AI आपके व्यवसाय के लिए क्या कर सकता है (अभी के लिए) नहीं कर सकता

आर्टिफिशियल इंटेलिजेंस एक चलती लक्ष्य है। और यहाँ इसका लक्ष्य रखना सबसे अच्छा है।

आर्टिफिशियल इंटेलिजेंस (एआई) हमें हर तरफ से घेरती दिख रही है। हम घर पर और फोन पर उसका सामना करते हैं। हमारे पास अपनी इंद्रियों के पास आने का समय भी नहीं है - उद्यमियों और व्यावसायिक नवप्रवर्तकों के अनुसार - एआई लगभग सभी उत्पादों और सेवाओं में मौजूद होगा जो हम खरीदते हैं और उपयोग करते हैं। इसके अलावा, व्यावसायिक समस्याओं को हल करने के लिए इसके आवेदन का दायरा छलांग और सीमा से बढ़ रहा है। इसी समय, एआई के आगमन के परिणामों के बारे में संदेह बढ़ रहा है; हम चिंता करते हैं कि स्वचालन कार्यस्थल, नौकरी की उपलब्धता और समाज को कैसे प्रभावित करेगा।

कभी-कभी एलेक्सा, सिरी और अल्फा गो के बारे में बताने वाली सुर्खियों के डर और जीत के बीच वास्तविकता खो जाती है, क्योंकि एआई प्रौद्योगिकियों - मशीन सीखने और इसके सबसेट, गहन सीखने - की कई सीमाएं हैं, जिनमें से बहुत से प्रयासों के लिए बहुत अधिक प्रयास की आवश्यकता होगी। इस लेख में इन सीमाओं का वर्णन किया गया है, और इससे निदेशकों को यह समझने में मदद मिलेगी कि एआई को लागू करने के उनके प्रयासों को वास्तव में क्या बाधित करता है। हम कुछ प्रतिबंधों को हटाने और अवसरों की एक नई लहर बनाने के उद्देश्य से आशाजनक सफलताओं का भी वर्णन करेंगे।

हमारी संभावनाएं सबसे आगे काम के संयोजन पर निर्भर करती हैं - अनुसंधान, विश्लेषण, उपयोग के सैकड़ों वास्तविक मामलों का मूल्यांकन - और एआई से संबंधित उन्नत क्षेत्रों में काम करने वाले कुछ उन्नत विचारकों, वैज्ञानिकों और इंजीनियरों के साथ सहयोग। हमने उनके अनुभव का सार निकालने और उद्यमों के निर्देशकों की मदद करने की कोशिश की, जो कि हमारे अनुभव से पता चलता है, अक्सर केवल अपनी पहल से निर्देशित होते हैं और हमेशा अच्छी तरह से नहीं समझते हैं कि अत्याधुनिक कहां है या एआई के लिए पहले से ही क्या उपलब्ध है।

सीधे शब्दों में कहें तो एआई की समस्याएं और सीमाएं नेताओं के लिए एक "चलती लक्ष्य" समस्या पैदा करती हैं: उनके लिए यह मुश्किल है कि वे कटिंग एज तक पहुंचें, क्योंकि यह लगातार चलता रहता है। यह अक्सर निराशा होती है जब वास्तविक दुनिया की बाधाओं पर एआई का उपयोग करने का प्रयास किया जाता है - इससे आगे के निवेश के लिए प्रेरणा कम हो सकती है या "प्रतीक्षा करें और देखें" दृष्टिकोण हो सकता है, जबकि अन्य आगे बढ़ना जारी रखेंगे। मैकिन्से वर्ल्ड इंस्टीट्यूट के एक हालिया अध्ययन से पता चलता है कि नेताओं और एआई के उपयोग में पीछे रहने वालों के बीच बढ़ती खाई है - और यह दोनों विभिन्न उद्योगों की तुलना में और उनमें से प्रत्येक (प्रदर्शन 1) के भीतर दोनों को देखा जा सकता है।


प्रदर्शन 1: निकट भविष्य में AI नेता इसमें और भी अधिक निवेश करने जा रहे हैं। कार्यक्षेत्र: अगले तीन वर्षों में% में एआई खर्च में वृद्धि का अनुमान है; क्षैतिज: पहले से ही AI का उपयोग करने वाली कंपनियों का प्रतिशत

