आईबीएम एआई को मानव मस्तिष्क की तरह कार्य करना सिखाता है

दा विंची के ऑर्निथोपेरा के समय से, मानव जाति के महान दिमागों ने प्राकृतिक दुनिया से प्रेरणा ली है। आधुनिक दुनिया में, कुछ भी नहीं बदला है, और मशीन सीखने और कृत्रिम बुद्धिमत्ता में नवीनतम उपलब्धियों को सबसे उन्नत कंप्यूटिंग अंग: मानव मस्तिष्क के आधार पर बनाया गया था।

हमारे ग्रे पदार्थ का अनुकरण करना अधिक उन्नत AI बनाने में एक अच्छा विचार नहीं है। उनके आगे के विकास में यह नितांत आवश्यक है। डीप लर्निंग-आधारित न्यूरल नेटवर्क, जैसे कि अल्फा गो , साथ ही आधुनिक पीढ़ी के पैटर्न मान्यता और अनुवाद सिस्टम, सबसे अच्छी मशीन लर्निंग सिस्टम हैं जिन्हें हमने आज तक विकसित किया है। वे अविश्वसनीय चीजों में सक्षम हैं, लेकिन अभी भी महत्वपूर्ण तकनीकी चुनौतियों का सामना कर रहे हैं। उदाहरण के लिए, यह तथ्य कि उन्हें किसी विशेष कौशल को सीखने के लिए बड़े डेटा सेटों तक सीधी पहुंच की आवश्यकता होती है। इसके अलावा, यदि आप एक नया कार्य करने के लिए एक तंत्रिका नेटवर्क को पीछे हटाना चाहते हैं, तो आपको अनिवार्य रूप से इसकी स्मृति को मिटाने और खरोंच से शुरू करने की आवश्यकता है - एक प्रक्रिया जिसे "भयावह भूल" के रूप में जाना जाता है।

इसकी तुलना उस व्यक्ति के मस्तिष्क से करें जो धीरे-धीरे सीख रहा है, और डेटा के ढेर से तुरंत नहीं बनता है। यह एक बुनियादी अंतर है: गहरी शिक्षा पर आधारित एआईएस ऊपर से नीचे तक उत्पन्न होते हैं, आपको शुरुआत से ही सब कुछ जानने की आवश्यकता होती है, जबकि मानव मन खरोंच से बनाया जाता है, जब नए अनुभवों पर लागू पिछले पाठों का उपयोग नए ज्ञान बनाने के लिए किया जाता है।

इसके अलावा, मानव मन विशेष रूप से तर्क पर आधारित संबंधपरक तर्क प्रदर्शन करने में अच्छा है, पिछले अनुभवों के बीच संबंध बनाना, ताकि उड़ान पर नई स्थितियों को समझा जा सके। सांख्यिकीय एआई (यानी, मशीन लर्निंग) पैटर्न मान्यता में मस्तिष्क कौशल की नकल करने में सक्षम है, लेकिन तर्क को लागू करते समय काम नहीं करता है। दूसरी ओर, प्रतीकात्मक एआई तर्क का उपयोग कर सकता है (यह मानते हुए कि उसे इस तर्क प्रणाली के नियमों में प्रशिक्षित किया गया था), लेकिन आमतौर पर वास्तविक समय में इस कौशल को लागू करने में असमर्थ है।

लेकिन क्या होगा अगर हम शक्तिशाली एआई प्रसंस्करण क्षमताओं के साथ मानव मस्तिष्क के सर्वश्रेष्ठ कम्प्यूटेशनल लचीलेपन को जोड़ सकते हैं? यह वही है जो दीपमिन्द की टीम ने करने की कोशिश की। उन्होंने एक तंत्रिका नेटवर्क बनाया जो अपने कार्यों के संबंधपरक तर्क को लागू करने में सक्षम था। यह मस्तिष्क के न्यूरॉन्स के नेटवर्क के समान ही काम करता है। जबकि न्यूरॉन्स पैटर्न को पहचानने के लिए एक-दूसरे के साथ अलग-अलग रिश्तों का उपयोग करते हैं: "हम स्पष्ट रूप से नेटवर्क का पता लगा रहे हैं जो इस परिदृश्य में वस्तुओं के जोड़े के बीच मौजूद हैं," टिमोथी लिलीक्रैप ने दीपमाइंड के वैज्ञानिक साइंस मैगज़ीन को कहा ।

