया को कई बार दोहराया जाता है। नेटवर्क के आउटपुट नोड्स पर मान आने पर प्रक्रिया रुक जाती है। सूचना उस डेटा क्षेत्र से संबंधित है जिसमें प्रशिक्षण होता है। यह छवि या लेख के विषय में ऑब्जेक्ट हो सकता है।

कैसे प्रक्रिया पारदर्शी हुई

यह समझने के लिए कि एक तंत्रिका नेटवर्क कैसे निर्णय लेता है, शोधकर्ताओं ने इसे पाठ्य डेटा पर प्रशिक्षित करने का निर्णय लिया। संस्थान की प्रयोगशाला में, विशेषज्ञों की एक टीम ने निर्मित नेटवर्क को दो भागों में विभाजित किया । एक का उद्देश्य प्रशिक्षण डेटा से पाठ के टुकड़े निकालना और लंबाई और अनुक्रम द्वारा उनका मूल्यांकन करना था। मार्ग छोटा और इसके अधिक से अधिक भाग में निरंतर शब्दों की रेखाएँ होती हैं, स्कोर जितना अधिक होता है।

आगे के अंश दूसरे भाग में आए। तंत्रिका नेटवर्क के दूसरे भाग ने मार्ग के विषय की भविष्यवाणी की या पाठ को वर्गीकृत करने का प्रयास किया। परीक्षण के लिए, हमने बीयर रेटिंग साइट से ऑनलाइन समीक्षाओं का उपयोग किया। वैज्ञानिकों के एक नेटवर्क ने सुगंध, स्वाद, उपस्थिति और लिखित समीक्षा जैसे कारकों के आधार पर पांच सितारा पैमाने पर बियर का मूल्यांकन करने का प्रयास किया। प्रणाली को प्रशिक्षित करने के बाद, शोधकर्ताओं ने पाया कि उनका तंत्रिका नेटवर्क सुगंध और उपस्थिति के साथ-साथ वास्तविक लोगों का मूल्यांकन करता है: क्रमशः 95% और 96%। स्वाद के अधिक व्यक्तिपरक विशेषता के अनुसार, तंत्रिका नेटवर्क 80% मामलों में लोगों के साथ "सहमत" है।

मॉड्यूल को एक साथ प्रशिक्षित किया गया था, और प्रशिक्षण का लक्ष्य चयनित क्षेत्रों के आकलन और भविष्यवाणी या वर्गीकरण की सटीकता को अधिकतम करना था।

चित्रण दो श्रेणियों में रैंकिंग के साथ बीयर की समीक्षा का एक उदाहरण दिखाता है। यदि पहले सबनेट ने इन तीन वाक्यांशों को चुना और दूसरे सबनेट ने उन्हें सही रेटिंग के साथ जोड़ा, तो सिस्टम ने एक व्यक्ति के रूप में निर्णय के लिए उसी चीज का उपयोग किया। शोधकर्ताओं ने तकनीकी विषयों के मुफ्त प्रश्नों और उत्तरों के डेटाबेस के आधार पर एक तंत्रिका नेटवर्क का भी परीक्षण किया। सवाल यह था कि क्या पहले से एक विशिष्ट उत्तर दिया गया था।

वैज्ञानिकों ने स्तन कैंसर के एक विकृति के साथ हजारों बायोप्सी परिणामों के लिए इस पद्धति को लागू किया है। पाठ और चित्रों का विश्लेषण किया गया।

मशीन के लिए मानव भाषा को समझने में क्या कठिनाई है?

"यदि आप प्रश्न को नहीं समझते हैं तो उत्तर देना कठिन है।" सरेक, स्टार ट्रेक 4 में स्पॉक के पिता: घर वापसी।

प्राकृतिक भाषा प्रसंस्करण कृत्रिम बुद्धि में एक क्षेत्र है। हमारा दृष्टिकोण और दुनिया के बारे में ज्ञान की एक विस्तृत श्रृंखला और संदर्भ की समझ जिस तरह से हम व्याकरण की सबसे प्राथमिक संरचनाओं को भी अनुभव करते हैं, शब्दों को सार्थक वाक्यांशों और वाक्यों में जोड़ते हैं।

मैं एरिक सीगल की पुस्तक "भविष्य की गणना" में दिए गए उदाहरण का उपयोग करके समझाऊंगा। उदाहरण के लिए, भारत जैसे वाक्यांश, दूध के, आपके। वाक्य के प्रत्येक समान भाग वाक्यांश के पहले और बाद में आने वाले शब्दों के आधार पर विभिन्न भूमिका निभा सकते हैं। एक विशिष्ट परिभाषा इस बात पर आधारित होगी कि शब्दों का क्या अर्थ है और वे कौन सी वास्तविक चीजें हैं जिन्हें वे कहते हैं।