अंतर को पाटने की कोशिश करने वाले निर्देशक सूचित तरीके से एआई के साथ काम करने में सक्षम होना चाहिए। दूसरे शब्दों में, उन्हें न केवल यह समझने की जरूरत है कि AI किन क्षेत्रों में नवाचार, विचारों और निर्णय लेने में मदद कर सकता है, लाभ और दक्षता में वृद्धि कर सकता है - बल्कि यह भी है कि AI अभी तक मदद करने में सक्षम नहीं है। इसके अलावा, उन्हें तकनीकी और संगठनात्मक बाधाओं के बीच संबंधों और मतभेदों को स्वीकार करना चाहिए - सांस्कृतिक बाधाएं, कर्मचारियों की कमी जो व्यवसाय के लिए टर्नकी एआई समाधान बना सकती है, और उत्पादों और प्रक्रियाओं में एआई को एम्बेड करने के "अंतिम मील" की समस्या। यदि आप एक ऐसा नेता बनना चाहते हैं, जो एआई की प्रगति को धीमा करने वाले कुछ महत्वपूर्ण तकनीकी मुद्दों को समझता है, और उन संभावित विकासों का लाभ उठाने के लिए तैयार है जो इन सीमाओं को पार कर सकते हैं और संभवतः एआई के विकास के मार्ग को बदल सकते हैं, पर पढ़ें।

चुनौतियां, सीमाएँ, और अवसर

एक उपयोगी संदर्भ बिंदु गहरी शिक्षा (जीओ) तकनीक में हाल के अग्रिमों को समझना होगा। एआई के क्षेत्र में ये शायद सबसे रोमांचक घटनाक्रम हैं, और उन्होंने पारंपरिक पर्यवेक्षण के बिना वर्गीकरण और भविष्यवाणियों में दक्षता में विस्फोटक वृद्धि हासिल की है। GO परतों में वितरित बड़े पैमाने पर तंत्रिका नेटवर्क का उपयोग करता है, जिसमें लाखों सिम्युलेटेड "न्यूरॉन्स" शामिल हैं। सबसे आम नेटवर्क विकल्पों को कन्वेक्शनल न्यूरल नेटवर्क (SNA) और रिकरंट न्यूरल नेटवर्क (RNS) कहा जाता है। इन तंत्रिका नेटवर्क को प्रशिक्षण डेटा और बैकप्रॉपैजेशन एल्गोरिदम का उपयोग करके प्रशिक्षित किया जाता है ।

जबकि इस क्षेत्र में प्रभावशाली प्रगति हुई है, बहुत कुछ किया जाना बाकी है। महत्वपूर्ण क्षण एआई को एक विशिष्ट कार्य और उपलब्ध डेटा को समायोजित करना है। चूंकि इन प्रणालियों को प्रोग्राम नहीं किया जाता है, लेकिन प्रशिक्षित किया जाता है, जटिल कार्यों के सटीक निष्पादन के लिए उनके काम की विभिन्न प्रक्रियाओं में अक्सर बड़ी मात्रा में टैग किए गए डेटा की आवश्यकता होती है। एक बड़ा डेटासेट प्राप्त करना मुश्किल हो सकता है। कुछ क्षेत्रों में, वे बस अस्तित्व में नहीं हो सकते हैं, लेकिन यदि वे मौजूद हैं, तो भी लेबलिंग मानव संसाधनों की एक बड़ी मात्रा ले सकता है।

इसके अलावा, इन मॉडलों में यह समझना मुश्किल हो सकता है कि कैसे एक गणितीय मॉडल, जिसे GO की मदद से प्रशिक्षित किया जाता है, एक निश्चित भविष्यवाणी, सिफारिश या समाधान के लिए आता है। एक ब्लैक बॉक्स की उपयोगिता, भले ही वह अपने उद्देश्य को पूरा करे, सीमित हो सकता है, विशेषकर उन मामलों में जहां इसकी भविष्यवाणियां या निर्णय समुदाय को प्रभावित करते हैं और मानव स्वास्थ्य से संबंधित परिणाम होते हैं। ऐसे मामलों में, उपयोगकर्ता को अक्सर "क्यों" जानने की आवश्यकता होती है - उदाहरण के लिए, एल्गोरिदम ऐसी सिफारिशों के लिए बिल्कुल कैसे आया - यदि इसके कार्यों के कानूनी या नियामक परिणाम हो सकते हैं। इस मामले में कुछ कारक, और कुछ अन्य कारक क्यों महत्वपूर्ण थे।

आइए हम पाँच परस्पर संबंधित कारकों की जाँच करें जिसमें ये सीमाएँ और उन्हें दरकिनार करने के उभरते विकल्प एक भूमिका निभाने लगते हैं।

