कुछ वर्षों से लेकर मिनटों तक कंप्यूटिंग समय कम करें। क्वांटम मशीन लर्निंग को समझना

मैं लंबे समय से क्वांटम कंप्यूटिंग में रुचि रखता हूं और 5- और 14-बिट आईबीएम क्यू अनुभव क्वांटम कंप्यूटर के लिए प्रोग्राम लिखता हूं। आज मैं उन तकनीकों के बारे में बात करूंगा जिन्हें क्वांटम कंप्यूटिंग के बाद मशीन लर्निंग में लागू किया जा सकता है। वैज्ञानिकों की तारीख के लिए स्पॉयलर: भविष्य में, आप मॉडल लॉन्च करने और आधे दिन के लिए कॉफी पीने के लिए नहीं छोड़ पाएंगे। एक क्वांटम कंप्यूटर एक बार मशीन सीखने के कार्यों पर क्लिक करता है, और "मॉडल सीखता है" जैसे बहाने अब काम नहीं करते हैं। यह एक मॉडल नहीं, बल्कि कम से कम एक लाख लॉन्च करने के लिए आवश्यक होगा।



बहुतों ने सुना है कि क्वांटम कंप्यूटरों की मदद से साइबर क्रिमिनल आधुनिक एन्क्रिप्शन सिस्टम में सेंध लगा सकते हैं। क्लासिक कंप्यूटरों के विपरीत, जिसके लिए आरएसए और इसी तरह के क्रिप्टोग्राफ़िक एल्गोरिदम हैकिंग के लिए एक अच्छा अवरोध है, क्वांटम कंप्यूटर मिनटों के मामले में सरल कारक पाते हैं। इसका मतलब है कि हैकर्स द्वारा इंटरसेप्ट की गई जानकारी जल्द या बाद में डिक्रिप्ट हो जाएगी।

बेशक, इनमें से कुछ एप्लिकेशन क्वांटम कंप्यूटर से दूर डरते हैं। इस लेख में, हम सकारात्मक पक्ष पर ध्यान केंद्रित करेंगे और विचार करेंगे कि क्वांटम कंप्यूटिंग मशीन लर्निंग जैसे क्षेत्र के लिए नया क्या दे पाएगी।

क्वांटम मशीन सीखना क्या है और पारंपरिक से इसका अंतर क्या है

मशीन सीखने के लिए आधुनिक कंप्यूटरों में, शास्त्रीय बिट्स का उपयोग करके गणना की जाती है। क्वांटम कंप्यूटरों में, जिन्होंने हाल ही में लोकप्रियता हासिल की है और सक्रिय रूप से विकसित हो रहे हैं, एक विशेष प्रकार के बिट्स का उपयोग किया जाता है - क्वांटम बिट्स, या संक्षिप्त क्वबिट्स।

एक शास्त्रीय बिट के लिए, दो राज्य हैं - 0 और 1, जबकि एक qubit के लिए दो राज्यों के संयोजन की एक अनंत संख्या संभव है - यह तथाकथित सुपरपोजिशन है। यदि एक प्रसिद्ध विचार प्रयोग से श्रोडिंगर बिल्ली को खोले जाने से पहले, एक ही समय में जीवित और मृत हो जाता है, तो मापी जाने से पहले, qubit, सुपरपोजिशन में हो सकती है, अर्थात शून्य के बराबर और एक ही पल में।

यदि कई qubits का उपयोग किया जाता है, तो संभावित राज्यों की संख्या तेजी से बढ़ती है: दो qubits जो कि सुपरपोज़िशन में हैं, राज्यों की संख्या चार है:

$$

$$| r \ rangle = k_1 | 00 \ rangle + k_2 | 01 \ rangle + k_7 | 10 \ rangle + k_4 | 11 \ rangle$$

और तीन qubits के लिए, पहले से ही आठ राज्य हैं:

$$

$$| \ \ rangle = k_1 | 000 \ rangle + k_2 | 001 \ rangle + k_3 | 010 \ rangle + k_4 | 011 \ rangle + k_5 | 100 \ rangle + k_6। 101 \ rangle + k_7। 110 \ rangle + k_8 | 111 \ rangle$$

इन राज्यों को सीधे मापा नहीं जा सकता है, लेकिन उन्हें नियंत्रित किया जा सकता है। इस मामले में, क्वांटम सर्किट एक ही समय में कई राज्यों में अलग-अलग संभावना के साथ है, जिसका उपयोग समानांतर कंप्यूटिंग के लिए किया जा सकता है।

