कृत्रिम बुद्धिमत्ता को सरल बनाया गया

कृत्रिम बुद्धिमत्ता को सरल शब्दों में समझाया गया है। आप विशाल मात्रा में डेटा, जैसे कि बिग डेटा, का प्रबंधन कैसे करते हैं? यह तभी संभव है जब आप कुछ निश्चित पैटर्न को समझें या उनके द्वारा निर्देशित होने दें।

एक व्यक्तिगत प्रयोग: आपके मन में एक विशिष्ट छवि है। आज मान लीजिए कि यह सफेद हैंडल वाली एक लाल अलमारी है। आप क्या करेंगे?

आप गूगल सर्च में “लाल कैबिनेट, सफेद हैंडल” टाइप करते हैं।

पैदावार? मामूली।

दूसरा प्रयास: आप गूगल सर्च में “लाल कैबिनेट, सफेद हैंडल” टाइप करें।

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

गूगल सर्च का उपयोग करना प्रोग्रामिंग की दिशा में पहला कदम है। सर्च क्वेरीज़ को इकट्ठा करना और उन्हें एल्गोरिदम और कोड में बदलना ही न्यूरल नेटवर्क का निर्माण करता है।

जैसा कि ऊपर दिए गए चित्र में दिखाया गया है, मशीन लर्निंग को तुरंत लागू नहीं किया जा सकता। इसमें बहुत समय और मेहनत लगती है। यही कारण है कि इसके विकास में लागत भी अधिक आती है। हालांकि, जब आप यह ध्यान में रखते हैं कि एआई छुट्टियां नहीं लेता, सेवानिवृत्त नहीं होता या किसी अन्य प्रकार से स्वाभाविक रूप से अनुपस्थित नहीं होता, तो स्थिति पूरी तरह बदल जाती है।

लेकिन क्या सफेद हैंडल वाली वह लाल अलमारी कल भी फैशन में रहेगी? क्या वह आपकी जीवनशैली के अनुरूप होगी? पसंद बदलती रहती है। यहीं पर डीप लर्निंग काम आती है। हमारे उदाहरण को ही लें: जैसे-जैसे आप खोजते रहते हैं, AI सीखता है और पहचानता है कि आपकी खोज का तरीका आपकी रुचि के अन्य विषयों के आधार पर कैसे बदला है। फिर यह स्वतंत्र रूप से नए एल्गोरिदम विकसित करता है ताकि यह "भविष्यवाणी" कर सके कि एक साल बाद आपको अपनी रसोई के लिए नीले हैंडल वाली हरी अलमारी में रुचि हो सकती है।

भयानक? कुछ लोगों के लिए, यह भयानक है। लेकिन असल में ऐसा नहीं है। अज्ञात का हमारा डर हमें भ्रमित कर रहा है। अगर हम लोगों के एक समूह से पूछें कि उन्हें कल टेलीविजन पर क्या दिलचस्प लग सकता है, तो आपको कई तरह के जवाब मिलेंगे। सभी जवाब एक जैसे नहीं होंगे। अब, आप किस मापदंड का उपयोग करके यह तय करते हैं कि आप किस सुझाव को स्वीकार करेंगे? क्या यह विषयवस्तु है या शायद उस व्यक्ति का आकर्षण?

कृत्रिम बुद्धिमत्ता (AI) के मामले में भी यही बात लागू होती है। परिणाम इस बात पर निर्भर करते हैं कि न्यूरल नेटवर्क को कितनी कमज़ोर या मज़बूती से "प्रोग्राम" किया गया है। यह पैटर्न विश्लेषण के बारे में है, जो हमें अच्छे निर्णय लेने में मदद करे, न कि हमें नियंत्रित करे। क्योंकि यदि हम बड़े डेटा में पैटर्न विश्लेषण करने में विफल रहते हैं, तो हमारा बेरहमी से विनाश हो जाएगा। और यही असली भयावह स्थिति है।