सीमा 1: डेटा मार्कअप

अधिकांश आधुनिक AI मॉडल "पर्यवेक्षित शिक्षण" का उपयोग करते हुए प्रशिक्षित होते हैं। इसका मतलब है कि लोगों को स्रोत डेटा को चिह्नित और वर्गीकृत करना होगा - और ऐसा काम मुश्किल और त्रुटि प्रवण हो सकता है। उदाहरण के लिए, रोबोमोबाइल कंपनियां सैकड़ों लोगों को मैन्युअल रूप से इन प्रणालियों को प्रशिक्षित करने में मदद करने के लिए कई घंटों के वीडियो को किराए पर ले रही हैं। उसी समय, नई होनहार प्रौद्योगिकियां दिखाई देती हैं - उदाहरण के लिए, स्ट्रीमिंग नियंत्रण (एरिक होर्विट्ज़ और माइक्रोसॉफ्ट रिसर्च के सहकर्मियों द्वारा प्रदर्शित), जिसमें प्राकृतिक उपयोग के दौरान डेटा को चिह्नित किया जा सकता है। अनियंत्रित या आंशिक रूप से नियंत्रित दृष्टिकोण बड़े, लेबल डेटा सेट की आवश्यकता को कम करते हैं। दो आशाजनक तकनीक सुदृढीकरण प्रशिक्षण और एक जनरेटिव-प्रतिस्पर्धी नेटवर्क हैं ।

प्रबलित प्रशिक्षण। यह अनसुलझी सीखने की तकनीक एल्गोरिदम को बस परीक्षण और त्रुटि से सीखने की अनुमति देती है। कार्यप्रणाली गाजर और स्टिक विधि का उपयोग करती है: किसी कार्य को पूरा करने के प्रत्येक प्रयास के लिए, एल्गोरिथम को एक इनाम (उदाहरण के लिए, एक उच्च अंक) प्राप्त होता है, यदि उसका व्यवहार सफल है, या अन्यथा दंड। दोहराव की संख्या में वृद्धि के साथ, दक्षता भी बढ़ती है, और कई मामलों में यह मानव क्षमताओं से अधिक है - जब तक कि सीखने का माहौल वास्तविक दुनिया से मेल नहीं खाता है।

कंप्यूटर सीखने में कंप्यूटर गेम का उपयोग करने के लिए प्रबलित शिक्षण प्रसिद्ध है - हाल ही में, जीपी को भी इस योजना में बनाया गया है। मई 2017 में, उदाहरण के लिए, इसने गो गेम में अल्फ़ागो एआई सिस्टम को विश्व चैंपियन के ज़ी को हरा दिया। एक अन्य उदाहरण के रूप में, Microsoft ने ऐसी सेवाएँ प्रदान करना शुरू कर दिया है जो प्रबलित शिक्षण से लाभ उठाती हैं और उपयोगकर्ता की प्राथमिकताओं के अनुकूल होती हैं। प्रबलित शिक्षण का संभावित अनुप्रयोग विभिन्न प्रकार के उद्यमों के लिए उपयुक्त है। संभावनाओं में से हैं: एआई का उपयोग करते हुए प्रतिभूतियों में व्यापार करना, जो वित्त प्राप्त करने या खोने के लिए अंक प्राप्त करता है या खो देता है; उत्पाद सिफारिशों इंजन, सिफारिश पर किए गए प्रत्येक बिक्री के लिए अंक प्राप्त करना; सॉफ्टवेयर जो कार्गो परिवहन के लिए मार्ग बनाता है, समय पर वितरण या कम ईंधन की खपत के लिए एक इनाम प्राप्त करता है।

प्रबलित शिक्षा भी एआई को मानव मार्कअप की प्राकृतिक और सामाजिक सीमाओं को पार करने में मदद कर सकती है जो कि पहले किसी ने भी नहीं सोचा था, और रणनीतियों ने भी अनुभवी खिलाड़ियों का उपयोग करने के बारे में कभी नहीं सोचा था। हाल ही में, उदाहरण के लिए, एक नए प्रकार के सुदृढीकरण प्रशिक्षण का उपयोग करते हुए, अल्फ़ागो ज़ीरो सिस्टम ने स्क्रैच से खेलना सीखकर अपने पूर्ववर्ती अल्पीगो को हराया। इसका मतलब लोगों द्वारा और लोगों के साथ खेले जाने वाले खेलों में अभ्यास करने के बजाय खुद के साथ पूरी तरह से यादृच्छिक गेम से शुरू करना था।

जनन-प्रतिकूल नेटवर्क (GSS)। आंशिक नियंत्रण के साथ प्रशिक्षण के इस मॉडल में, दो नेटवर्क एक निश्चित अवधारणा की अपनी समझ को सुधारने और परिष्कृत करने के लिए एक-दूसरे के साथ प्रतिस्पर्धा करते हैं। उदाहरण के लिए, यह समझने के लिए कि पक्षी किस तरह के दिखते हैं, एक नेटवर्क पक्षियों की वास्तविक और नकली छवियों के बीच के अंतर को खोजने की कोशिश करता है, और इसका प्रतियोगी पक्षियों की छवियों के समान छवियों को जारी करके इसे ट्रिक करने की कोशिश करता है, लेकिन उन नहीं। जब दो जाल खींचने लगते हैं, तो प्रत्येक मॉडल में पक्षी का प्रतिनिधित्व अधिक सटीक हो जाता है।