2. "समय एक तीर की तरह उड़ता है।"
2. "फल केले की तरह उड़ता है।"

यदि कोई इन अंग्रेजी भाषाई पहेलियों को नहीं जानता है, तो अपने आप को कई तरीकों से अनुवाद करने का प्रयास करें।

समय तीर की तरह उड़ता है।
समय की मक्खियाँ किसी न किसी तरह के तीर से प्यार करती हैं।
तीर की गति को मापते ही आप मक्खियों की गति को मापते हैं।

फल केले की तरह उड़ता है।
ड्रोसोफिला प्यार केला।

इसी बहाने अलग-अलग चीजों का मतलब निकाला जा सकता है। विशेष रूप से साथ प्रस्तुत करना।

"मैंने फलों के साथ दलिया खाया।" मैंने फलों के साथ दलिया खाया, जो पकवान का हिस्सा थे।
"मैंने चम्मच से नाश्ता खाया।" मैंने एक चम्मच के साथ नाश्ता खाया, जो एक उपकरण था।
"मैंने अपनी माँ के साथ नाश्ता खाया।" मैंने अपनी मम्मी के साथ नाश्ता किया, जो एक्शन में भागीदार थी।

तंत्रिका नेटवर्क का उपयोग

वर्गीकरण कार्य। यह सिर्फ पैटर्न की खोज है, चेहरे की पहचान है।

पूर्वानुमानों का पूर्वानुमान। कुछ स्थितियों में उपयोगकर्ता कैसे व्यवहार करेंगे। उदाहरण के लिए, बैंक अनुदान पर निर्णय लेते समय ऋण के पुनर्भुगतान की संभावना की गणना करते हैं। वे सर्वोत्तम समय पर अन्य बैंकों को फिर से बेचने के लिए ऋण की लागत की भी जांच करते हैं। मशीन लर्निंग के आवेदन के क्षेत्र: दुकानों में सुरक्षा, उपभोक्ता व्यवहार, अपराध के खिलाफ लड़ाई, विपणन, बेशक, राजनीति (चुनाव), शिक्षा, मनोविज्ञान और मानव संसाधन प्रबंधन।

प्रत्येक विषय क्षेत्र में, करीबी परीक्षा में, कोई भी तंत्रिका नेटवर्क के लिए समस्या कथन पा सकता है। यहां व्यक्तिगत क्षेत्रों की एक सूची दी गई है जहां ऐसी समस्याओं को हल करना व्यावहारिक महत्व का है। मैं उनमें से कुछ लाती हूं।

वित्तीय क्षेत्र में, तंत्रिका नेटवर्क विनिमय दरों, कच्चे माल की लागत (समय श्रृंखला) की भविष्यवाणी करते हैं, एक्सचेंजों पर स्वचालित व्यापार का संचालन करने में मदद करते हैं, दिवालियापन की संभावना का अनुमान लगाते हैं, और प्लास्टिक कार्ड के साथ लेनदेन की सुरक्षा का निर्धारण करते हैं। चिकित्सा क्षेत्र में, वे निदान करते हैं, चित्र बनाते हैं, रोगियों की स्थिति की निगरानी करते हैं, निर्धारित उपचार की प्रभावशीलता का विश्लेषण करते हैं। तंत्रिका नेटवर्क राडार संकेतों को पहचानते हैं, क्षतिग्रस्त विमान के पायलटिंग को अनुकूलित करते हैं, वीडियो जानकारी को संपीड़ित करते हैं, सेलुलर नेटवर्क का अनुकूलन करते हैं, इलेक्ट्रॉनिक सहायकों (Cortana, सिरी), फिल्टर और ब्लॉक स्पैम के रूप में हमसे बात करते हैं, लक्षित विज्ञापन को कॉन्फ़िगर करने में मदद करते हैं। उत्पादन प्रक्रियाओं में, वे आपात स्थितियों को रोकने और उत्पाद की गुणवत्ता को नियंत्रित करने में सक्षम हैं। रोबोटिक्स में - वे रोबोट की आवाजाही के लिए मार्ग बनाते हैं,जोड़तोड़ पर नियंत्रण रखें।

महत्वपूर्ण रूप से सुरक्षा विशेषज्ञों और सुरक्षा प्रणालियों के लिए जीवन को आसान बनाते हैं - यहाँ तंत्रिका नेटवर्क फिंगरप्रिंट, आवाज़, हस्ताक्षर और चेहरे द्वारा व्यक्तियों की पहचान करने में लगे हुए हैं। भूवैज्ञानिकों के लिए, नेटवर्क भूकंपीय डेटा का विश्लेषण करते हैं और साहचर्य तकनीकों का उपयोग करते हुए खनिजों की खोज करते हैं।

