मशीन सीखने की सीमाएँ

नमस्कार, हेब्र! मैथ्यू स्टीवर्ट द्वारा लेख "मशीन सीखने की सीमाएं" का अनुवाद आपके सामने प्रस्तुत करता हूं।

इस लेख को पढ़ने वाले अधिकांश लोग संभवतः मशीन लर्निंग और डेटा के आधार पर परिणामों को वर्गीकृत या भविष्यवाणी करने के लिए उपयोग किए जाने वाले संबंधित एल्गोरिदम से परिचित हैं। हालांकि, यह समझना महत्वपूर्ण है कि मशीन लर्निंग सभी समस्याओं का समाधान नहीं है। मशीन सीखने की उपयोगिता को देखते हुए, यह स्वीकार करना मुश्किल हो सकता है कि कभी-कभी यह समस्या का सबसे अच्छा समाधान नहीं है।


मशीन लर्निंग कृत्रिम बुद्धिमत्ता की एक शाखा है जिसने दुनिया में क्रांति ला दी है जैसा कि हम पिछले एक दशक में जानते हैं। सूचना विस्फोट ने भारी मात्रा में डेटा का संग्रह किया है, विशेषकर फेसबुक और Google जैसी बड़ी कंपनियों द्वारा। प्रोसेसर पावर और कंप्यूटर समानांतरकरण के तेजी से विकास के साथ संयुक्त डेटा की यह मात्रा, बड़ी मात्रा में डेटा प्राप्त करना और अध्ययन करना अपेक्षाकृत आसान बनाती है।

आजकल मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस का हाइपरबॉय सर्वव्यापी है। शायद यह सही है, यह देखते हुए कि इस क्षेत्र के लिए क्षमता बहुत बड़ी है। पिछले कुछ वर्षों में, AI परामर्श एजेंसियों की संख्या में वृद्धि हुई है, और वास्तव में, AI- संबंधित नौकरियों की संख्या में 2015 और 2018 के बीच 100% की वृद्धि हुई है।

दिसंबर 2018 तक, फोर्ब्स ने पाया कि 47% व्यवसायों में अपनी व्यावसायिक प्रक्रिया में AI का उपयोग करने की कम से कम एक क्षमता है, और डेलॉइट रिपोर्ट कहती है कि एकीकृत AI और क्लाउड-आधारित AI विकास सेवाओं के साथ एंटरप्राइज़ सॉफ़्टवेयर की पैठ दर लगभग पहुंच जाएगी क्रमशः 87 और 83 प्रतिशत। ये संख्या प्रभावशाली हैं - यदि आप निकट भविष्य में अपना कैरियर बदलने की योजना बनाते हैं, तो एआई एक अच्छा क्षेत्र लगता है।

सब कुछ बहुत खूबसूरत लगता है, है ना? कंपनियां खुश हैं, और उपभोक्ता भी बहुत खुश हैं, अन्यथा कंपनियां एआई का उपयोग नहीं करेंगी।

यह बहुत अच्छा है, और मैं मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस का भी बड़ा प्रशंसक हूं। हालांकि, ऐसे समय होते हैं जब मशीन सीखने का उपयोग केवल आवश्यक नहीं होता है, इसका कोई मतलब नहीं होता है, और कभी-कभी जब कार्यान्वयन मुश्किल हो सकता है।

सीमा 1 - आचार

यह समझना आसान है कि मशीन लर्निंग का दुनिया पर इतना गहरा प्रभाव क्यों पड़ा है, लेकिन जो कम स्पष्ट है वह वही है जो इसकी क्षमताएं हैं और इससे भी महत्वपूर्ण बात यह है कि इसकी सीमाएं क्या हैं। जैसा कि आप जानते हैं, युवल नूह हरारी ने "डेटिज़्म" शब्द को गढ़ा था, जो सभ्यता के प्रस्तावित नए चरण को संदर्भित करता है, जिसे हम अपने स्वयं के निर्णय और तर्क से अधिक एल्गोरिदम और डेटा पर भरोसा करते हैं।