तेजी से प्रशंसनीय डेटा उदाहरण प्रदान करने की जीएसएस की क्षमता लोगों को डेटा सेट को टैग करने की आवश्यकता को काफी कम कर सकती है। उदाहरण के लिए, चिकित्सा छवियों में ट्यूमर को पहचानने के लिए एल्गोरिथ्म को प्रशिक्षित करने के लिए, लाखों लोगों को लेबल वाली छवियों को आमतौर पर ट्यूमर के विकास के प्रकार और चरणों को इंगित करने की आवश्यकता होगी। जीएसएस का उपयोग करना, विभिन्न प्रकार के ट्यूमर की तेजी से यथार्थवादी छवियों का निर्माण करने के लिए प्रशिक्षित, शोधकर्ता ट्यूमर मान्यता एल्गोरिदम को प्रशिक्षित कर सकते हैं, जीएसएस से आउटपुट के साथ लोगों के लेबल वाले डेटा के बहुत छोटे डेटाबेस को मिलाते हैं।

हालाँकि रोगों के सटीक निदान के लिए GSS का उपयोग अभी भी कार्यान्वयन से दूर है, शोधकर्ता पहले से ही तेजी से जटिल संदर्भों में GSS का उपयोग करना शुरू कर रहे हैं। इनमें शामिल हैं: किसी विशेष कलाकार की शैली में कला की समझ और निर्माण कार्य; तेजी से विकासशील क्षेत्रों के प्रासंगिक मानचित्र बनाने के लिए उपग्रह चित्रों और भौगोलिक विशेषताओं की मान्यता का उपयोग।

सीमा 2: बड़े पैमाने पर प्रशिक्षण डेटासेट प्राप्त करें

यह पहले से ही दिखाया गया है कि रैखिक एआई प्रौद्योगिकियों का उपयोग करने वाली सरल एआई तकनीक, कुछ मामलों में, अन्य क्षेत्रों में चिकित्सा विशेषज्ञों की क्षमताओं के करीब आ सकती है। हालांकि, मशीन लर्निंग की वर्तमान लहर को प्रशिक्षण डेटा सेट की आवश्यकता होती है - न केवल लेबल किया जाता है, बल्कि बड़ी संख्या में, साथ ही व्यापक भी। जीओ के तरीकों को वर्गीकरण में सक्षम अपेक्षाकृत अच्छे मॉडल को संकलित करने के लिए हजारों रिकॉर्ड की आवश्यकता होती है, और कुछ मामलों में, किसी व्यक्ति के स्तर के करीब पहुंचने के लिए लाखों रिकॉर्ड।

कठिनाई यह है कि ऐसे बड़े डेटासेट कई वाणिज्यिक मामलों को प्राप्त करने या बनाने में मुश्किल हो सकते हैं। कार्य में प्रत्येक छोटे परिवर्तन के लिए एक और बड़े डेटा सेट और नए प्रशिक्षण की आवश्यकता हो सकती है। उदाहरण के लिए, एक खनन स्थल के चारों ओर जाने के लिए एक स्वायत्त वाहन को प्रशिक्षित करना, जहां मौसम अक्सर बदलता रहता है, एक डेटा सेट की आवश्यकता हो सकती है जिसमें विभिन्न पर्यावरणीय परिस्थितियां शामिल होती हैं जो मशीन का सामना कर सकती हैं।

एक-शॉट सीखने की तकनीक बड़े डेटा सेट की आवश्यकता को कम कर सकती है और एआई मॉडल को कम संख्या में वास्तविक प्रदर्शनों या उदाहरणों (कुछ मामलों में, यहां तक ​​कि एक) के साथ ऑब्जेक्ट की विशेषताओं को सीखने की अनुमति दे सकती है। एआई की क्षमताएं एक ऐसे व्यक्ति के करीब आएंगी जो एक ही श्रेणी के विभिन्न प्रतिनिधियों को सही-सही पहचान सकता है, क्योंकि वह केवल एक उदाहरण से परिचित होता है - उदाहरण के लिए, एक पिकअप ट्रक के साथ। इस पद्धति में, जो अभी भी विकास के अधीन है, वैज्ञानिक पहले नकली वास्तविकता में मॉडल को पहले से प्रशिक्षित करते हैं, जिसमें कार्य के लिए विकल्प होते हैं, या, पैटर्न मान्यता के मामले में, किसी वस्तु की छवि। फिर, मॉडल वास्तविक दुनिया में ऑब्जेक्ट के लिए कई विकल्पों को प्रदर्शित करने के बाद, जिसे एआई ने आभासी वास्तविकता में नहीं देखा था, कि कोई व्यक्ति मौजूदा ज्ञान का उपयोग सही समाधान निकालने के लिए करेगा।

