मशीन सीखने की मौलिक सीमाएँ

हाल ही में, मेरी चाची ने अपने सहयोगियों को “गणित की समस्या” विषय पर ईमेल भेजे! सही उत्तर क्या है? ” पत्र में एक भ्रामक सरल पहेली थी:

1 + 4 = 5
2 + 5 = 12
3 + 6 = 21
8 + 11 =?

उसके लिए, निर्णय स्पष्ट था। लेकिन उसके सहयोगियों ने फैसला किया कि उनका निर्णय सही था - जो उसके निर्णय से मेल नहीं खाता था। क्या उनके जवाबों में से एक समस्या थी, या पहेली ही थी?

मेरी चाची और उनके सहयोगियों ने मशीन सीखने की मूलभूत समस्या पर ठोकर खाई, एक ऐसा अनुशासन जो कंप्यूटर सीखने का अध्ययन करता है। लगभग सभी प्रशिक्षण जो हम कंप्यूटर से उम्मीद करते हैं - और जो हम खुद करते हैं - इसमें बुनियादी कानूनों की जानकारी को कम करने में शामिल हैं, जिसके आधार पर निष्कर्ष कुछ अज्ञात के बारे में निकाला जा सकता है। और उसकी पहेली वही थी।

किसी व्यक्ति के लिए, कार्य किसी भी पैटर्न की खोज करना है। बेशक, हमारा अंतर्ज्ञान हमारे अनुमानों की सीमा को सीमित करता है। लेकिन कंप्यूटर में कोई अंतर्ज्ञान नहीं है। कंप्यूटर के दृष्टिकोण से, पैटर्न को पहचानने में कठिनाई उनके बहुतायत में है: यदि समान रूप से वैध पैटर्न की एक अनंत संख्या है, जिसके कारण कुछ सही हैं और कुछ नहीं हैं?

और यह समस्या हाल ही में एक व्यावहारिक विमान में बदल गई है। 1990 के दशक तक, AI सिस्टम आमतौर पर मशीन सीखने में शायद ही कभी लगे। डीप थॉट शतरंज कंप्यूटर की मानें, तो डीप ब्लू के पूर्ववर्ती ने ट्रायल और एरर द्वारा शतरंज नहीं सीखी। इसके बजाय, शतरंज के ग्रैंडमास्टर्स और प्रोग्रामिंग जादूगरों ने सावधानीपूर्वक नियमों का निर्माण किया, जिसके द्वारा यह पता लगाया जा सकता था कि शतरंज की स्थिति अच्छी थी या खराब। यह सावधानीपूर्वक मैनुअल समायोजन उस समय के "विशेषज्ञ प्रणालियों" के लिए विशिष्ट था।

विशेषज्ञ प्रणालियों के दृष्टिकोण का उपयोग करके मेरी चाची के रहस्य से निपटने के लिए, किसी व्यक्ति के लिए उदाहरणों की पहली तीन पंक्तियों में स्क्विंट करना आवश्यक है और उनमें निम्नलिखित पैटर्न पर ध्यान दें:

1 * (4 + 1) = 5

2 * (5 + 1) = 12

3 * (6 + 1) = 21

तब व्यक्ति कंप्यूटर को पैटर्न x * (y + 1) = z का अनुसरण करने का निर्देश देगा। इस नियम को अंतिम परिणाम पर लागू करते हुए, हमें एक समाधान मिलता है - 96।

विशेषज्ञ प्रणालियों की शुरुआती सफलताओं के बावजूद, मैन्युअल श्रम को विकसित करने, ठीक करने और उन्हें अद्यतन करने के लिए आवश्यक श्रम भारी हो गया। इसके बजाय, शोधकर्ताओं ने मशीनों के विकास पर ध्यान आकर्षित किया जो अपने दम पर पैटर्न को पहचान सकते हैं। उदाहरण के लिए, कार्यक्रम एक हजार तस्वीरों या बाजार लेनदेन की जांच कर सकता है और फोटो में व्यक्ति या बाजार की कीमतों में वृद्धि के लिए सांख्यिकीय संकेतों से प्राप्त कर सकता है। यह दृष्टिकोण जल्दी से प्रभावी हो गया, और तब से क्रेडिट कार्ड धोखाधड़ी का पता लगाने के लिए स्वचालित मेल छँटाई और स्पैम फ़िल्टरिंग से सब कुछ के दिल में है।