क्वबिट वैल्यू वाले फैक्टर को एम्पलीट्यूड कहा जाता है - ये जटिल संख्याएं हैं। यदि हम आयाम मापांक की गणना करते हैं और इसे वर्ग करते हैं, तो हमें राज्य की संभावना मिलती है। अपेक्षा के अनुसार, राज्यों के सभी संयोजनों की संभावनाओं का योग, अंततः एकता के बराबर होना चाहिए।



एक qubit के विभिन्न राज्यों के उदाहरण के रूप में, एक इलेक्ट्रॉन स्पिन या एक फोटॉन के ध्रुवीकरण दे सकता है, लेकिन अन्य विकल्प भी संभव हैं। मुख्य बात यह है कि उनमें क्वांटम प्रभाव भी देखे जा सकते हैं। इस प्रकार, लगभग कोई भी कण एक qubit हो सकता है: एक इलेक्ट्रॉन, एक फोटॉन, एक आयन, और इसी तरह।

एक कण दो राज्यों में एक साथ कैसे हो सकता है और एक क्वांटिटी को मापने पर राज्यों में से एक के बारे में जानकारी पूरी तरह से क्यों खो जाती है? सबसे आम दो व्याख्याएं हैं:

कोपेनहेगन व्याख्या का दावा है कि माप से पहले एक कण की स्थिति को समझाने का कोई मतलब नहीं है, क्योंकि भौतिकी सटीक मापों पर आधारित विज्ञान है, और उन घटनाओं की व्याख्या नहीं करनी चाहिए जिन्हें देखा नहीं जा सकता है। इस प्रकार, अगर हम कोपेनहेगन व्याख्या को स्वीकार करते हैं, तो हम यह निष्कर्ष निकाल सकते हैं कि भौतिक सूक्ष्म स्तर पर कोई वास्तविक वास्तविकता नहीं है।

कुछ वैज्ञानिक एक बहु-विश्व व्याख्या का पालन करते हैं , जिसके अनुसार समानांतर ब्रह्मांडों की एक अनंत संख्या है, और इन ब्रह्मांडों के कुछ अंश में एक कण शून्य स्थिति ले सकता है, और बाकी में यह एक एकल राज्य ले सकता है। बहु-विश्व व्याख्या के लिए सबसे विस्तृत विवरण और दार्शनिक औचित्य डेविड डिक्शन की पुस्तक द स्ट्रक्चर ऑफ रियलिटी में पाया जा सकता है।

किसी भी मामले में, आप इनमें से किसकी व्याख्या पसंद करते हैं, हम यह मान सकते हैं कि जब एक qubit मापते हैं, तो तरंग फ़ंक्शन ध्वस्त हो जाता है (अर्थात, यह एक तरंग की तरह व्यवहार करना बंद कर देता है और एक कण के गुणों को प्रदर्शित करता है), जबकि quates राज्यों में से एक लेता है, फिर वास्तव में एक क्लासिक बिट बन रहा है।

सामान्य तौर पर, शास्त्रीय बिट्स qubits का एक सबसेट होते हैं, इसलिए शास्त्रीय कंप्यूटर विज्ञान को क्वांटम कंप्यूटिंग के विज्ञान का सबसेट माना जा सकता है। जैसा कि ऊपर उल्लेख किया गया है, माप के बाद कोई भी बिटकॉइन एक क्लासिक बिट बन जाता है, जो हालांकि, बाद में सुपरपोजिशन राज्य में स्थानांतरित किया जा सकता है।

अभी भी कम से कम क्वेट सुपरपोज़िशन के बारे में कुछ जानकारी प्राप्त करने के लिए, आप एक काफी सरल जीवन हैक का उपयोग कर सकते हैं: एक ही सुपरपोज़िशन को कई बार बनाएं (एक ही ऑपरेटर के साथ क्वेट पर कार्य करें) और हर बार क्वेट को मापें। माप के दौरान प्राप्त शून्य और लोगों के वितरण से, किसी व्यक्ति को संभाव्यता का विचार मिल सकता है, अर्थात यह पता करें कि क्वेट राज्यों के आयामों के मॉड्यूल लगभग बराबर हो सकते हैं।