एक समय से इस तरह का प्रशिक्षण एक परिणाम बनाने में मदद कर सकता है जो कॉपीराइट उल्लंघन के लिए ग्रंथों को स्कैन करता है या एक वीडियो में एक कॉर्पोरेट लोगो को पहचानता है, इसके सिर्फ एक उदाहरण से परिचित होने के बाद। आज, ऐसे अनुप्रयोग अपने प्रारंभिक चरण में हैं। लेकिन उनकी उपयोगिता और प्रभावशीलता विभिन्न उद्योगों में एआई का उपयोग करने की संभावनाओं का तेजी से विस्तार कर सकती है।

सीमा 3: व्याख्यात्मकता की समस्या

एआई सिस्टम के लिए स्पष्टीकरण कोई नई समस्या नहीं है। लेकिन यह नागरिक सुरक्षा की सफलताओं और अपनाने के साथ बढ़ता है, जिसके कारण न केवल अनुप्रयोगों की विविधता बढ़ रही है, बल्कि उनकी अस्पष्टता भी बढ़ रही है। मॉडल जितना बड़ा और जटिल होता है, उतना ही मुश्किल होता है मानवीय शब्दों में समझाना कि यह या वह निर्णय क्यों किया गया (यदि वास्तविक समय में सब कुछ होता है तो यह करना और भी मुश्किल है)। यह उन कारणों में से एक है कि कुछ एआई उपकरणों का उपयोग उन क्षेत्रों में इतना विस्तार नहीं कर रहा है जहां स्पष्टीकरण उपयोगी या आवश्यक है। इसके अलावा, एआई के दायरे के विस्तार के साथ, नियामकों की आवश्यकताएं उच्च स्तर की व्याख्या के साथ एआई मॉडल की आवश्यकता को भी बढ़ा सकती हैं।

बढ़ते मॉडल पारदर्शिता के लिए दो नवजात आशाजनक दृष्टिकोण स्थानीय-व्याख्यात्मक-मॉडल-अज्ञेय स्पष्टीकरण (लीम) और ध्यान तकनीक (प्रदर्शन 2) हैं। लीमई यह निर्धारित करने की कोशिश करता है कि इनपुट मॉडल के किन हिस्सों में प्रशिक्षित मॉडल मुख्य रूप से एक मध्यवर्ती, व्याख्यात्मक मॉडल विकसित करने के लिए इसकी गणना को आधार बनाता है। यह तकनीक एक समय में कई डेटा खंडों को देखती है और यह देखती है कि मध्यवर्ती मॉडल को ठीक करने के लिए भविष्यवाणियां कैसे बदलती हैं और अधिक सटीक व्याख्या विकसित करती है (उदाहरण के लिए, नाक की बजाय आंखों को छोड़कर यह जांचना कि कौन चेहरे की पहचान के लिए अधिक महत्वपूर्ण है)। ध्यान देने की तकनीक इनपुट डेटा के उन हिस्सों की कल्पना करती है जो मॉडल एक विशिष्ट निर्णय लेने पर निर्भर करता है (उदाहरण के लिए, यह निर्धारित करने के लिए मुंह पर ध्यान केंद्रित करना कि कोई व्यक्ति चित्र में है)।


प्रदर्शन २

एक और तकनीक जो कुछ समय के लिए इस्तेमाल की गई है वह सामान्यीकृत योज्य मॉडल (OAM) है। एक विशेषता वाले मॉडल का उपयोग करना, OAM सुविधाओं की पारस्परिक क्रिया को सीमित करता है, जिसके परिणामस्वरूप उनमें से प्रत्येक उपयोगकर्ताओं के लिए अधिक व्याख्यात्मक हो जाता है। यह उम्मीद की जाती है कि एआई से रहस्य के पर्दे को हटाने के लिए इन और अन्य तकनीकों को अपनाने से एआई के उपयोग को बढ़ाने में मदद मिलेगी।

सीमा 4: सीखने की सामान्यता

मनुष्यों के विपरीत, AI मॉडल परिस्थितियों के एक सेट से दूसरे में अपने अनुभव को मुश्किल से स्थानांतरित करते हैं। वास्तव में, एक विशिष्ट एप्लिकेशन में मॉडल ने जो कुछ भी हासिल किया है वह केवल इस मामले पर लागू होता है। नतीजतन, कंपनियों को अगले मॉडल के प्रशिक्षण के लिए संसाधनों को लगातार खर्च करना पड़ता है, हालांकि उनके आवेदन के लिए कार्य बहुत समान हैं।

इस चुनौती का एक होनहार उत्तर है पोर्टेबल लर्निंग। इस दृष्टिकोण में, AI मॉडल को एक विशिष्ट समस्या को हल करने के लिए प्रशिक्षित किया जाता है, और फिर जल्दी से इस प्रशिक्षण को एक समान लेकिन अलग-अलग काम पर लागू किया जाता है। डीपमाइंड के शोधकर्ताओं ने प्रयोगों में सीखने के हस्तांतरण के साथ आशाजनक परिणाम दिखाए हैं जिसमें वास्तविक रोबोटिक अंगों को नियंत्रित करने के लिए आभासी वास्तविकता का उपयोग करते हुए प्रशिक्षण स्थानांतरित किया गया था।