यद्यपि यह विचार हास्यास्पद लग सकता है, याद रखें कि जब आप पिछली बार छुट्टी पर गए थे और जीपीएस निर्देशों का पालन किया था, और नक्शे के बारे में अपने स्वयं के निर्णय नहीं थे - क्या आप जीपीएस रेटिंग पर सवाल उठाते हैं? लोग सचमुच झीलों में चले गए क्योंकि उन्होंने अपने जीपीएस के निर्देशों का नेत्रहीन पालन किया।

डेटा और एल्गोरिदम पर भरोसा करने का विचार जितना हम सोचते हैं उससे कहीं अधिक इसके पेशेवरों और विपक्षों के पास है। जाहिर है, हम इन एल्गोरिदम से लाभान्वित होते हैं, अन्यथा हम उन्हें पहली जगह में उपयोग नहीं करेंगे। ये एल्गोरिदम हमें उपलब्ध डेटा का उपयोग करके सूचित निर्णय करके प्रक्रियाओं को स्वचालित करने की अनुमति देते हैं। कभी-कभी, हालांकि, इसका मतलब है कि एल्गोरिथ्म के साथ किसी और के काम को बदलना, जिसके नैतिक परिणाम हैं। इसके अलावा, अगर हम कुछ गलत कर रहे हैं, तो हम किसे दोषी ठहरा रहे हैं?

आज सबसे चर्चित मामला है सेल्फ-ड्राइविंग कारें: हम कैसे तय करते हैं कि घातक टक्कर की स्थिति में वाहन को कैसे प्रतिक्रिया देनी चाहिए? क्या भविष्य में हमारे पास यह मौका होगा कि हम अपनी सेल्फ-ड्राइविंग कार को खरीदने के लिए नैतिक ढांचा चुनें।

अगर मेरी सेल्फ ड्राइविंग कार सड़क पर किसी को मार देती है तो किसे दोष देना है?

हालांकि ये सभी आकर्षक सवाल हैं, लेकिन वे इस लेख का मुख्य उद्देश्य नहीं हैं। हालांकि, यह स्पष्ट है कि मशीन लर्निंग हमें कुछ भी नहीं बता सकती है कि हमें किस मानदंड को अपनाना चाहिए, अर्थात हमें इस स्थिति में कैसे कार्य करना चाहिए।

सीमा 2 - निर्धारक समस्याएं

यह एक सीमा है जिसे मुझे व्यक्तिगत रूप से निपटना था। मेरी विशेषज्ञता का क्षेत्र पर्यावरण विज्ञान है, जो कंप्यूटर मॉडलिंग और IoT सेंसर / उपकरणों के उपयोग पर बहुत निर्भर करता है।

मशीन लर्निंग सेंसर के लिए अविश्वसनीय रूप से प्रभावी है और तापमान, दबाव और आर्द्रता जैसे पर्यावरणीय चर को मापने वाले अन्य सेंसर से कनेक्ट होने पर सेंसर को कैलिब्रेट और समायोजित करने के लिए इस्तेमाल किया जा सकता है। इन सेंसरों से संकेतों के बीच सहसंबंध का उपयोग आत्म-अंशांकन प्रक्रियाओं को विकसित करने के लिए किया जा सकता है, और यह वायुमंडलीय रसायन विज्ञान में मेरे शोध का एक गर्म विषय है।

हालाँकि, कंप्यूटर मॉडलिंग की बात आते ही चीजें थोड़ी दिलचस्प हो जाती हैं।

चल रहे कंप्यूटर मॉडल जो वैश्विक मौसम का अनुकरण करते हैं, ग्रह से उत्सर्जन और इन उत्सर्जन को स्थानांतरित करना बहुत कम्प्यूटेशनल रूप से महंगा है। वास्तव में, यह इतना कम्प्यूटेशनल रूप से मुश्किल है कि सुपर कंप्यूटर पर काम करते समय अनुसंधान स्तर पर मॉडलिंग में भी कई सप्ताह लग सकते हैं।

इसके अच्छे उदाहरण MM5 और WRF हैं, जो संख्यात्मक मौसम पूर्वानुमान मॉडल हैं जिनका उपयोग जलवायु का अध्ययन करने और सुबह के समाचार में मौसम के पूर्वानुमान प्रदान करने के लिए किया जाता है। मुझे आश्चर्य है कि पूरे दिन मौसम के पूर्वानुमान क्या करते हैं? इन मॉडलों को चलाएं और सीखें।

मौसम के मॉडल के साथ काम करना अच्छा है, लेकिन अब जब हमारे पास मशीन सीखना है, तो क्या हम अपने मौसम के पूर्वानुमान प्राप्त करने के बजाय इसका उपयोग कर सकते हैं? क्या हम उपग्रहों, मौसम केंद्रों से डेटा का उपयोग कर सकते हैं और यह निर्धारित करने के लिए एक प्राथमिक पूर्वानुमान एल्गोरिथ्म का उपयोग कर सकते हैं कि क्या यह कल बारिश होगी?