जब जून में उसे एक छवि में ज्यामितीय वस्तुओं के सापेक्ष पदों के बारे में जटिल सवालों पर एक कार्य दिया गया था, उदाहरण के लिए: "क्या एक नीली वस्तु के सामने एक वस्तु है, क्या यह एक ग्रे धातु की गेंद के दाईं ओर एक छोटी नीली चीज के समान आकार है?" - उसने 96% मामलों में वस्तु की सही पहचान की। पारंपरिक मशीन लर्निंग सिस्टम ने 42 - 77% मामलों में सही समाधान दिया। यहां तक ​​कि लोगों ने केवल 92% मामलों में ही परीक्षा पास की। यह सही है, यह हाइब्रिड AI उन लोगों की तुलना में बेहतर काम करता है जिन्होंने इसे बनाया था।

परिणाम वही थे जब एआई ने शब्द के साथ समस्याएं पेश कीं। हालांकि पारंपरिक प्रणाली दीपमिन्द से सरल प्रश्नों पर मिलान करने में सक्षम थीं, जैसे कि “सारा के पास गेंद है। सारा उसके कार्यालय में प्रवेश करती है। गेंद कहां है? ” हाइब्रिड AI सिस्टम अधिक जटिल मुद्दों पर प्रतिस्पर्धा से बाहर था जैसे: “लिली एक हंस है। लिली सफेद है। ग्रेग एक हंस है। ग्रेग का रंग क्या है? " लगभग 45% प्रतियोगियों की तुलना में 98% मामलों में डीपमाइंड ने सही उत्तर दिया।



डीपमाइंड एक ऐसी प्रणाली पर भी काम करता है जो महत्वपूर्ण जानकारी को "याद" करती है और इस संचित ज्ञान को भविष्य के अनुरोधों पर लागू करती है। लेकिन आईबीएम दो और कदम आगे बढ़ा रहा है। मेलबोर्न, ऑस्ट्रेलिया में पिछले सप्ताह आयोजित आर्टिफिशियल इंटेलिजेंस पर 2017 अंतर्राष्ट्रीय सहयोग सम्मेलन में प्रस्तुत दो शोध पत्रों में, आईबीएम ने दो अध्ययन प्रस्तुत किए: एक यह पता लगाना कि एआई "ध्यान" कैसे प्रदान किया जाए और दूसरा अन्वेषण मशीन सीखने की प्रणाली के लिए, न्यूरोजेनेसिस की जैविक प्रक्रिया के आवेदन का सवाल, अर्थात, न्यूरॉन्स का जन्म और मृत्यु।

"तंत्रिका नेटवर्क प्रशिक्षण आमतौर पर डिज़ाइन किया गया है, और वास्तव में एक विशिष्ट वास्तुकला बनाने के लिए बहुत काम की आवश्यकता है जो सबसे अच्छा काम करता है। यह लगभग एक परीक्षण और त्रुटि विधि है, ”आईबीएम के एक शोधकर्ता इरिगेट इरीना रीश ने कहा। "यह अच्छा होगा अगर ये नेटवर्क खुद का निर्माण कर सके।"

आईबीएम अटेंशन एलगोरिदम तंत्रिका नेटवर्क को सूचित करता है जिसके बारे में जानकारी उच्चतम इनाम प्रदान करती है। इनाम जितना अधिक होगा, नेटवर्क उतना ही अधिक ध्यान देगा। यह उन स्थितियों में विशेष रूप से उपयोगी है जहां डेटा सेट स्थिर नहीं है - अर्थात वास्तविक जीवन में। "ध्यान एक पुरस्कार-आधारित तंत्र है, यह सिर्फ कुछ ऐसा नहीं है जो निर्णय लेने और हमारे कार्यों से संबंधित नहीं है," ऋष ने कहा।

