एआई उद्योग में एक कड़वा सबक

लेखक के बारे में। रिचर्ड सुटन अलबर्टा विश्वविद्यालय में कंप्यूटर विज्ञान के प्रोफेसर हैं। यह सुदृढीकरण के साथ आधुनिक कम्प्यूटेशनल शिक्षण विधियों के संस्थापकों में से एक माना जाता है।

एआई में 70 साल के शोध के परिणाम के अनुसार, मुख्य सबक यह है कि सामान्य कम्प्यूटेशनल तरीके अंततः सबसे प्रभावी हैं। और एक विस्तृत मार्जिन द्वारा। बेशक, इसका कारण मूर का नियम है, या यों कहें कि कंप्यूटिंग की लागत में घातीय गिरावट है।

अधिकांश एआई अध्ययनों ने सुझाव दिया है कि एजेंट के पास चल रहे कंप्यूटिंग संसाधनों तक पहुंच है। इस मामले में, उत्पादकता बढ़ाने का एकमात्र तरीका मानव ज्ञान का उपयोग करना है। लेकिन एक सामान्य शोध परियोजना बहुत कम समय तक चलती है, और कुछ वर्षों के बाद, कंप्यूटर का प्रदर्शन अनिवार्य रूप से बढ़ जाता है।

अल्पावधि में सुधार के प्रयास में, शोधकर्ताओं ने विषय क्षेत्र में मानव ज्ञान को लागू करने की कोशिश कर रहे हैं, लेकिन लंबे समय में केवल कंप्यूटिंग मामलों की शक्ति। इन दो प्रवृत्तियों को एक दूसरे के विपरीत नहीं होना चाहिए, लेकिन व्यवहार में वे विरोधाभास करते हैं। एक दिशा में बिताया गया समय दूसरे के लिए खो जाने वाला समय है। एक दृष्टिकोण या दूसरे में निवेश करने के लिए मनोवैज्ञानिक दायित्व हैं। और विषय क्षेत्र में ज्ञान का कार्यान्वयन इस तरह से प्रणाली को जटिल बनाता है कि यह सामान्य कम्प्यूटेशनल विधियों का उपयोग करने के लिए कम उपयुक्त है। ऐसे कई उदाहरण हैं जहां शोधकर्ताओं ने इस कड़वे सबक को बहुत देर से सीखा, और यह सबसे प्रसिद्ध में से कुछ पर विचार करने के लिए उपयोगी है।

कंप्यूटर शतरंज में, 1997 में विश्व चैंपियन कास्परोव को हराने वाली प्रणाली विकल्पों की गहरी खोज पर आधारित थी। उस समय, अधिकांश कंप्यूटर शतरंज शोधकर्ताओं ने अलार्म के साथ इन तरीकों को देखा क्योंकि उन्होंने विषय क्षेत्र की एक मानवीय समझ को लागू किया - एक शतरंज के खेल की विशेष संरचना। जब विशेष हार्डवेयर और सॉफ्टवेयर के साथ एक सरल, खोज-आधारित दृष्टिकोण काफी अधिक प्रभावी निकला, तो इन शोधकर्ताओं ने हार स्वीकार करने से इनकार कर दिया। उन्होंने कहा कि जानवर बल विधि एक बार काम कर सकती है, लेकिन यह सामान्य रणनीति नहीं है। किसी भी मामले में, लोग इस तरह शतरंज नहीं खेलते हैं। ये शोधकर्ता खेल की मानवीय समझ के आधार पर जीतने के तरीके चाहते थे, लेकिन वे निराश थे।

20 साल की देरी के साथ ही गो गेम के अध्ययन में भी ऐसी ही स्थिति मौजूद है। खोज से बचने और मानव विषय ज्ञान या गेम सुविधाओं का उपयोग करने के लिए विशाल प्रारंभिक प्रयासों का उद्देश्य था, लेकिन जब बड़े पैमाने पर समानांतर संगणना वाले विकल्पों की गहरी खोज प्रभावी रूप से लागू की गई थी, तो ये सभी प्रयास बेकार थे। यह पता चला कि कई अन्य खेलों और यहां तक ​​कि शतरंज में भी मूल्य के समारोह में महारत हासिल करने के लिए स्व-अध्ययन महत्वपूर्ण था, हालांकि 1997 के कार्यक्रम में इस समारोह ने बड़ी भूमिका नहीं निभाई, जिसने पहली बार विश्व चैंपियन जीता। खुद के साथ एक खेल में सीखना और सामान्य रूप से सीखना इस अर्थ में खोज करने के समान है कि वे बड़े पैमाने पर समानांतर कंप्यूटिंग के उपयोग की अनुमति देते हैं। खोज और प्रशिक्षण एआई अनुसंधान में कंप्यूटिंग शक्ति के सबसे महत्वपूर्ण अनुप्रयोग हैं। जैसा कि कंप्यूटर शतरंज में, गो गेम के लिए एक कार्यक्रम के विकास में, शोधकर्ताओं ने पहले विषय क्षेत्र (जो कम खोज की आवश्यकता होती है) की एक मानवीय समझ को लागू करने पर ध्यान केंद्रित किया और बहुत बाद में बड़ी सफलता मिली जब उन्होंने खोज और प्रशिक्षण लागू किया।