दवा असुरक्षित नेटवर्क संबंधी फैसलों पर कैसे भरोसा कर सकती है? लेकिन, क्या यह संभव है कि मनुष्य द्वारा किया गया निर्णय, उसका मन, भावनाओं के साथ मिश्रित हो, हमेशा किसी विशेष मामले के लिए बिल्कुल सच माना जा सकता है? बेशक, डॉक्टरों के कमीशन हैं, लेकिन उन्हें हमेशा एकत्र नहीं किया जा सकता है। इसलिए हमारे पास हमेशा सबूत-आधारित दवा नहीं है, विशिष्ट प्रशिक्षण वाले लोग अभी भी निर्णय ले रहे हैं। कृत्रिम बुद्धि के संभावित झूठे सकारात्मक के खिलाफ मानव कारक, चिकित्सा त्रुटि। शायद तथ्य यह है कि मशीन के मामले में कोई विशिष्ट दोषी व्यक्ति नहीं है? .. मनुष्य की प्रकृति में - अपने स्वयं के मस्तिष्क के सामने जवाब तलाशने, औचित्य साबित करने के लिए। किसी व्यक्ति के लिए यह हमेशा आसान होता है जब उसे पता चलता है कि किसे दोष देना है।

सड़क पर एक ही बात। किसी व्यक्ति को नीचे लाने के लिए मशीन के लिए यह अक्षम्य है, जैसे कि किसी अन्य व्यक्ति के लिए यह अक्षम्य है जो नुकसान करने के लिए नियमों को तोड़ता है। क्या दोषी व्यक्ति को हमेशा वस्तुनिष्ठ दंड मिलता है? नैतिकता के प्रश्न शाश्वत रहेंगे। शायद, कोई एक सामान्य जवाब नहीं है। जब बीएमडब्लू या गूगल सेल्फ ड्राइविंग कार शहर की सड़कों पर रूटीन हो जाएगी, तो लोग मशीन रिस्क लेंगे। और यद्यपि कुछ मामलों में मौत एक ड्राइवर कंप्यूटर के कारण होती है, दुर्घटनाओं और पीड़ितों की कुल संख्या में नाटकीय रूप से रोबोटों के लिए धन्यवाद घट जाएगा। नैतिकता के

लिए सबसे ज्यादा ।तंत्रिका नेटवर्क उन कंपनियों से लड़ रहे हैं जो स्व-सरकार के साथ कारों का उत्पादन करती हैं। प्रश्न: ऑटोपायलट को क्या करना चाहिए जब दो बच्चे चौराहे पर उसके सामने गेंद खेलते हैं। खतरे के लिए किसे उजागर किया जाना चाहिए: कार के बच्चे या यात्री जानबूझकर नियमों (!) को तोड़ रहे हैं।
यह उदाहरण एक क्लासिक नैतिक कार्य से मिलता-जुलता है जिसमें आप एक ट्रैफ़िक एरो के संचालक हैं, एक मार्ग पर लोगों का एक समूह है, और दूसरे पर अकेले। निर्णय हमेशा पीड़ित, उसके रिश्तेदारों और बाकी लोगों को बचाने के लिए अनुचित होगा। हालांकि इस कीमत पर जीवित रहने वाले लोग भी खुश नहीं हो सकते हैं।

विकासवादी मस्तिष्क जैसा दिखता है

न्यूरोडर्विज़्म की अवधारणा है। इसमें एक स्वयं-लोडिंग तंत्र शामिल है जो पर्यावरण और मस्तिष्क के बीच प्रतिक्रिया पर काम करता है। यहां तक कि तंत्रिका नेटवर्क के सबसे सरल कंप्यूटर मॉडल, अगर विन्यास को हटाने के लिए प्रोग्राम किए गए हैं जो अस्तित्व के लिए प्रतिकूल हैं और लाभप्रद लोगों को पुन: पेश करते हैं, तो थोड़े समय में जटिलता के अद्भुत स्तर को प्राप्त करते हैं। मैं किस बारे में बात कर रहा हूं? वास्तविक दुनिया में कोई भी संरचना आत्म-विनाश के लक्ष्य के साथ नहीं बनाई गई है। किसी भी प्राणी को जीवन के लिए क्रमादेशित किया जाता है। और तंत्रिका नेटवर्क भी। यहां तक कि, हमारी राय में, ड्रोसोफिला मक्खी जैसे एक साधारण प्राणी के मस्तिष्क में कनेक्शन की एक जटिल प्रणाली है । यह उसका मस्तिष्क है जिसे आपने शुरुआत में छवि में देखा था।