लेकिन, सभी सफलताओं के बावजूद, इन एमओ सिस्टम को प्रक्रिया में कहीं न कहीं प्रोग्रामर की आवश्यकता होती है। एक उदाहरण के रूप में मेरी चाची की पहेली ले लो। हमने माना कि प्रत्येक पंक्ति में तीन महत्वपूर्ण घटक (एक पंक्ति में तीन संख्याएँ) होते हैं। लेकिन इसमें एक संभावित चौथा तत्व है - पिछली पंक्ति से परिणाम। यदि यह स्ट्रिंग गुण मान्य है, तो एक और प्रशंसनीय पैटर्न दिखाई देता है:

0 + 1 + 4 = 5

५ + २ + ५ = १२

12 + 3 + 6 = 21

इस तर्क के अनुसार, अंतिम उत्तर 40 होना चाहिए।

कौन सी नियमितता सच है? स्वाभाविक रूप से, दोनों - और उनमें से एक नहीं। यह सब इस बात पर निर्भर करता है कि कौन से पैटर्न अनुमन्य हैं। उदाहरण के लिए, आप पहले नंबर को ले कर एक पैटर्न बना सकते हैं, दूसरे से गुणा कर सकते हैं, पिछले उत्तर और तीन के योग का एक पाँचवाँ हिस्सा जोड़ सकते हैं, और इसे सभी को निकटतम पूर्णांक (बहुत ही अजीब, लेकिन यह काम करता है) को गोल कर सकते हैं। और अगर हम संख्याओं की उपस्थिति से संबंधित गुणों के उपयोग की अनुमति देते हैं, तो शायद सीरिफ और लाइनों से जुड़ा एक अनुक्रम है। पैटर्न की खोज पर्यवेक्षक की मान्यताओं पर निर्भर करती है।

एमओ के लिए भी यही सच है। यहां तक ​​कि जब मशीनें खुद को प्रशिक्षित करती हैं, तो पसंदीदा पैटर्न लोगों द्वारा चुना जाता है: मान्यता सॉफ्टवेयर का सामना करना चाहिए जिसमें स्पष्ट नियम हैं / यदि या, तो क्या यह प्रत्येक सुविधा को अतिरिक्त सबूत के रूप में पक्ष में होना चाहिए या प्रत्येक संभावित व्यक्ति के खिलाफ जिसे वह संबंधित है? सॉफ्टवेयर की छवि की क्या विशेषताएं होनी चाहिए? क्या उसे अलग-अलग पिक्सेल के साथ काम करने की आवश्यकता है? या शायद प्रकाश और अंधेरे क्षेत्रों के बीच किनारों के साथ? इस तरह के विकल्पों की पसंद इस बात को सीमित करती है कि सिस्टम किस पैटर्न को संभावित या संभावित मानता है। इस आदर्श संयोजन की खोज मास्को रक्षा मंत्रालय के विशेषज्ञों का नया काम था।



लेकिन स्वचालन की प्रक्रिया वहाँ नहीं रुकी। जिस तरह प्रोग्रामरों को कभी काम के नियम लिखने के लिए प्रताड़ित किया जाता था, अब वे नई सुविधाएँ विकसित करने से हिचक रहे हैं। "क्या यह अच्छा नहीं होगा यदि कंप्यूटर स्वयं यह पता लगा सके कि उसे किन विशेषताओं की आवश्यकता है?" इसलिए उन्होंने एक गहन-सीखने वाले तंत्रिका नेटवर्क को विकसित किया, एक एमओ तकनीक जो स्वतंत्र रूप से सरल जानकारी के आधार पर उच्च-स्तरीय गुणों के बारे में निष्कर्ष निकाल सकती है। एक तंत्रिका नेटवर्क के लिए पिक्सेल का एक सेट फ़ीड करें, और यह किनारों, घटता, बनावट - और यह सब सीधे निर्देश के साथ लेना सीखेगा।

और इसलिए, प्रोग्रामर्स ने वन अल्गोरिदम, टू एडिट एवरीवन की वजह से अपनी नौकरी खो दी?

