2018 मशीन इंटेलिजेंस लैंडस्केप: एमआई बनाम एमएल बनाम डीएल बनाम एआई पर एक नया रूप

क्रिस्टी मेवर द्वारा लिखित, मार्केटिंग के वीपी

दो साल पहले, हमारे सह-संस्थापक, जेफ हॉकिन्स और डोना डबिन्स्की ने एक ब्लॉग पोस्ट लिखा था, व्हाट इज मशीन इंटेलिजेंस बनाम मशीन लर्निंग बनाम डीप लर्निंग बनाम आर्टिफिशियल इंटेलिजेंस (एआई)? यह पोस्ट, जो तेज़ी से वायरल हुई थी, बुद्धिमान मशीनों के निर्माण के लिए अलग-अलग दृष्टिकोणों की समझ बनाने का हमारा प्रयास था - समान ध्वनि और अक्सर अतिव्यापी शब्दावली के साथ दृष्टिकोण। नुमेंटा का उच्च-स्तरीय मूल्यांकन था कि इस अंतरिक्ष में 3 मुख्य श्रेणियां हैं, और हमने उन्हें क्लासिक एआई, सरल तंत्रिका नेटवर्क और जैविक तंत्रिका नेटवर्क कहा है, जैसा कि नीचे दी गई तालिका में दिखाया गया है।

2016 में उस पोस्ट को प्रकाशित करने के बाद से, प्रत्येक श्रेणी में अलग-अलग डिग्री तक प्रगति हुई है। इस पोस्ट में, हम 2018 की तरह मशीन इंटेलिजेंस का रास्ता क्या है, इसका आकलन करने के लिए हम प्रत्येक पर एक करीब से नज़र डालेंगे।

2016 तालिका 3 दृष्टिकोणों की विशेषताओं का सारांश

क्लासिक ऐ दृष्टिकोण

2016 में, हमने क्लासिक एआई को एक विशेषज्ञ प्रणाली दृष्टिकोण के रूप में परिभाषित किया। क्लासिक एआई समाधान विशेषज्ञों द्वारा प्रोग्राम किए गए नियमों के एक सेट का उपयोग करके विशिष्ट समस्याओं को हल करते हैं। वे कुछ सीखने का प्रदर्शन कर सकते हैं लेकिन केवल डोमेन-विशिष्ट क्षेत्रों में। क्लासिक एआई सिस्टम एक विशेष मुद्दे के बारे में एक गहरा ज्ञान आधार बना सकते हैं। जबकि उन क्षेत्रों में कुछ सफलताएं मिली हैं जहां एक डोमेन या प्रश्न अच्छी तरह से परिभाषित है, क्लासिक एआई बहुत कुछ नहीं बदला है। यह देखते हुए कि इसका मानवीय बुद्धिमत्ता से बहुत कम संबंध है और यह डोमेन में सामान्यीकरण नहीं करता है, इसने मशीन इंटेलीजेंस के लिए एक संभावित मार्ग के रूप में बड़े पैमाने पर ब्याज उत्पन्न नहीं किया है।

सरल तंत्रिका नेटवर्क दृष्टिकोण

मशीन लर्निंग (एमएल) में पिछले दो वर्षों में विस्फोटक वृद्धि देखी गई है, जो कि बड़े पैमाने पर गहरी शिक्षा से प्रेरित है, जो एक सरल तंत्रिका नेटवर्क दृष्टिकोण का उपयोग करता है। हाल ही में फोर्ब्स के एक लेख में बताया गया है कि मशीन लर्निंग पेटेंट्स 2013 और 2017 के बीच 34% कम्पाउंड एनुअल ग्रोथ रेट (CAGR) में बढ़े, जो सभी पेटेंटों की तीसरी सबसे तेजी से बढ़ती श्रेणी है। लिंक्डइन की 2017 यू.एस. इमर्जिंग जॉब्स रिपोर्ट के अनुसार, यू.एस. में मशीन लर्निंग इंजीनियर अब सबसे तेजी से बढ़ने वाली नौकरी की स्थिति है। हमने स्व-ड्राइविंग कारों से लेकर सोशल मीडिया सेवाओं से लेकर चेहरे की पहचान तक मशीन सीखने के अनुप्रयोगों में वृद्धि देखी है। यह केवल मात्रा ही नहीं बढ़ी है बल्कि गुणवत्ता भी है। 2010 के बाद से छवि लेबलिंग के लिए त्रुटि दर 28.5% से 2.5% से नीचे गिर गई है। जबकि यह सही नहीं है, क्योंकि जो कोई भी कछुए और राइफल के बीच अंतर जानता है, वह इसे 2016 से सुधार सकता है। आप निश्चित रूप से बेहतर नहीं कर सकते। दो साल पहले अपने चेहरे के साथ एक फोन अनलॉक करें।