मानव मस्तिष्क छवियों के साथ कैसे काम करता है

रीता कार्टर के अनुसार, "हाउ द ब्रेन वर्क्स" पुस्तक में, हम जिन लोगों को जानते हैं उनके चेहरों के बारे में जानकारी-यादें मस्तिष्क में विशेष तंत्रिका नेटवर्क (चेहरे की पहचान की इकाइयों) के रूप में संग्रहीत की जाती हैं। जब हम एक नई छवि देखते हैं, तो इसकी तुलना ERL को स्कैन करके हमारे अनुभव से की जाती है। यदि कुछ जोड़ने वाला है, तो वह ईआरएल सक्रिय हो जाता है और देखी गई अंतिम छवि से जुड़ जाता है। मस्तिष्क उसी तरह से व्यवहार करता है, चाहे वह सड़क पर एक नई छवि दिखाई दे या मानव मन द्वारा स्वतंत्र रूप से उत्पन्न हो। अधिक बार चेतना संग्रहीत छवियों को संदर्भित करती है, और अधिक सक्रिय इसी तंत्रिका नेटवर्क हैं। अनावश्यक नेटवर्क समय के साथ टूट जाते हैं। इसे हम "पूरी तरह से भूल" कहते हैं।

चेतना

मैं मानव मस्तिष्क के साथ समानताएं क्यों खींचता हूं? शायद यह कंप्यूटर तंत्रिका नेटवर्क पर भरोसा करने के बारे में नहीं है? शायद यह समझने और स्वीकार करने का विषय है। हां, एक अन्य व्यक्ति, एक प्राणी के रूप में, जिसे हमारे द्वारा "हमारा" के रूप में पूरी तरह से स्वीकार किया जाता है, एक यांत्रिक कंप्यूटर के विपरीत, किसी भी निर्णय को इस तरह से समझाएगा और उचित ठहराएगा। और अगर वह झूठ बोल रहा है? और अगर वह मानसिक रूप से बीमार है? हर जगह नूतनता बनी रहती है। मशीनों में चेतना नहीं है, जिसका अर्थ है कि कोई नैतिक समस्याएं नहीं हैं - वे हमेशा अधिक उद्देश्यपूर्ण और निष्पक्ष होते हैं। लेकिन शोधकर्ता उन्हें केवल कुछ क्षेत्रों के लिए नहीं छोड़ सकते हैं, जैसे कि सर्वश्रेष्ठ शतरंज संयोजन बनाना, जटिल सिस्टम डिजाइन करना, और इसलिए, हमें, लोगों को भी अनुकूलित करने की आवश्यकता है। हालांकि यह मुश्किल है। साथ ही यांत्रिक और भावनात्मक के बीच किसी भी रेखा को महसूस करना। लेकिन ऐसा भविष्य हैअतीत के विज्ञान कथा उपन्यासों में वर्णित है, जो लंबे समय से हमारे दैनिक जीवन बनने लगे हैं।

इस प्रकार, एक और कदम एक आदमी-मशीन जोड़ी में समझने की दिशा में उठाया गया है। मैं ऑक्सफोर्ड यूनिवर्सिटी में गणित के प्रोफेसर रोजर पेनरोज को उद्धृत करना चाहता हूं।

समझ के लिए जागरूकता चाहिए। समझ का भ्रम बड़ी मात्रा में डेटा के व्यापक प्रसंस्करण से आता है। गणना और समझ पूरक चीजें हैं।

"मेरा मानना है कि समझ को समझाने के लिए, हम एक क्वांटम दुनिया के साथ नई भौतिक अवधारणाओं की ओर रुख करते हैं, जिनमें से गणितीय संरचना सबसे अधिक अज्ञात है।"

पेनरोज़ कहते हैं कि समझ मस्तिष्क के ऊतकों के एक विशेष घटक को उत्पन्न करती है।

"मानव शरीर में सूक्ष्मनलिकाएं होती हैं, विशेष रूप से तंत्रिका कोशिकाओं में उनमें से बहुत से।"

वैज्ञानिक यह जांचने का प्रस्ताव करता है कि क्या यह संभव है कि सूक्ष्मनलिकाएं स्थिर क्वांटम का निर्माण करती हैं जो पूरे मस्तिष्क में सेलुलर गतिविधि को बांधती हैं, चेतना पैदा करती हैं। इस राज्य का कंप्यूटर सिमुलेशन असंभव है।

MIT के शोधकर्ता तंत्रिका नेटवर्क को तर्क करना सिखाते हैं