Home Internet NextGen Tech एआई, आईटी न्यूज, ईटी सीआईओ की चुनौतियां और नए मोर्चे

एआई, आईटी न्यूज, ईटी सीआईओ की चुनौतियां और नए मोर्चे

0

सोम पाल चौधरी द्वारा

अभूतपूर्व प्रभाव कि कृत्रिम होशियारी (एआई) का हमारी अर्थव्यवस्था पर होने का अनुमान है और हमारा दैनिक जीवन अचरज से कम नहीं है। यह अनुमान लगाया गया है कि एआई 2030 तक विश्व अर्थव्यवस्था में महत्वपूर्ण ($ 15.7 ट्रिलियन) योगदान देगा। हालांकि इसकी प्रमुखता ने इसके अपनाने और उपयोग के मामलों को बढ़ाया है, इसके अपनाने के साथ आलोचनाएं होती हैं जिसके परिणामस्वरूप नौकरी छूट जाती है, अनपेक्षित पूर्वाग्रह, एकांत, निगरानी संबंधी चिंताएं और यहां तक ​​​​कि एआई मॉडल बनाने वाले ऊर्जा-हॉगिंग डेटा केंद्र भी। किसी भी नई तकनीक की तरह, इसका दुरुपयोग बनाम इसका सुरक्षित और उत्पादक उपयोग नैतिकता और नियमों के सही सेट के साथ हम पर निर्भर करता है।

जीवन और व्यवसाय के सभी पहलुओं में महत्वपूर्ण रूप से अपनाए जाने के साथ, एआई के प्रशिक्षण के आसपास की चुनौतियां और चिंताएं concerns निष्पक्ष डेटा, डेटा की कमी, विश्वास, व्याख्यात्मकता और गोपनीयता व्यापक रूप से अपनाने के लिए शीर्ष चिंताएं बन रही हैं। दुनिया भर में शोधकर्ता और विचारक नेता कई नई सीमाओं के उभरने और खोजे जाने के साथ उन्हें हल करने की कोशिश कर रहे हैं। हमने इन चुनौतियों को समझने और अपनी सीखों को यहां संक्षेप में प्रस्तुत करने के लिए एक गहरा गोता लगाया।

द करेंट एआई सिस्टम स्वाभाविक रूप से सीमित व्याख्यात्मकता वाले ब्लैक-बॉक्स मॉडल हैं जो गोद लेने में बाधाएं पैदा करते हैं, विशेष रूप से स्वास्थ्य देखभाल जैसे विनियमित वातावरण में। यह वह जगह है जहां व्याख्या करने योग्य एआई (एक्सएआई) आता है, जैसा कि डीएआरपीए विशेषज्ञों द्वारा एक व्यापक पेपर में कैप्चर किया गया है। XAI दो दृष्टिकोणों के माध्यम से स्पष्टीकरण प्रदान करके ब्लैक-बॉक्स समस्या को हल करने का प्रयास करता है; पोस्ट-हॉक (स्थानीय स्पष्टीकरण) और एंटे-हॉक (डिजाइन द्वारा व्याख्या) सिस्टम, और ब्लैक-बॉक्स को ग्लास बॉक्स या कम से कम सेमी-ग्लास बॉक्स में बदलने की कोशिश करता है। ग्लास बॉक्स को प्राप्त करने की एक अन्य विधि को इंटरएक्टिव कहा जाता है यंत्र अधिगम (IML) जिसमें मानव-में-लूप शामिल है, एल्गोरिथम लूप में रुझानों का अवलोकन करना और निर्णय लेना जो अंततः मॉडल की बेहतर समझ हासिल करने में मदद करता है। कई XAI ढांचे और उपकरण विकास में हैं, और अनुसंधान की अधिकता जारी है।

आर्टिफिशियल इंटेलिजेंस रिसर्च ने भारत में काफी तेजी पकड़ी है, और पेटेंट और शोध की हमारी समीक्षा यहां ‘एज एआई’ और ‘फेडरेटेड लर्निंग’ में एक ठोस शोध आधार दिखाती है। बड़े तकनीकी दिग्गजों ने अच्छी तरह से जुड़े हुए क्लाउड-आधारित एआई/एमएल के लिए ऑर्थोगोनल एज फ्रेमवर्क जारी किया है। फ़ेडरेटेड लर्निंग में एक केंद्रीय सर्वर शामिल होता है जो प्रशिक्षण के लिए स्थानीय डेटा को स्थानांतरित किए बिना एक वैश्विक मॉडल बनाने के लिए कई एज-जेनरेटेड मॉडल से जानकारी को जोड़ता है। यह एक अति-व्यक्तिगत दृष्टिकोण है, समय-कुशल, लागत प्रभावी और माना जाता है कि गोपनीयता के अनुकूल है क्योंकि उपयोगकर्ता डेटा क्लाउड पर नहीं भेजा जाता है।