क्वांटम मशीन सीखने के क्या लाभ हैं

कंप्यूटिंग के लिए सुपरपोज़िशन के क्या फायदे हैं? यदि एक नियमित कंप्यूटर पर, बहु-थ्रेडेड प्रोग्राम चलाते समय, प्रत्येक थ्रेड के लिए एक लॉजिकल प्रोसेसर की आवश्यकता होती है, तो एक क्वांटम कंप्यूटर में थ्रेड्स की संख्या तेजी से बढ़ सकती है क्योंकि सर्किट में क्वैब की संख्या बढ़ जाती है।

उदाहरण के लिए, यदि एक नियमित कंप्यूटर में 1024 धाराओं के लिए आपको समान संख्या में तार्किक प्रोसेसर की आवश्यकता होती है, तो एक क्वांटम एक में यह केवल 10. सत्य है, आप केवल इन धाराओं का अप्रत्यक्ष रूप से उपयोग कर सकते हैं, अर्थात आप सीधे अपने काम की निगरानी नहीं कर पाएंगे।

आपको यह भी समझना चाहिए कि एल्गोरिदम जो क्वांटम कंप्यूटर का उपयोग करता है, वे क्लासिक कंप्यूटरों पर कंप्यूटर विज्ञान खंडों में अध्ययन किए गए एल्गोरिदम से अलग हैं। बेशक, आप पहली बार इसे बदले बिना क्वांटम कंप्यूटर में शास्त्रीय एल्गोरिथ्म को स्थानांतरित नहीं कर सकते। इसके अलावा, यह संभव नहीं है कि मूल एल्गोरिथ्म से कुछ महत्वपूर्ण बना रहेगा। सबसे अधिक संभावना है, इसे पूरी तरह से बदल दिया जाएगा, ताकि केवल एक सामान्य विचार इससे बना रहेगा (यदि सभी कुछ रहता है)।

मशीन लर्निंग के बारे में भी यही कहा जा सकता है। क्वांटम कंप्यूटरों के लिए, शास्त्रीय मशीन लर्निंग एल्गोरिदम के एनालॉग पहले से मौजूद हैं (उदाहरण के लिए, रैंडम फ़ॉरेस्ट, KNN, तंत्रिका नेटवर्क)। लेकिन, सबसे पहले, उन्हें एक अलग तरीके से लागू किया जाता है, और दूसरी बात, जल्दी या बाद में, पूरी तरह से नए एल्गोरिदम दिखाई देंगे जो क्वांटम कंप्यूटिंग के फायदे का पूरा फायदा उठाएंगे।

बड़े डेटा और आर्टिफिशियल इंटेलिजेंस के क्षेत्र के सभी विशेषज्ञ उन स्थितियों से अवगत होते हैं, जब किसी वैज्ञानिक को सीखने के लिए एक मॉडल के लिए लंबा इंतजार करना पड़ता है।

बेशक, सरल मॉडल (जैसे रैखिक प्रतिगमन) हैं जो सेकंड के एक मामले में छोटे डेटा पर ट्रेन करते हैं, लेकिन अधिक जटिल मॉडल जैसे तंत्रिका नेटवर्क के मामले में, प्रशिक्षण कुछ मिनटों से लेकर कई हफ्तों तक रह सकता है। ऐसे मॉडलों के कई प्रकारों को सुलझाने के लिए, उल्लेखनीय धैर्य की आवश्यकता होती है।

ऐसे मॉडल भी हैं जो वैज्ञानिक की सबसे अधिक रोगी तिथि का भी उपयोग करने से इंकार कर देंगे। विशेष रूप से, बड़ी संख्या में वजन वाले मॉडल या जिनके लिए संयोजन की एक तेजी से बढ़ती संख्या के लिए एक संपूर्ण खोज की आवश्यकता होती है। क्वांटम कंप्यूटर का उपयोग ऐसे कार्यों के लिए उपयुक्त है, जो गणना के समय को कई वर्षों से कई मिनटों तक कम कर सकते हैं।

एल्गोरिदम को गति देने के लिए कृत्रिम बुद्धिमत्ता की आवश्यकता क्यों है

पिछले दो या तीन वर्षों में, कंप्यूटर दृष्टि प्रौद्योगिकियों का तेजी से विकास हुआ है, और पिछले एक साल में प्राकृतिक भाषा के प्रसंस्करण में बहुत कुछ आविष्कार किया गया है।