जवाब है, आश्चर्यजनक रूप से, हाँ। यदि हमारे पास एक निश्चित क्षेत्र के आसपास हवा के दबाव, हवा में नमी का स्तर, हवा की गति और पड़ोसी बिंदुओं और उनके स्वयं के चर के बारे में जानकारी है, तो यह संभव है, उदाहरण के लिए, एक तंत्रिका नेटवर्क को प्रशिक्षित करना। लेकिन किस कीमत पर?

हजारों इनपुट के साथ एक तंत्रिका नेटवर्क का उपयोग करने से आपको यह निर्धारित करने की अनुमति मिलती है कि क्या बोस्टन में कल बारिश होगी। हालांकि, एक तंत्रिका नेटवर्क का उपयोग करना मौसम प्रणाली के पूरे भौतिकी को छोड़ देता है।

मशीन सीखना स्टोकेस्टिक है, निर्धारक नहीं।
एक तंत्रिका नेटवर्क न्यूटन के दूसरे नियम को नहीं समझता है, या यह घनत्व नकारात्मक नहीं हो सकता है - कोई भौतिक सीमाएं नहीं हैं।

हालांकि, यह लंबे समय तक एक सीमा नहीं हो सकती है। पहले से ही कई शोधकर्ता हैं जो तंत्रिका नेटवर्क और अन्य एल्गोरिदम में भौतिक बाधाओं को जोड़ने पर विचार कर रहे हैं ताकि उनका उपयोग इस तरह के उद्देश्यों के लिए किया जा सके।

सीमा 3 - डेटा

यह सबसे स्पष्ट सीमा है। यदि आप मॉडल को खराब तरीके से खिलाते हैं, तो यह केवल खराब परिणाम देगा। इसके दो कारण हैं: डेटा की कमी और विश्वसनीय डेटा की कमी। यदि आपको ऐसी समस्याएं नहीं हैं, तो आप बिग डेटा बुक्स टेलीग्राम चैनल पर बड़ी मात्रा में डेटा के प्रसंस्करण का अध्ययन कर सकते हैं, जहां बिग डेटा पर विभिन्न पुस्तकें और संसाधन प्रकाशित किए जाते हैं।

आंकड़ों की कमी

कई मशीन लर्निंग एल्गोरिदम को उपयोगी परिणामों का उत्पादन शुरू करने से पहले बड़ी मात्रा में डेटा की आवश्यकता होती है। इसका एक अच्छा उदाहरण एक तंत्रिका नेटवर्क है। तंत्रिका नेटवर्क डेटा-खाने वाली मशीनें हैं जिन्हें बहुत अधिक प्रशिक्षण डेटा की आवश्यकता होती है। आर्किटेक्चर जितना बड़ा होगा, उतना ही अधिक डेटा व्यवहार्य परिणाम देने के लिए आवश्यक है। डेटा का पुन: उपयोग करना एक बुरा विचार है, हमेशा अधिक डेटा होना बेहतर होता है।
यदि आप डेटा प्राप्त कर सकते हैं, तो इसका उपयोग करें।

अच्छे आंकड़ों का अभाव

उपस्थिति के बावजूद, यह ऊपर लिखे गए समान नहीं है। कल्पना कीजिए कि आपको लगता है कि आप एक तंत्रिका नेटवर्क पर रखे जाने के लिए दस हजार नकली डेटा बिंदुओं को उत्पन्न करके धोखा दे सकते हैं। जब आप इसे सम्मिलित करते हैं तो क्या होता है?