पोर्टेबल लर्निंग और अन्य जेनेरिक दृष्टिकोण विकसित हो रहे हैं, और वे संगठनों को मौजूदा और काम करने के तरीकों में नई कार्यक्षमता को लागू करने और जोड़ने के लिए जल्दी से नए तरीके बनाने में मदद कर सकते हैं। उदाहरण के लिए, एक आभासी सहायक बनाते समय, पोर्टेबल प्रशिक्षण एक क्षेत्र (कहो, संगीत) से उपयोगकर्ता की वरीयताओं को सामान्य कर सकता है (जैसे, किताबों के लिए)। उपयोग के मामले डिजिटल उत्पादों तक सीमित नहीं हैं। पोर्टेबल प्रशिक्षण मदद कर सकता है, उदाहरण के लिए, एक तेल और गैस कंपनी पाइपलाइन और ड्रिलिंग प्लेटफार्मों जैसे अन्य उपकरणों के लिए भविष्य कहनेवाला रखरखाव पर प्रशिक्षित एआई एल्गोरिदम के उपयोग का विस्तार करती है। पोर्टेबल प्रशिक्षण, यहां तक ​​कि सिद्धांत रूप में, व्यापार विश्लेषिकी में क्रांति ला सकता है: एक एआई उपकरण की कल्पना करें जो डेटा का विश्लेषण करता है और समझता है कि एयरलाइन मुनाफे को कैसे अनुकूलित किया जाए, जो मौसम या स्थानीय अर्थव्यवस्थाओं में बदलाव के लिए अपने मॉडल को अनुकूलित करने में सक्षम है।

एक अन्य दृष्टिकोण ऐसी चीज़ का उपयोग करना है जो विभिन्न समस्याओं पर लागू सामान्यीकृत संरचना का वर्णन करता है। उदाहरण के लिए, डीपमाइंड के अल्फाज़ेरो ने तीन अलग-अलग खेलों के लिए एक ही संरचना का उपयोग किया: एक दिन में शतरंज के खेल के एक मॉडल को प्रशिक्षित करने के लिए इस सामान्यीकृत संरचना के साथ यह संभव था, ताकि बाद में यह विश्व चैंपियन कार्यक्रम के खिलाफ जीता।

अंत में, मशीन सीखने के मॉडल के विकास को स्वचालित करने की कोशिश करने वाले नवजात मेटा-लर्निंग तकनीक की संभावनाओं की कल्पना करें। उदाहरण के लिए, Google मस्तिष्क टीम बड़े पैमाने पर डेटासेट पर छवियों को वर्गीकृत करने के लिए तंत्रिका नेटवर्क के विकास को स्वचालित करने के लिए ऑटोएमएल का उपयोग करती है। आज, ये तकनीक इंसानों द्वारा विकसित की गई चीजों के साथ ही काम करती है।यह विकास आशाजनक दिखता है, खासकर इस तथ्य के कारण कि कई संगठन प्रतिभाशाली कर्मचारियों की कमी का अनुभव करते हैं। यह भी संभव है कि मेटा-लर्निंग मानव क्षमताओं से अधिक हो और परिणाम बेहतर हो। यह समझना महत्वपूर्ण है कि ये प्रौद्योगिकियां अभी भी विकास के प्रारंभिक चरण में हैं।

सीमा 5: पूर्वाग्रह डेटा और एल्गोरिदम

अब तक, हमने उन सीमाओं पर ध्यान केंद्रित किया है जिन्हें विकास के तहत पहले से ही तकनीकी तरीकों से दूर किया जा सकता है, जिनमें से कुछ का हमने वर्णन किया है। पूर्वाग्रह एक अलग तरह की समस्या है। संभावित रूप से विनाशकारी सामाजिक परिणाम हमें इंतजार कर सकते हैं जब मानव व्यसनों (सचेत या बेहोश) यह निर्धारित करेंगे कि किस डेटा का उपयोग करना है और किसको अनदेखा करना है। इसके अलावा, जब डेटा संग्रह की प्रक्रिया और आवृत्ति अलग-अलग समूहों और व्यवहार के आधार पर भिन्न होती है, तो हम एल्गोरिदम इस डेटा का विश्लेषण कैसे करेंगे, इससे सीख सकते हैं और इससे भविष्यवाणियां कर सकते हैं। इसके दुष्परिणामों में: गलत सूचना, विकृत वैज्ञानिक या चिकित्सा पूर्वानुमान, गलत वित्तीय मॉडल और आपराधिक मामलों पर निर्णय के आधार पर कर्मचारियों को काम पर रखने के फैसले,और गलत कानूनी निर्णय। कई मामलों में, यह पूर्वाग्रह "उन्नत डेटा विज्ञान," "मालिकाना डेटा और एल्गोरिदम, या" उद्देश्य विश्लेषण की आड़ में अनदेखा या अनदेखा रहता है।