इस मामले में, जटिल मॉडल का प्रशिक्षण बहुत लंबे समय तक रहता है। लेकिन अगर हम मानते हैं कि समान या उससे भी अधिक जटिलता के मॉडल कम समय के लिए परिमाण का एक क्रम ले लेंगे, तो यह संभव है कि परिकल्पना और मॉडलों का परीक्षण बहुत तेजी से किया जाए।

तदनुसार, इन क्षेत्रों में प्रगति त्वरित गति से होगी: प्रति माह एक या दो उल्लेखनीय खोजों के बजाय, हम इस तरह के दैनिक सुन सकते हैं। क्वांटम कंप्यूटिंग की प्रगति में डबल घातीय वृद्धि मशीन सीखने में प्रगति की समान दर को जन्म दे सकती है।

क्वांटम कंप्यूटिंग तंत्र

एक फोटॉन, इलेक्ट्रॉन, आयन या कुछ अन्य कण एक qubit के रूप में कार्य कर सकते हैं। यदि यह एक इलेक्ट्रॉन है, तो कोई भी इसके स्पिन (उचित कोणीय गति) को माप सकता है और इस प्रकार 0 या 1. प्राप्त कर सकता है। डिराक संकेतन में, इन राज्यों को निम्नानुसार दर्शाया गया है:

$$

$$| 0 \ rangle; | 1 \ rangle$$

एक वेक्टर का उपयोग करके एक qubit की स्थिति भी व्यक्त की जा सकती है। यह 0 के बराबर की क्वाइल का स्टेट वेक्टर है:

$$

$$| 0 \ rangle = \ start {bmatrix} 1 \\ 0 \ end {bmatrix}$$

और यह 1 के बराबर एक qubit वेक्टर है:

$$

$$| 1 \ rangle = \ start {bmatrix} 0 \\ 1 \ end {bmatrix}$$

क्वांटम कंप्यूटिंग में एक महत्वपूर्ण भूमिका हैडमार्ड ऑपरेटर द्वारा निभाई जाती है:

$$

$$H_1 = \ frac {1} {\ sqrt {2}} \ start {bmatrix} 1 और 1 \\ 1 & -1 \ अंत {bmatrix}$$

एक सुपरपोजिशन प्राप्त करने का एक तरीका है हैमर्ड ऑपरेटर को एक क्वैबिट में लागू करना जो दो बुनियादी राज्यों में से एक में है। इस मामले में, हम माप के बराबर होने के बाद 0 या 1 प्राप्त करने की संभावनाएं होने पर एक qubit राज्य प्राप्त करते हैं। इस तरह से अगर सुपरबिट की प्रारंभिक अवस्था शून्य है तो सुपरपोजिशन प्राप्त की जाएगी:

$$

$$\\ H_1 \ cdot | 0 \ rangle = \ frac {1} {\ sqrt {2}} \ start {bmatrix} 1 & 1 \\ 1 & -1 \ एंड \ {bmatrix} \ cdot \ "bmatrix} 1 \\ 0 \ end {bmatrix} = \ frac {1} {\ sqrt {2}} ((0 0 rangle + = 1 \ rangle)$$

लेकिन इस तरह का सुपरपोजिशन चालू हो जाएगा यदि प्रारंभिक अवस्था एकल है:

$$

$$\\ H_1 \ cdot | 1 \ rangle = \ frac {1} {\ sqrt {2}} \ start {bmatrix} 1 और 1 \\ 1 & -1 \ अंत {bmatrix} \ cdot \ "bmatrix} 0 \\ 1 \ अंत {bmatrix} = \ frac {1} {\ sqrt {2}} ((0 0 rangle - - 1 \ rangle)$$

क्वैब के साथ काम करने के लिए एक और सामान्य विकल्प क्वांटम उलझाव का उपयोग है - दो क्वैबिट के बीच ऐसा अंतरसंबंध, जब वे बड़ी दूरी पर अलग होने पर भी 100 प्रतिशत सहसंबंध दिखाते हैं। प्रत्यक्ष सहसंबंध में, यदि माप में से एक के बाद एक निश्चित अवस्था को ग्रहण करता है, तो दूसरी qubit ठीक उसी स्थिति में प्राप्त होती है। उलटे संबंध के साथ, माप के बाद क्वैब विपरीत स्थिति लेते हैं।

क्वांटम कंप्यूटिंग और क्वांटम मशीन सीखने की संभावनाएँ क्या हैं?