"हम जानते हैं कि जब हम एक छवि देखते हैं, तो मानव आंख में आमतौर पर देखने का एक बहुत छोटा क्षेत्र होता है," ऋष ने कहा। "तो, संकल्प के आधार पर, आपको छवि के केवल कुछ पिक्सेल [तेज] दिखाई देते हैं, लेकिन बाकी सब कुछ धुंधला दिखता है। तथ्य यह है कि आप जल्दी से अपनी आंखों को स्थानांतरित करते हैं, और सही क्रम में एक छवि में विभिन्न भागों को इकट्ठा करने के लिए तंत्र आपको छवि को जल्दी से पहचानने की अनुमति देगा। "



ध्यान समारोह का पहला उपयोग पैटर्न मान्यता में होने की संभावना है, हालांकि इसका उपयोग विभिन्न क्षेत्रों में किया जा सकता है। उदाहरण के लिए, यदि आप ऑक्सफ़ोर्ड डेटासेट का उपयोग करके एआई को प्रशिक्षित करते हैं, जो मुख्य रूप से वास्तुशिल्प चित्र है, तो यह आसानी से सही ढंग से शहर की पहचान कर सकता है। लेकिन यदि आप उसे ग्रामीण इलाकों (खेतों और फूलों आदि) से चित्रों का एक गुच्छा दिखाते हैं, तो एआई भ्रमित हो जाएगा क्योंकि उसे नहीं पता है कि फूल क्या हैं। और जब आप लोगों और जानवरों के साथ एक ही परीक्षण करते हैं, तो आप न्यूरोजेनेसिस को उत्तेजित करेंगे, क्योंकि उनके दिमाग देश के नए परिदृश्य के बारे में शहरों के बारे में जो पहले से जानते हैं उसे अनुकूलित करने की कोशिश करते हैं।

तंत्र प्रणाली को बताता है कि उसे किस पर ध्यान केंद्रित करना चाहिए। उदाहरण के लिए, अपने चिकित्सक को ले जाएं, वह आपके लिए सैकड़ों संभावित परीक्षण आयोजित कर सकती है, ताकि यह निर्धारित किया जा सके कि आपको क्या परेशान कर रहा है, लेकिन यह असंभव है: या तो समय पर या उचित कीमतों पर। तो, उसे कौन से प्रश्न पूछना चाहिए और कम से कम समय में सबसे अच्छा निदान प्राप्त करने के लिए कौन से परीक्षण किए जाने चाहिए? "यह वही है जो एल्गोरिथ्म यह पता लगाना सीख रहा है," रिच ने समझाया। वह न केवल यह निर्धारित करता है कि कौन सा समाधान सबसे अच्छा परिणाम देता है, बल्कि यह भी पता लगाता है कि डेटा की तलाश कहाँ करनी है। इस प्रकार, सिस्टम न केवल अधिक सही निर्णय लेता है, बल्कि उन्हें तेज भी करता है, क्योंकि यह डेटा सेट के कुछ हिस्सों का अनुरोध नहीं करता है जो वर्तमान समस्या पर लागू नहीं होते हैं। ठीक वैसे ही जैसे छाती में दर्द और सांस लेने में तकलीफ की शिकायतें आने पर आपका डॉक्टर अजीब से हथौड़े से आपके घुटने को नहीं छूता है।

जबकि यह सुनिश्चित करने के लिए कि सिस्टम कार्य करता है, आईबीएम का काम तंत्रिका प्लास्टिसिटी (कितनी अच्छी तरह से "यादें" याद किया जाता है) दीर्घकालिक नेटवर्क स्मृति प्रदान करने के लिए सुविधाजनक है। यह वास्तव में न्यूरॉन्स के जन्म और मृत्यु के समान तंत्रों के आधार पर तैयार किया गया है जो मानव हिप्पोकैम्पस में मनाया जाता है।