हालांकि, प्रगति के बावजूद, कई सुधार अधिक कंप्यूटर हॉर्सपावर और बड़े डेटा सेटों का प्रत्यक्ष परिणाम हैं। मशीन सीखने की तकनीक आमतौर पर बड़े लेबल वाले डेटा सेटों पर निर्भर करती है। ML एल्गोरिथ्म के पास जितना अधिक डेटा होगा, वह उतना ही सटीक होगा। फिर भी लेबल किए गए डेटा को प्राप्त करना मुश्किल हो सकता है, और कई मामलों में मौजूद नहीं है। मशीन सीखने की निर्भरता इस पर एक स्केलेबिलिटी समस्या पैदा करती है जिसे दूर करना मुश्किल है अगर लक्ष्य बुद्धिमान मशीनें बनाने का है।

जैविक तंत्रिका नेटवर्क दृष्टिकोण

जैविक दृष्टिकोण इस धारणा पर आधारित है कि सामान्य बुद्धि सिद्धांतों पर निर्भर करती है कि अन्य दृष्टिकोण कब्जा नहीं करते हैं, और यह कि सच्चे एआई का सबसे तेज रास्ता उन सिद्धांतों की खोज के लिए मस्तिष्क का अध्ययन करना है। नूतन में हम यही करते हैं: हम उन आवश्यक विशेषताओं की तलाश करते हैं जिन्हें बुद्धिमान प्रणालियों के निर्माण में नजरअंदाज नहीं किया जा सकता है। इन विशेषताओं में शामिल हैं कि हम कैसे सूचना का प्रतिनिधित्व करते हैं, कैसे स्मृति पैटर्न का एक क्रम है, कैसे व्यवहार सीखने के साथ एकीकृत है, और कैसे सीखना निरंतर है। हमारे मॉडलों के दिल में एक जैविक रूप से यथार्थवादी न्यूरॉन मॉडल है जो बताता है कि दिमाग कैसे भविष्यवाणियां करता है। यह सरल तंत्रिका नेटवर्क में उपयोग किए जाने वाले अमूर्त और सरलीकृत न्यूरॉन्स की तुलना में बहुत अधिक सक्षम है।

मूल ब्लॉग पोस्ट के बाद से, हमने अपने शोध में कई प्रगति की है। हमने पांच पीयर-रिव्यू किए गए पेपर प्रकाशित किए हैं, जिसमें दो मौलिक फ्रंटियर जर्नल पेपर शामिल हैं, जो यह प्रस्तावित करते हैं कि मस्तिष्क दुनिया के पूर्वानुमान मॉडल को कैसे सीखता है - पहले बाह्य अनुक्रमों के साथ और बाद में सेंसरिमोटर अनुक्रमों के साथ। हमने अतिरिक्त खोजें की हैं जो हम दस्तावेज़ बनाने की प्रक्रिया में हैं। एक विशेष खोज इतनी महत्वपूर्ण थी कि हमने तंत्रिका विज्ञान अनुसंधान पर अपनी सभी ऊर्जाओं को केंद्रित करने का फैसला किया। हमने अनुप्रयोग विकास को कम कर दिया ताकि हम मस्तिष्क सिद्धांत पर लगभग विशेष रूप से ध्यान केंद्रित कर सकें, और अब हम यह समझने के लिए एक रूपरेखा को पूरा करने में बहुत प्रगति कर रहे हैं कि कैसे नियोकोर्टेक्स काम करता है। हालाँकि हमने अभी तक इस नए काम को प्रकाशित नहीं किया है, लेकिन हमने इसके कुछ हिस्सों पर प्रस्तुतियाँ दी हैं।