सभी विशेषज्ञ जो समय बचाना चाहते हैं, मशीन सीखने के लिए क्वांटम कंप्यूटिंग का उपयोग कर सकते हैं। तेजी से फूरियर रूपांतरण, व्युत्क्रम मैट्रिक्स को खोजने, क्वांटम कंप्यूटर पर आईजेनवेल्यूज और मैट्रिक्स वैक्टर की गणना जैसे ऑपरेशन घातीय त्वरण के साथ होते हैं।

बेशक, काम जो बहुत संसाधन-गहन नहीं है (उदाहरण के लिए, डेटा विज़ुअलाइज़ेशन) एक नियमित कंप्यूटर पर जारी रखा जा सकता है, लेकिन मशीन लर्निंग एल्गोरिदम, या कम से कम उन हिस्सों को जो कि क्वबिट का उपयोग करके त्वरित किया जा सकता है, एक क्वांटिक कंप्यूटर को दिया जा सकता है।

एक सवाल जो विशेषज्ञों को परेशान करता है: क्वांटम कंप्यूटिंग में डेटा के साथ कैसे काम करें? उस स्थिति की कल्पना करें जो हमारे पास एक छवि है (इसे आसान बनाने के लिए, इसे काले और सफेद होने दें), जिसे हम क्वांटम न्यूरल नेटवर्क के इनपुट के लिए सबमिट करना चाहते हैं। छवि में 256 से 256 पिक्सेल का आकार है - छवि मान्यता के लिए काफी मानक आकार।

इस छवि को संख्याओं के रूप में दर्शाने के लिए, हम प्रत्येक पिक्सेल को 64-बिट फ्लोटिंग-पॉइंट नंबर के साथ एनकोड करते हैं (वास्तव में, 8-बिट पूर्णांक पर्याप्त होगा, लेकिन व्यवहार में, पिक्सेल का मैट्रिक्स वाला मैट्रिक्स तंत्रिका नेटवर्क के इनपुट पर लागू होने से पहले स्केल किया जाता है, इसलिए मैट्रिक्स 32- या 64-बिट संख्याओं से भरा है)। ऐसी छवि को 65536 संख्याओं के मैट्रिक्स के रूप में दर्शाया जा सकता है, जिसका वजन 512 किलोबाइट होगा (तंत्रिका नेटवर्क एक इनपुट के रूप में एक असम्पीडित छवि प्राप्त करता है), अर्थात, 4194304 बिट्स की आवश्यकता होगी।

यदि इस छवि को क्वैबिट्स का उपयोग करके एन्कोड किया गया है, तो उनकी संख्या काफी कम हो जाएगी: हम एन क्विबिट्स को एक सुपरपोजिशन में अनुवाद करेंगे, और प्रत्येक पिक्सेल के मूल्य को प्रत्येक संभावित राज्यों के आयाम के रूप में दर्शाया जा सकता है। ऐसे राज्यों की संख्या डिग्री n में दो है। N खोजने के लिए, हम पिक्सेल की संख्या का द्विआधारी लघुगणक पाते हैं।

जैसा कि आप देख सकते हैं, क्रियाएँ काफी सरल हैं, इसलिए आपको सूत्र लिखना भी नहीं आता है। नतीजतन, संख्या n 16 हो जाती है। इस छवि को सांकेतिक शब्दों में बदलना करने के लिए कितने qubits की आवश्यकता होती है, अर्थात्, शास्त्रीय बिट्स का उपयोग करते समय 262144 गुना कम है।

यदि हमारे पास 66 क्वैबिट हैं, तो उन्हें सुपरपोजिशन में तब्दील करते हुए, आप एक ट्रिलियन कलर इमेज से ज्यादा 4K फॉर्मेट में इनकोड कर सकते हैं।

इस प्रकार, क्वांटम कोडिंग एक व्यक्ति को सूचना के लघुगणक संपीड़न को प्राप्त करने की अनुमति देता है। तदनुसार, इस तरह के डेटा के साथ काम करते समय मशीन सीखने के तरीकों का त्वरण घातीय हो सकता है।

विशिष्ट प्रोग्रामिंग भाषाओं और पुस्तकालयों

आज, कई प्रोग्रामिंग भाषाओं में क्वांटम कंप्यूटिंग के लिए पुस्तकालय हैं। इन पुस्तकालयों में से कुछ केवल क्वांटम कंप्यूटिंग के अनुकरण के साथ काम करते हैं, लेकिन कई वास्तविक क्वांटम कंप्यूटरों का समर्थन करते हैं, जिनमें क्लाउड वाले भी शामिल हैं, बैकएंड के रूप में।