वह खुद से सीखेगा, और फिर जब आप एक नए डेटासेट पर उसका परीक्षण करेंगे, तो वह अच्छा काम नहीं करेगा। आपके पास डेटा था, लेकिन गुणवत्ता बेहतर है।
जिस तरह अच्छे फीचर्स की कमी आपके एल्गोरिदम के खराब प्रदर्शन को जन्म दे सकती है, ठीक उसी तरह अच्छे डेटा की कमी भी आपके मॉडल की क्षमताओं को सीमित कर सकती है। कोई भी कंपनी मशीन लर्निंग मॉडल पेश नहीं करने जा रही है जो मानवीय त्रुटि से भी बदतर है।

इसी तरह, एक स्थिति में डेटा सेट पर प्रशिक्षित एक मॉडल को लागू करना आवश्यक रूप से दूसरी स्थिति के लिए समान रूप से अच्छी तरह से लागू नहीं हो सकता है। इसका सबसे अच्छा उदाहरण जो मैंने अब तक पाया है वह स्तन कैंसर की भविष्यवाणी करने में है।

मैमोग्राफी डेटाबेस में कई छवियां हैं, लेकिन उनकी एक गंभीर समस्या है जिसने हाल के वर्षों में महत्वपूर्ण समस्याएं पैदा की हैं - लगभग सभी एक्स-रे सफेद महिलाओं से लिए गए थे। यह एक बड़ी बात नहीं लग सकती है, लेकिन वास्तव में यह दिखाया गया है कि अश्वेत महिलाओं की एक विस्तृत श्रृंखला के कारण स्तन कैंसर से मरने की संभावना 42 प्रतिशत अधिक होती है, जिसमें पता लगाने और देखभाल तक पहुंच में अंतर शामिल हो सकता है। इस प्रकार, इस मामले में मुख्य रूप से सफेद महिलाओं के लिए एल्गोरिथ्म सीखना, काले महिलाओं पर प्रतिकूल प्रभाव डालता है।

इस विशेष मामले में, प्रशिक्षण डेटाबेस में अश्वेत रोगियों की अधिक एक्स-रे छवियों की आवश्यकता होती है, अधिक संकेत संभावना में 42% वृद्धि से संबंधित होते हैं, और संबंधित अक्षों के साथ डेटा सेट के स्तरीकरण के कारण एल्गोरिथ्म अधिक निष्पक्ष होता है।

सीमा 4 - दुरुपयोग

पहले चर्चा की गई दूसरी सीमा के बारे में, यह माना जाता है कि यह "शैक्षिक अनुसंधान में मशीन सीखने का संकट" है जब लोग आँख बंद करके मशीन सीखने का उपयोग उन प्रणालियों का विश्लेषण करने का प्रयास करते हैं जो या तो नियतात्मक या प्रकृति में स्टोचस्टिक हैं।

दूसरी सीमा में चर्चा के कारणों के लिए, नियतात्मक प्रणालियों में मशीन सीखने का आवेदन सफल होगा, लेकिन एक एल्गोरिथ्म जो दो चर के बीच संबंध का अध्ययन नहीं करता है और यह नहीं जानता कि यह कब भौतिक कानूनों का उल्लंघन करेगा। हमने सिस्टम को कुछ इनपुट और आउटपुट दिए और उसे रिश्ते का अध्ययन करने के लिए कहा - जैसे कोई किसी शब्द से शब्द के लिए शब्द का अनुवाद करता है, एल्गोरिथ्म केवल बुनियादी भौतिकी की एक सतही समझ जैसा होगा।

स्टोचैस्टिक (यादृच्छिक) प्रणालियों के लिए, सब कुछ थोड़ा कम स्पष्ट है। यादृच्छिक प्रणालियों के लिए मशीन सीखने का संकट दो तरीकों से प्रकट होता है:

• पी-हैकिंग
• विश्लेषण का दायरा

पी हैकिंग

जब किसी के पास बड़े डेटा तक पहुंच होती है, जिसमें सैकड़ों, हजारों या यहां तक ​​कि लाखों चर हो सकते हैं, तो सांख्यिकीय रूप से महत्वपूर्ण परिणाम प्राप्त करना आसान है (यह देखते हुए कि अधिकांश वैज्ञानिक अध्ययनों के लिए आवश्यक सांख्यिकीय महत्व का स्तर p <0.05 है)। यह अक्सर झूठे सहसंबंधों का पता लगाने की ओर जाता है जो आमतौर पर पी-हैकिंग का उपयोग करके प्राप्त किया जाता है (डेटा के पहाड़ों के माध्यम से देखते हुए जब तक कि एक सहसंबंध को सांख्यिकीय रूप से महत्वपूर्ण परिणाम नहीं मिलते हैं)। ये सही सहसंबंध नहीं हैं, लेकिन माप में शोर की प्रतिक्रिया है।

