कृत्रिम बुद्धिमत्ता को सरल बनाया गया

आर्टिफिशियल इंटेलिजेंस को सरलता से समझाया गया। बड़े पैमाने पर एक सिंहावलोकन बनाए रखना, उदाहरण के लिए बिग डेटा? यह तभी संभव है जब आप कुछ पैटर्न का पालन करें या खुद को निर्देशित होने दें।

एक आत्म-प्रयोग: आपके दिमाग में एक निश्चित छवि है। आज यह सफेद हैंडल वाली लाल कैबिनेट होनी चाहिए। आप क्या कर रहे हो?

आप Google खोज में "लाल कैबिनेट, सफेद हैंडल" दर्ज करें।

उपज? मामूली।

दूसरा प्रयास: आप Google खोज में "लाल कैबिनेट, सफेद हैंडल" दर्ज करें।

परिणाम पहले से बेहतर है, लेकिन निश्चित रूप से और भी बेहतर हो सकता है।

प्रोग्रामिंग में पहला कदम Google खोज के साथ उठाया जाता है। खोज क्वेरी का संग्रह और उन्हें एल्गोरिदम और कोड में परिवर्तित करना तंत्रिका नेटवर्क बनाता है।

मशीन लर्निंग, जैसा कि शीर्ष ग्राफ़िक में दिखाया गया है, इसलिए त्वरित कार्यान्वयन की चीज़ नहीं है। इसमें काफी समय और मेहनत लगती है. यह संबंधित विकास लागतों की भी व्याख्या करता है। लेकिन अगर आप इस बात पर विचार करें कि एआई के पास कोई छुट्टी नहीं है, कोई पेंशन या अन्य प्राकृतिक नुकसान नहीं है, तो चीजें पूरी तरह से अलग दिखती हैं।

लेकिन क्या सफेद हैंडल वाली लाल कैबिनेट कल भी प्रासंगिक रहेगी? क्या यह अब भी जीवनशैली में फिट बैठता है? स्वाद बदल जाता है. यहीं पर गहन शिक्षा काम आती है। हमारे उदाहरण के साथ बने रहने के लिए: जैसे-जैसे खोज जारी रहती है, एआई सीखता है और पहचानता है कि आपकी रुचि वाले अन्य विषयों के आधार पर आपका खोज व्यवहार कैसे बदल गया है और स्वतंत्र रूप से "अनुमान" लगाने के लिए नए एल्गोरिदम विकसित करता है कि आपके पास एक हरे रंग की अलमारी होगी नीले हैंडल वाला साल रसोई के लिए रुचिकर हो सकता है।

भयानक? कुछ लोगों के लिए यह भयावह है. लेकिन वास्तव में ऐसा नहीं है. अज्ञात का डर हम पर चालें चलता है। यदि हम लोगों के एक समूह से पूछें कि कल टीवी पर आपकी क्या रुचि हो सकती है, तो आपको विभिन्न प्रकार के उत्तर मिलेंगे। एकरूप नहीं. अब, आप कैसे तय करेंगे कि आप कौन सा प्रस्ताव स्वीकार करेंगे? क्या यह पेशेवर योगदान है या संबंधित व्यक्ति का आकर्षक स्वरूप?

एआई के साथ भी ऐसा ही है। कथन इस बात पर निर्भर करता है कि तंत्रिका नेटवर्क को कितना कमजोर या मजबूत "प्रोग्राम किया गया" किया गया है। यह हमें एक अच्छा निर्णय लेने में मदद करने के लिए पैटर्न विश्लेषण के बारे में है। हमें नियंत्रित करने के लिए नहीं. क्योंकि यदि हम बड़े डेटा में पैटर्न का विश्लेषण करने का प्रबंधन नहीं करते हैं, तो हम बिना दया के रह जाएंगे। और यही वास्तविक भयावह परिदृश्य है।