1970 के दशक में, DARPA ने भाषण पहचान प्रणाली प्रतियोगिता आयोजित की। प्रतियोगियों ने कई विशेष विधियों का प्रस्ताव किया जिसमें विषय क्षेत्र के ज्ञान का उपयोग किया गया - शब्दों का ज्ञान, ध्वनि-विज्ञान, मानव स्वर, इत्यादि। दूसरी ओर, नए तरीके पेश किए गए जो प्रकृति में अधिक सांख्यिकीय थे। उन्होंने छिपे हुए मार्कोव मॉडल (HMM) के आधार पर अधिक संगणना की। और फिर, सांख्यिकीय तरीके डोमेन ज्ञान के आधार पर तरीकों पर विजय प्राप्त करते हैं। इससे सभी प्राकृतिक भाषा प्रसंस्करण में महत्वपूर्ण परिवर्तन हुए हैं। धीरे-धीरे, इस क्षेत्र में, पिछले कुछ वर्षों में आंकड़े और गणना प्रमुख हो गए हैं। भाषण मान्यता में गहरी सीखने की हालिया वृद्धि उस दिशा में अंतिम कदम है। गहन शिक्षण विधियां मानव ज्ञान पर भी कम निर्भर करती हैं और विशाल डेटा सेटों पर सीखने के साथ और भी अधिक संगणना का उपयोग करती हैं। इससे वाक् पहचान प्रणाली में बहुत सुधार हुआ है। जैसा कि खेलों में, शोधकर्ताओं ने हमेशा अपने स्वयं के दिमाग के मॉडल पर काम करने वाले सिस्टम बनाने की कोशिश की है: उन्होंने विषय क्षेत्र के अपने ज्ञान को अपने सिस्टम में स्थानांतरित करने की कोशिश की। लेकिन अंततः, यह उल्टा निकला और समय की भारी बर्बादी हुई जब मूर के कानून ने बड़े पैमाने पर गणनाएं उपलब्ध कराईं और उनके प्रभावी उपयोग के लिए उपकरण विकसित किए गए।

कंप्यूटर दृष्टि में, एक समान तस्वीर। प्रारंभिक तरीकों को दृष्टि को वस्तुओं की सीमाओं के लिए एक खोज के रूप में माना जाता है, सामान्यीकृत सिलेंडर या सिंट संकेतों के संदर्भ में। लेकिन आज यह सब त्याग दिया जाता है। गहरी सीखने के आधुनिक तंत्रिका नेटवर्क केवल संकल्पना और कुछ अपरिवर्तनों की अवधारणाओं का उपयोग करते हैं, जबकि वे बहुत बेहतर काम करते हैं।

यह एक बहुत बड़ा सबक है। एक पूरे के रूप में उद्योग में, हम अभी तक इसे पूरी तरह से समझ नहीं पाए हैं, क्योंकि हम एक ही गलती करना जारी रखते हैं। इसे प्रभावी ढंग से मुकाबला करने के लिए, आपको यह समझने की जरूरत है कि इन गलतियों को आकर्षक बनाता है। हमें एक कड़वा सबक सीखना होगा: मानव मन का एक मॉडल बनाना लंबे समय में काम नहीं करता है। कड़वा सबक कई ऐतिहासिक टिप्पणियों पर आधारित है:

1. शोधकर्ताओं ने अक्सर अपने ज्ञान को एआई एजेंटों में एकीकृत करने की कोशिश की।
   
2. यह हमेशा अल्पावधि में मदद करता है और शोधकर्ता को व्यक्तिगत रूप से संतुष्ट करता है, लेकिन
   
3. लंबे समय में, यह दृष्टिकोण छत पर टिकी हुई है और यहां तक ​​कि आगे की प्रगति को धीमा कर देती है।
   
4. निर्णायक प्रगति अंततः खोज और प्रशिक्षण के माध्यम से बड़े पैमाने पर गणना के आधार पर, विपरीत दृष्टिकोण से आती है।

अंतिम सफलता कड़वाहट से रंगी है और अक्सर पूरी तरह से स्वीकार नहीं की जाती है, क्योंकि यह एक आकर्षक, व्यक्ति-केंद्रित दृष्टिकोण पर जीत है।

इस कड़वे अनुभव से एक सबक अवश्य सीखा जाना चाहिए: किसी को उन सामान्य तरीकों की विशाल शक्ति को पहचानना चाहिए जो बढ़ती कंप्यूटिंग शक्ति के साथ बड़े पैमाने पर जारी रहें, तब भी जब भारी मात्रा में संगणना आवश्यक हो। खोज और प्रशिक्षण असीम रूप से स्केलेबल लगता है।

कड़वे सबक से खींचा जाने वाला दूसरा सामान्य बिंदु यह है कि वास्तविक मानव सोच अत्यंत, वास्तव में कठिन है। हमें अंतरिक्ष, वस्तुओं या कई एजेंटों के सरल मॉडल के रूप में मन की सामग्री को प्रस्तुत करने का एक सरल तरीका खोजने की कोशिश करना बंद कर देना चाहिए। यह सब एक आंतरिक रूप से जटिल बाहरी दुनिया का हिस्सा है। यह प्रतिरूपित नहीं किया जा सकता क्योंकि जटिलता अंतहीन है। इसके बजाय, मेटा-विधियों को विकसित किया जाना चाहिए जो इस मनमानी जटिलता को ढूंढ और पकड़ सकते हैं। इन विधियों के लिए, यह महत्वपूर्ण है कि वे अच्छे अनुमान लगा सकें, लेकिन यह खोज स्वयं विधियों द्वारा की गई है, न कि हमारे द्वारा। हमें एआई एजेंटों की आवश्यकता है जो स्वयं शोध कर सकें, और हमारे द्वारा खोजे गए ज्ञान का उपयोग न करें। मानव ज्ञान पर एआई प्रणाली का निर्माण केवल इसके प्रशिक्षण को जटिल बनाता है।