यह इस तथ्य के कारण है कि व्यक्तिगत शोधकर्ताओं ने बड़े डेटा सेटों के माध्यम से सांख्यिकीय रूप से महत्वपूर्ण सहसंबंधों को "पकड़ा" और उन्हें सच्चे सहसंबंध के रूप में प्रच्छन्न किया। कभी-कभी यह एक निर्दोष गलती है (इस मामले में, वैज्ञानिक को बेहतर तैयार होना चाहिए), लेकिन अन्य मामलों में यह शोधकर्ता द्वारा प्रकाशित लेखों की संख्या बढ़ाने के लिए किया जाता है - यहां तक ​​कि वैज्ञानिक समुदाय की दुनिया में भी प्रतिस्पर्धा अधिक है, और लोग अपने मैट्रिक्स में सुधार करने के लिए कुछ भी करेंगे।

विश्लेषण का दायरा

सांख्यिकीय मॉडलिंग की तुलना में मशीन सीखने के लिए विश्लेषण के दायरे में महत्वपूर्ण अंतर हैं - सांख्यिकीय मॉडलिंग प्रकृति की पुष्टि है, और मशीन सीखना अनिवार्य रूप से अनुसंधान है।

हम पुष्टित्मक विश्लेषण और मॉडल पर विचार कर सकते हैं कि पीएचडी प्राप्त करते समय कोई क्या करता है। या अनुसंधान में। कल्पना कीजिए कि आप एक सलाहकार के साथ काम कर रहे हैं और किसी भी वास्तविक प्रणाली का अध्ययन करने के लिए एक सैद्धांतिक आधार विकसित करने की कोशिश कर रहे हैं। इस प्रणाली में पूर्वनिर्धारित विशेषताओं का एक सेट है जो इसे प्रभावित करता है, और प्रयोगों को ध्यान से डिजाइन करने और परिकल्पना विकसित करने के बाद, आप अपनी परिकल्पना की वैधता निर्धारित करने के लिए परीक्षण चला सकते हैं।

दूसरी ओर अनुसंधान विश्लेषण में पुष्टिकरण विश्लेषण से जुड़े कई गुणों का अभाव है। वास्तव में, वास्तव में भारी मात्रा में डेटा और जानकारी के मामले में, सहायक दृष्टिकोण डेटा की भारी मात्रा के कारण पूरी तरह से नष्ट हो जाते हैं। दूसरे शब्दों में, लाखों संकेतों की उपस्थिति में परीक्षण योग्य परिकल्पना के अंतिम सेट को सटीक रूप से बताना असंभव है।

इसलिए, और, फिर से, सामान्य शब्दों में, मशीन लर्निंग एल्गोरिदम और दृष्टिकोण अनुसंधान भविष्य कहनेवाला मॉडलिंग और भारी मात्रा में डेटा और कम्प्यूटेशनल रूप से जटिल कार्यों के साथ वर्गीकरण के लिए सबसे उपयुक्त हैं। कुछ लोग तर्क देंगे कि उनका उपयोग "छोटे" डेटा के लिए किया जा सकता है, लेकिन ऐसा क्यों होता है जब क्लासिक, बहुआयामी सांख्यिकीय तरीके बहुत अधिक जानकारीपूर्ण होते हैं?