नए क्षेत्रों में मशीन लर्निंग और एआई एल्गोरिदम को तैनात करके, हम इन पूर्वाग्रह समस्याओं की नई अभिव्यक्तियों का सामना कर सकते हैं जो डेटासेट और एल्गोरिदम में उत्पन्न होती हैं। और वे आम तौर पर वहां रहते हैं, क्योंकि उन्हें पहचानने और उन्हें खत्म करने के लिए कदम उठाने के लिए, आपको डेटा एकत्र करने की प्रक्रिया सहित डेटा और मौजूदा सामाजिक इंटरैक्शन के साथ काम करने की तकनीक दोनों को गहराई से समझने की आवश्यकता है। सामान्य तौर पर, पूर्वाग्रह सबसे कठिन बाधाओं में से एक है, और निश्चित रूप से सबसे सामाजिक रूप से बोझ है।

अब शैक्षणिक, गैर-वाणिज्यिक और निजी क्षेत्रों में वर्णित समस्याओं को हल करने की कोशिश करते हुए, एआई का उपयोग करने के सर्वोत्तम तरीकों पर सैद्धांतिक और एकत्रित डेटा दोनों का एक बहुत कुछ है। और यह उच्च समय है - यह समस्या अधिक से अधिक महत्वपूर्ण हो सकती है, और अधिक से अधिक प्रश्न उठाएगी। उदाहरण के लिए, इस तथ्य पर विचार करें कि सीखने और आंकड़ों के आधार पर इनमें से कई भविष्यवाणियां इस बात को स्वीकार करती हैं कि भविष्य अतीत की तरह है। और सामाजिक-सांस्कृतिक परिवेश में हम क्या करेंगे जब हम जो कार्य करेंगे वह इसे बदल देगा - और जहां पिछले व्यवहार के आधार पर निर्णय लेने की प्रगति धीमी हो सकती है (या, और भी बदतर, परिवर्तन के लिए प्रतिरोध विकसित करें)? व्यापारी नेताओं सहित कई नेताओं,जल्द ही इस तरह के सवालों के जवाब खोजने की आवश्यकता के साथ सामना किया जा सकता है।

चलती लक्ष्य को कैसे मारें

वर्णित सीमाओं के समाधान के साथ आने और यहां बताए गए उन्नत विकास के वाणिज्यिक कार्यान्वयन का प्रसार करने में वर्षों लग सकते हैं। लेकिन एआई-संबंधित क्षमताओं का एक रोमांचक सरणी बताता है कि कल्पना एआई की सबसे बड़ी सीमा हो सकती है। यहां सबसे आगे रहने की कोशिश कर रहे नेताओं के लिए कुछ सुझाव दिए गए हैं, या कम से कम अत्याधुनिक रुझानों के साथ बने रहें।

नई जानकारी जानें, अनुकूलित करें, बनाए रखें।

यद्यपि उद्यम के अधिकांश निदेशकों को दृढ़ और आवर्तक तंत्रिका नेटवर्क के बीच के अंतर को जानने की आवश्यकता नहीं है, आपको आमतौर पर आधुनिक उपकरणों की क्षमताओं से परिचित होने की आवश्यकता होती है, एक सामान्य ज्ञान होता है कि जब अल्पावधि में सफलताएं हो सकती हैं, और उन संभावनाओं को देखें जो क्षितिज से परे हैं। अपने डेटा और मशीन सीखने के विशेषज्ञों का साक्षात्कार करें, वर्तमान ज्ञान के अनुकूल होने के लिए एआई अग्रदूतों के साथ बात करें, वास्तविक तथ्यों की जानकारी प्राप्त करने के लिए एआई सम्मेलनों के एक जोड़े में भाग लें; समाचार लेख मददगार हो सकते हैं, लेकिन वे प्रचार का हिस्सा भी हो सकते हैं। नए घटनाक्रम को बनाए रखने का एक और अच्छा तरीका है, जानकार विशेषज्ञों द्वारा किया गया शोध, जैसे एआई इंडेक्स ( सेंटेनरी एआई रिसर्च ग्रुप की एक परियोजना) "स्टैनफोर्ड से)।