इस प्रणाली में, "आपको लाखों मापदंडों को मॉडल नहीं करना है," ऋष ने समझाया। "आप एक बहुत छोटे मॉडल के साथ शुरू कर सकते हैं, और फिर, आपके द्वारा देखे गए डेटा के आधार पर, वे अनुकूलित करेंगे।"

जब नया डेटा उसके सामने प्रस्तुत किया जाता है, तो आईबीएम न्यूरोजेनेटिक सिस्टम नए सुधारित कनेक्शन (न्यूरॉन्स) बनाना शुरू कर देता है, जबकि कुछ पुराने, कम उपयोगी लोगों को "कट ऑफ" किया जाएगा, जैसा कि रिश ने लगाया। इसका मतलब यह नहीं है कि सिस्टम शाब्दिक रूप से पुराने डेटा को हटा देता है, यह सिर्फ उनके साथ कम संलग्न हो जाता है - आपकी पुरानी यादों की तरह, एक नियम के रूप में, वर्षों में फ़र्ज़ी हो जाते हैं, लेकिन जो महत्वपूर्ण भावनात्मक तनाव ले जाते हैं, वे ज्वलंत रहते हैं कई सालों तक।



"न्यूरोजेनेसिस गहरे नेटवर्क को अपनाने का एक तरीका है," रिश ने कहा। "एक तंत्रिका नेटवर्क एक मॉडल है, और आप इस मॉडल को खरोंच से बना सकते हैं, या ज़रूरत पड़ने पर आप इस मॉडल को बदल सकते हैं, क्योंकि आपके पास छिपे हुए न्यूरॉन्स की कई परतें हैं, और आप तय कर सकते हैं कि आपको कितने (न्यूरॉन्स) चाहिए ... डेटा पर निर्भर करता है। ”

यह महत्वपूर्ण है क्योंकि आप एक तंत्रिका नेटवर्क के अनंत विस्तार नहीं चाहते हैं। यदि ऐसा हुआ, तो डेटासेट इतना बड़ा हो जाएगा कि यह हाइपरिमेसिया के डिजिटल समतुल्य को भी वहन करने में सक्षम नहीं होगा। "यह भी सामान्यीकरण के साथ मदद करता है, इसलिए [एआई] डेटा के बारे में 'अपना दिमाग नहीं बदलता है", ऋष ने कहा।

साथ में, ये उपलब्धियां एआई अनुसंधान समुदाय के लिए बहुत उपयोगी हो सकती हैं। रीश की टीम उस पर काम करना चाहती है जिसे वे "आंतरिक ध्यान" कहते हैं। आप न केवल उस डेटा को चुनेंगे जिसे आप नेटवर्क पर देखना चाहते हैं, बल्कि यह भी कि आप नेटवर्क के किन हिस्सों को डेटा और इनपुट के सेट के आधार पर गणना में उपयोग करना चाहते हैं। मूल रूप से, ध्यान मॉडल एक अल्पकालिक, सक्रिय, विचार प्रक्रिया को कवर करेगा, जबकि स्मृति का हिस्सा मौजूदा स्थिति के आधार पर नेटवर्क को अपने फ़ंक्शन का अनुकूलन करने की अनुमति देगा।

लेकिन यह उम्मीद न करें कि निकट भविष्य में, एआई मानव दिमाग के साथ प्रतिस्पर्धा करने में सक्षम होगा, रिचर्ड को चेतावनी देता है। “मैं कम से कम कुछ दशक कहूंगा, लेकिन, फिर से, यह सिर्फ एक धारणा है। उच्च परिशुद्धता पैटर्न मान्यता के दृष्टिकोण से, अब हम जो कर रहे हैं, वह अभी भी मानवीय भावनाओं के मूल मॉडल से बहुत दूर है, ”उसने कहा। "हम अभी शुरू हुए।"

---