अभी नहीं। तंत्रिका नेटवर्क अभी भी किसी भी कार्य के लिए आदर्श रूप से अनुकूल नहीं हैं। यहां तक ​​कि सबसे अच्छे मामलों में, उन्हें समायोजित करना होगा। एक तंत्रिका नेटवर्क में "न्यूरॉन्स" की परतें होती हैं, जिनमें से प्रत्येक इनपुट डेटा के आधार पर गणना करता है और परिणाम को अगली परत पर आउटपुट करता है। लेकिन कितने न्यूरॉन्स की जरूरत होगी और कितनी परतें? क्या प्रत्येक न्यूरॉन को पिछले स्तर के प्रत्येक न्यूरॉन से इनपुट प्राप्त करना चाहिए, या कुछ न्यूरॉन्स अधिक चयनात्मक होने चाहिए? परिणाम का उत्पादन करने के लिए प्रत्येक न्यूरॉन को इनपुट डेटा पर क्या परिवर्तन करना चाहिए? और इसी तरह।

ये मुद्दे तंत्रिका नेटवर्क को नए कार्यों पर लागू करने के प्रयासों को सीमित करते हैं; एक तंत्रिका नेटवर्क जो चेहरे को पूरी तरह से पहचानता है वह पूरी तरह से स्वचालित अनुवाद में असमर्थ है। और फिर, मनुष्य द्वारा चुने गए संरचनात्मक तत्व स्पष्ट रूप से कुछ कानूनों की ओर नेटवर्क को धक्का देते हैं, जिससे यह दूसरों से दूर हो जाता है। एक जानकार व्यक्ति समझता है कि सभी कानून समान नहीं बनाए गए हैं। प्रोग्रामर को काम के बिना नहीं छोड़ा जाएगा।

बेशक, अगला तार्किक कदम तंत्रिका नेटवर्क होगा, स्वतंत्र रूप से यह अनुमान लगाना कि कितने न्यूरॉन्स को शामिल किया जाना चाहिए, क्या कनेक्शन का उपयोग करना है, आदि। इस विषय पर अनुसंधान परियोजनाएं कई वर्षों से चल रही हैं।

कितनी दूर जा सकते हैं? क्या कारें अपने दम पर काम करना सीखेंगी ताकि बाहरी ट्यूनिंग एक पुराने जमाने के अवशेष में बदल जाएगी? सिद्धांत रूप में, एक आदर्श सार्वभौमिक छात्र की कल्पना कर सकता है - वह जो अपने लिए सब कुछ हल कर सकता है, और हमेशा चुने हुए कार्य के लिए सबसे अच्छी योजना चुनता है।

लेकिन 1996 में, कंप्यूटर विज्ञान विशेषज्ञ डेविड वाल्परट ने ऐसे छात्र की असंभवता को साबित कर दिया। अपने प्रसिद्ध "नि: शुल्क भोजन की अनुपस्थिति पर प्रमेय" में, उन्होंने दिखाया कि किसी भी पैटर्न के लिए जो छात्र अच्छी तरह से प्रशिक्षित है, एक पैटर्न है कि वह बहुत अध्ययन करेगा। यह हमें मेरी चाची के रहस्य तक पहुंचाता है - अनंत आंकड़ों की अनंत संख्या जो परिमित डेटा से उत्पन्न हो सकती है। एक प्रशिक्षण एल्गोरिथ्म की पसंद का मतलब है पैटर्न का चयन जिसके साथ मशीन खराब तरीके से सामना करेगी। शायद सभी कार्य, उदाहरण के लिए, पैटर्न मान्यता, अंततः एक व्यापक एल्गोरिथ्म में गिर जाएगी। लेकिन कोई भी सीखने का एल्गोरिथ्म सब कुछ समान रूप से अच्छी तरह से नहीं सीख सकता है।

यह मशीन लर्निंग को मानव मस्तिष्क की तरह बनाता है। हालाँकि हम खुद को स्मार्ट समझना पसंद करते हैं, लेकिन हमारा मस्तिष्क भी पूरी तरह से अध्ययन नहीं करता है। मस्तिष्क के प्रत्येक भाग को कुछ पैटर्नों को पहचानने के लिए विकास द्वारा सावधानी से ट्यून किया जाता है - जैसा कि हम देखते हैं, वैसी भाषा जिसे हम सुनते हैं, या भौतिक वस्तुओं का व्यवहार। लेकिन हम शेयर बाजार में पैटर्न की खोज के साथ इतना अच्छा नहीं कर रहे हैं; यहाँ मशीनों ने हमें हराया।

मशीन लर्निंग के इतिहास में कई पैटर्न हैं। लेकिन सबसे अधिक संभावना निम्नलिखित होगी: हम कई और वर्षों तक सीखने के लिए मशीनों को प्रशिक्षित करेंगे।