द मशीन इंटेलिजेंस लैंडस्केप टुडे

जबकि सभी तीन दृष्टिकोणों ने प्रगति की है, एक दिलचस्प प्रवृत्ति हुई है। जिस तरह मशीन लर्निंग और डीप लर्निंग लोकप्रियता में बढ़ी है, उसी तरह उनकी सीमाओं के बारे में जागरूकता है - विशेष रूप से क्षेत्र के भीतर सबसे सम्मानित विशेषज्ञों से। ज्योफ हिंटन, फ्रेंकोइस चॉलेट और डेमिस हासाबिस जैसे लोगों ने चिंता व्यक्त की है कि नए तरीकों की आवश्यकता है, जो कि वर्तमान तकनीकों को स्केल करने में हमें वहां नहीं मिलता है, और शायद कि मस्तिष्क हमें रास्ता दिखा सकता है।

सतह पर, कोई उम्मीद कर सकता है कि तीन दृष्टिकोण सामान्य कृत्रिम बुद्धिमत्ता के लिए एकल दृष्टिकोण की ओर परिवर्तित हो रहे हैं। और जबकि यह आत्मा में सच हो सकता है, यह निष्पादन में काफी अलग है। ऐसा प्रतीत होता है कि मस्तिष्क एक बुद्धिमान मशीन का एक उदाहरण प्रस्तुत करता है जिसे हम सीख सकते हैं, लेकिन गहन शिक्षण दृष्टिकोण एक अलग रणनीति लेता है। सामान्य तौर पर, वे सामयिक प्रेरणा के लिए तंत्रिका विज्ञान को देख सकते हैं, लेकिन विस्तृत एल्गोरिदम के लिए नहीं, और जैविक सटीकता लगभग हमेशा इंजीनियर समाधानों के लिए उपज देते हैं।

हमारा दृष्टिकोण अनिवार्य रूप से विपरीत है: हम मस्तिष्क से शुरू करते हैं और जीव विज्ञान का पालन करते हैं। यदि मस्तिष्क में कुछ संभव नहीं है, तो यह हमारे सिद्धांतों और सॉफ्टवेयर में संभव नहीं है। सबसे पहले और सबसे महत्वपूर्ण, हमारा लक्ष्य मस्तिष्क को समझना है। हमारा मानना ​​है कि सामान्य मशीन बुद्धि बनाने का यह सबसे तेज़ रास्ता है।

सारांश

मौलिक रूप से, मशीन इंटेलिजेंस के विभिन्न तरीकों का हमारा विश्लेषण आज भी वैसा ही है जैसा दो साल पहले था। हम अभी भी मानते हैं कि जैविक तंत्रिका नेटवर्क दृष्टिकोण एकमात्र है जो मशीन बुद्धि को एक गारंटी रोडमैप प्रदान करता है और उस लक्ष्य तक पहुंचने का सबसे तेज़ तरीका है। हमें विश्वास है कि आज हम जिस मस्तिष्क सिद्धांत ढांचे को विकसित कर रहे हैं, वह कल की वास्तविक मशीनों के लिए आधार होगा।

यदि आपको इस टुकड़े को पढ़ने में मज़ा आया है, तो कृपया अपने अनुयायियों को इसकी अनुशंसा करने के लिए नीचे "क्लैप" आइकन दबाएं। मस्तिष्क सिद्धांत और मशीन बुद्धि की स्थिति को आगे बढ़ाने में हमारा काम कैसे मदद कर रहा है, इसके बारे में अधिक जानने के लिए, हमारी वेबसाइट पर जाएं या फेसबुक और ट्विटर पर हमारा अनुसरण करें।

मूल रूप से numenta.com पर 16 मई 2018 को प्रकाशित किया गया था।