एक परिष्कृत डेटा रणनीति का उपयोग करना शुरू करें।

एआई एल्गोरिदम को आपके सिस्टम द्वारा उत्पन्न डेटा में गुप्त नए विचारों को प्रकट करने में मदद की आवश्यकता है। उन्हें डेटा के साथ काम करने के लिए एक व्यापक रणनीति विकसित करके मदद की जा सकती है, न केवल व्यक्तिगत प्रणालियों से डेटा एकत्र करने के लिए आवश्यक प्रौद्योगिकियों पर ध्यान केंद्रित करना, बल्कि डेटा की उपलब्धता, उनकी प्राप्ति, लेआउट और प्रबंधन के लिए सिस्टम पर भी ध्यान केंद्रित करना। और यद्यपि नई प्रौद्योगिकियां एआई एल्गोरिदम को प्रशिक्षित करने के लिए आवश्यक डेटा की मात्रा को कम करने का वादा करती हैं, नियंत्रित प्रशिक्षण, बड़ी मात्रा में डेटा की आवश्यकता होती है, फिर भी प्रमुख प्रौद्योगिकी बनी हुई है। और यहां तक ​​कि आवश्यक मात्रा में डेटा को कम करने के उद्देश्य से प्रौद्योगिकियों को अभी भी किसी प्रकार के डेटा की आवश्यकता होती है। इसलिए, इस सब का मुख्य बिंदु आपके अपने डेटा का सटीक ज्ञान होगा और इसका सबसे अच्छा उपयोग कैसे करना है।

बॉक्स के बाहर सोचो।

स्थानांतरण हस्तांतरण तकनीक अभी भी अपनी प्रारंभिक अवस्था में है, लेकिन हमेशा एआई का उपयोग करके समाधान प्राप्त करने का अवसर होता है, और न केवल एक में। यदि आपने एक बड़े गोदाम में उपकरणों के भविष्य के रखरखाव के रूप में इस तरह की समस्या को हल किया है, तो क्या यह समाधान उपभोक्ता उत्पादों पर लागू किया जा सकता है? क्या मैं कई उत्पाद वितरण चैनलों में प्रभावी "खरीदने के लिए और क्या" युक्तियों का उपयोग कर सकता हूं? कंपनी विभागों को एक-दूसरे के साथ ज्ञान साझा करने के लिए प्रोत्साहित करें जो आपकी कंपनी के कई क्षेत्रों में सर्वश्रेष्ठ एआई समाधान और विचारों का उपयोग करने के तरीकों को प्रकट कर सकते हैं।

एक प्रर्वतक बनें।

बस आधुनिक एआई तकनीकों और उपयोग के मामलों को ध्यान में रखते हुए लंबे समय तक प्रतिस्पर्धी बने रहने के लिए पर्याप्त नहीं है। अपने डेटा प्रोसेसिंग विशेषज्ञों को मनाएं या बाहर के विशेषज्ञों के साथ उभरती तकनीकों की मदद से एक उपयोगी समस्या को हल करने की व्यवस्था करें - जैसे कि इस लेख में बताया गया है। हमेशा पता करें कि क्या किया जा सकता है और क्या उपलब्ध हो गया है। कई मशीन सीखने के उपकरण, डेटासेट, और मानक अनुप्रयोगों (भाषण, दृष्टि और भावना मान्यता सहित) के लिए प्रशिक्षित मॉडल अब सामान्य उपयोगकर्ता के लिए उपलब्ध हैं। कभी-कभी वे स्रोत कोड वाली परियोजनाओं के रूप में उपलब्ध होते हैं, अन्य मामलों में अग्रणी शोधकर्ताओं और कंपनियों द्वारा बनाए गए सॉफ्टवेयर इंटरफेस (एपीआई) के माध्यम से। इन सुविधाओं के लिए बाहर देखो,वे आपको पायनियर सेवा के लाभों को नोटिस करने में मदद कर सकते हैं।

एआई के लिए संभावनाएं बहुत बड़ी हैं, और इन वादों को कार्रवाई में अनुवाद करने के लिए आवश्यक प्रौद्योगिकियां, उपकरण और प्रक्रियाएं अभी तक पूरी तरह से तैयार नहीं हैं। यदि आपको लगता है कि आप प्रतीक्षा कर सकते हैं, तो तकनीक को आकार दें, और फिर सफलतापूर्वक पहले में से एक का उपयोग करें - फिर से सोचें। खड़ी स्थिति से छलांग लगाना बहुत मुश्किल है, खासकर अगर लक्ष्य बहुत तेज़ी से आगे बढ़ता है, और आप यह नहीं समझते हैं कि आधुनिक एआई प्रौद्योगिकियां क्या कर सकती हैं और क्या नहीं। और जब एआई के क्षेत्र में शोधकर्ताओं और अग्रदूतों ने आज की सबसे तीव्र समस्याओं को हल करने के लिए तैयार किया है, तो यह समझने का समय है कि एआई में सबसे आगे क्या हो रहा है ताकि आप अपने संगठन को सही ढंग से स्थापित कर सकें और नए अवसरों को सीखने में मदद कर सकें, उनका उपयोग कर सकें और उनका प्रचार भी कर सकें। आगे।