यदि आप सीधे क्वाइट्स के साथ काम करते हैं, तो यह क्लासिक कंप्यूटरों पर निम्न-स्तरीय कोडांतरक कोड लिखने के लिए समान है। अजीब तरह से पर्याप्त है, इन "निम्न-स्तरीय" प्रोग्रामिंग भाषाओं में से एक का उपयोग क्वांटम कंप्यूटर पर कम्प्यूटेशन प्रोग्राम करने के लिए किया जाता है।

इस भाषा के लिए पुस्तकालयों में से एक - किस्किट - सिम्युलेटर और क्वांटम बैकएंड पर दोनों पर काम करता है, और कम स्तर पर क्वैबिट पर संचालन करने की भी अनुमति देता है। उच्च-स्तरीय प्रोग्रामिंग के लिए, क्वांटम मशीन लर्निंग के लिए लाइब्रेरी, पेनीलेन का उपयोग करना सुविधाजनक है। इस लाइब्रेरी के भंडार में क्वांटम न्यूरल नेटवर्क सहित मशीन लर्निंग एल्गोरिदम के कार्यान्वयन के उदाहरण हैं।

क्वांटम कम्प्यूटिंग के लिए संभावनाएँ

जनवरी 2019 में, पहला वाणिज्यिक क्वांटम कंप्यूटर जारी किया गया था - आईबीएम क्यू सिस्टम वन। अब भी, क्वांटम कंप्यूटिंग के लिए, आप शोधकर्ताओं और वाणिज्यिक कंपनियों दोनों के लिए क्लाउड सिस्टम का उपयोग कर सकते हैं।

हर कोई आईबीएम क्यू एक्सपीरियंस क्लाउड प्लेटफॉर्म पर अपने क्वांटम एल्गोरिथ्म को चला सकता है, और क्वांटम योजना बनाने के लिए प्रोग्रामिंग भाषाओं को जानना भी आवश्यक नहीं है, कमांड दर्ज करने के अलावा, आप सर्किट कम्पोजर नामक ग्राफिकल इंटरफ़ेस का उपयोग कर सकते हैं।

सितंबर 2019 में, अनौपचारिक जानकारी सामने आई कि Google ने क्वांटम कंप्यूटर पर एक समस्या को हल करके क्वांटम श्रेष्ठता हासिल की है, जो कि सबसे शक्तिशाली सुपर कंप्यूटर के लिए भी उपलब्ध नहीं है। भले ही समाचार समय से पहले हो, ऐसी रिपोर्टें बताती हैं कि क्वांटम श्रेष्ठता निकट है।

कई आईटी दिग्गज क्वांटम कंप्यूटर के लिए सबसे अच्छा समाधान खोज रहे हैं। कुछ शोधकर्ताओं का अनुमान है कि मूर के समान एक कानून क्वांटम कंप्यूटरों पर लागू होगा।

सच है, शास्त्रीय कंप्यूटरों के विपरीत, विकास की गति, सबसे अधिक संभावना है कि यह एक साधारण एकल प्रतिपादक नहीं है, लेकिन डबल है, इसलिए क्वांटम कंप्यूटिंग के साथ काम करने वाले प्रोग्रामर को निकट भविष्य में बड़ी संख्या में कार्यक्रम बनाने होंगे।

विज्ञापन और विपणन के क्षेत्र के लिए, जिसमें मैं वर्तमान में काम कर रहा हूं, लागू मशीन लर्निंग मॉडल को एक पूर्ण परिवर्तन से गुजरना होगा। भविष्य के मॉडल के लिए गति और गुणवत्ता के मामले में क्लासिक कंप्यूटरों पर जो काम करता है वह काफी हीन होगा।

नवीनतम तकनीकें लक्ष्य श्रोताओं की स्कैनिंग प्रक्रिया में कोई कम बदलाव नहीं लाएंगी। क्वांटम कंप्यूटरों द्वारा संचालित मायावी बॉट दर्शकों के स्वाद और मूड में सबसे छोटे बदलावों को पकड़ते हुए, सोशल नेटवर्क के खुले स्थानों को हल करेगा। कौन जानता है, हो सकता है कि विज्ञापन अभियान स्वयं कंप्यूटर पर अपने लक्ष्यों के बारे में सामान्य इच्छा व्यक्त करके ही लॉन्च किए जाएं।