मशीन लर्निंग एक ऐसा क्षेत्र है जो सूचना प्रौद्योगिकी, कंप्यूटर विज्ञान आदि से जुड़ी समस्याओं को काफी हद तक हल करता है, यह सैद्धांतिक और व्यावहारिक दोनों तरह की समस्याएं हो सकती हैं। जैसे, यह भौतिकी, गणित, संभावना और सांख्यिकी जैसे क्षेत्रों से जुड़ा है, लेकिन मशीन लर्निंग वास्तव में अपने आप में एक क्षेत्र का प्रतिनिधित्व करता है, एक ऐसा क्षेत्र जो अन्य विषयों में उठाए गए समस्याओं से बोझ नहीं है। मशीन लर्निंग के विशेषज्ञ और प्रैक्टिस करने वाले कई समाधान दर्द के साथ गलत हैं, लेकिन वे अपना काम करते हैं।

सीमा 5 - व्याख्या

व्याख्या करना मशीन सीखने की मुख्य समस्याओं में से एक है। एक एआई कंसल्टिंग फर्म जो पारंपरिक सांख्यिकीय तरीकों का उपयोग करने वाली एक फर्म तक पहुंचने की कोशिश कर रही है, अगर वे मॉडल को व्याख्या के रूप में नहीं देखते हैं तो उन्हें रोका जा सकता है। यदि आप अपने ग्राहक को समझा नहीं सकते हैं कि आप समझते हैं कि एल्गोरिथ्म उसके द्वारा किए गए निर्णय पर कैसे आया, तो यह कैसे संभव है कि वह आप और आपके अनुभव पर भरोसा करेगा?

यदि व्यावसायिक दृष्टिकोण से परिणामों की व्याख्या की जाए तो एक व्यवसाय प्रबंधक मशीन सीखने की सिफारिशों को स्वीकार करने की अधिक संभावना है।

इन मॉडलों को इस तरह शक्तिहीन किया जा सकता है यदि उनकी व्याख्या नहीं की जा सकती है, और मानव व्याख्या की प्रक्रिया नियमों का पालन करती है जो तकनीकी महारत से परे हैं। इस कारण से, व्याख्यात्मकता एक सर्वोपरि गुण है जिसे मशीन शिक्षण विधियों को अभ्यास में लागू किया जाना चाहिए।

विशेष रूप से, भौतिकी (जीनोमिक्स, प्रोटिओमिक्स, मेटाबॉलिकमिक्स, आदि) के क्षेत्र में विकासशील विज्ञान बड़े और गैर-तुच्छ डेटाबेस पर निर्भरता के कारण मशीन सीखने के शोधकर्ताओं के लिए मुख्य लक्ष्य बन गए हैं। हालांकि, वे अपनी स्पष्ट सफलता के बावजूद, अपने तरीकों की व्याख्या की कमी से पीड़ित हैं।

निष्कर्ष

जैसा कि मुझे आशा है, मैंने इस लेख में स्पष्ट रूप से समझाया है कि ऐसी सीमाएँ हैं, जो कम से कम, इस समय मानवता की सभी समस्याओं के समाधान को बाधित करती हैं। एक तंत्रिका नेटवर्क हमें कभी नहीं बता सकता है कि एक अच्छा व्यक्ति कैसे हो, और कम से कम अभी तक न्यूटन के गति या आइंस्टीन के सापेक्षता के सिद्धांत के नियमों को नहीं समझ सकता है।

मशीन लर्निंग के अंतर्निहित सिद्धांत पर आधारित मूलभूत बाधाएं भी हैं, जिन्हें कम्प्यूटेशनल लर्निंग का सिद्धांत कहा जाता है, जो मुख्य रूप से सांख्यिकीय बाधाएं हैं। हमने विश्लेषण के दायरे और पी-हैकिंग के खतरों से संबंधित मुद्दों पर भी चर्चा की, जिससे गलत निष्कर्ष निकल सकते हैं।
परिणामों की व्याख्या के साथ समस्याएं भी हैं, जो कंपनियों को प्रतिकूल रूप से प्रभावित कर सकती हैं जो ग्राहकों और निवेशकों को आश्वस्त नहीं कर सकते हैं कि उनके तरीके सटीक और विश्वसनीय हैं।

मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस उद्योग में क्रांति लाते रहेंगे और आने वाले वर्षों में और अधिक सामान्य हो जाएंगे। यद्यपि मैं सलाह देता हूं कि आप मशीन लर्निंग और एआई का पूरा उपयोग करें, मैं यह भी सलाह देता हूं कि आप अपने द्वारा उपयोग किए जाने वाले उपकरणों की सीमाओं को ध्यान में रखें - आखिरकार, आदर्श कुछ भी नहीं है।