साथ ही, किनारे पर एआई को तेज करने के लिए, एआई एज चिप्स (न्यूरोमॉर्फिक और डिजिटल-एनालॉग फ्लेवर) की एक नई पीढ़ी बहुत अधिक भारी शुल्क प्रशिक्षण और किनारे पर अनुमान लगाने के लिए आ रही है, परिमाण के आदेशों को तेजी से और महत्वपूर्ण रूप से चला रही है कम शक्ति पदचिह्न। Google Chrome की नई रिलीज़ ने फ़ेडरेटेड लर्निंग ऑफ़ कोहोर्ट्स (FLoC) को लागू किया है, जो Google का फ़ेडरेटेड लर्निंग का संस्करण है जो एक गोपनीयता और सुरक्षा-सचेत दुनिया में व्यापक ऑनलाइन ट्रैकर्स और कुकीज़ को खत्म करने की एक पहल है। फेडविज़न एक ओपन-सोर्स प्लेटफॉर्म है जो एज पावर्ड कंप्यूटर विज़न एप्लिकेशन के विकास का समर्थन करता है क्योंकि वीडियो अपलोड करना एक बड़ी गोपनीयता चिंता का विषय है। भारत में 700 से अधिक सक्रिय एआई स्टार्टअप के साथ, हम यहां कुछ गुणवत्ता पहल देखने की उम्मीद करते हैं।

ऑटोएमएल ने यह सुनिश्चित करने के लिए महत्वपूर्ण प्रगति देखी है कि डेटा वैज्ञानिक डेटा की सफाई से शुरू होने वाले दोहराव और समय लेने वाले कार्यों में नहीं फंसते हैं, विभिन्न मॉडलों और हाइपर-पैरामीटर के साथ खेलते हैं और अंततः सर्वोत्तम परिणामों के लिए उन्हें ठीक करते हैं। AutoML एक अंतर्निहित सुदृढीकरण सीखने और आवर्तक तंत्रिका नेटवर्क दृष्टिकोण का उपयोग करता है ताकि ये मॉडल और पैरामीटर एक प्रारंभिक इनपुट या ऑटो-पिक के साथ शुरू हों, लेकिन परिणामों के आधार पर निरंतर और स्वचालित रूप से परिष्कृत हो जाएं।

आज बाजार में कई तरह के प्लेटफॉर्म हैं, और हम ऑटोएमएल विकास के जनरल 3 में हैं और अधिक लंबवत डोमेन-विशिष्ट प्लेटफॉर्म के साथ हैं। अधिकांश प्लेटफ़ॉर्म अभी भी मॉडल और हाइपरपैरामीटर का चयन करते हैं, जिसका अर्थ है कि डेटा वैज्ञानिकों को अभी भी डेटा तैयार करने और सफाई में अधिकांश काम करने की आवश्यकता है, जहां अधिकांश समय अक्सर व्यतीत होता है। अन्य उन्नत प्लेटफार्मों में सफाई, एन्कोडिंग और फीचर निष्कर्षण भी शामिल हैं, एक अच्छा मॉडल जल्दी से बनाने के लिए जरूरी है, लेकिन दृष्टिकोण टेम्पलेट संचालित है और हमेशा एक अच्छा फिट नहीं हो सकता है।

एआई प्रैक्टिशनर्स हमेशा डेटा की कमी से ग्रस्त रहे हैं और इसलिए कम डेटासेट के साथ स्वीकार्य मॉडल तैयार करने का प्रयास या अधिक डेटा खोजने की उनकी खोज। अधिक डेटा खोजने में सार्वजनिक एनोटेट डेटा (जैसे Google सार्वजनिक डेटासेट, एडब्ल्यूएस ओपन डेटा), डेटा वृद्धि उपलब्ध डेटा पर चलने वाले परिवर्तन और अन्य समान लेकिन बड़े डेटासेट का उपयोग मॉडल को प्रशिक्षित करने के लिए किया जाता है। कृत्रिम या सिंथेटिक डेटा के निर्माण पर तेजी से प्रगति जारी है। सिंथेटिक माइनॉरिटी ओवर-सैंपलिंग तकनीक (SMOTE) और इसके कई संशोधनों का उपयोग क्लासिक मामलों में किया जाता है जहां अल्पसंख्यक डेटा विरल होता है और इसलिए ओवरसैंपल किया जाता है। सेल्फ-लर्निंग (AlphaGo सेल्फ-प्ले 4.9 मिलियन बार) और सिमुलेशन (गेमिंग इंजन का उपयोग करके शहर के ट्रैफिक परिदृश्यों को फिर से बनाना) के साथ पूरी तरह से नया डेटा बनाना सिंथेटिक डेटा बनाने के लिए हाल के दृष्टिकोण हैं। दुर्भाग्य से, अधिक डेटा प्रशिक्षण के लिए संसाधन और समय की कमी को भी बढ़ाता है, जिसमें सफाई, शोर को दूर करने, अतिरेक, आउटलेयर आदि को हटाने के लिए आवश्यक समय और प्रयास शामिल हैं। एआई प्रशिक्षण की पवित्र कब्र फ्यू-शॉट लर्निंग (एफएसएल) है, अर्थात, एक छोटे डेटासेट के साथ प्रशिक्षण। यह सक्रिय अनुसंधान का एक क्षेत्र है, जैसा कि इस हालिया सर्वेक्षण पत्र में प्रकाश डाला गया है।

एआई विकास में तेजी लाने के लिए बड़ी मात्रा में ओपन-सोर्स मॉडल, डेटासेट, सक्रिय सहयोग और बेंचमार्क जारी है। ओपन एआई के जीपीटी -3 लॉन्च ने एनएलपी को 570 गीगाबाइट टेक्स्ट पर प्रशिक्षित 175 बिलियन मापदंडों के साथ दूसरे स्तर पर ले लिया। Huawei ने हाल ही में GPT-3 के चीनी संस्करण को 1.1 टेराबाइट चीनी पाठ के साथ प्रशिक्षित किया है। अल्फाबेट की सहायक कंपनी डीपमाइंड के अल्फाफोल्ड को जीव विज्ञान में सबसे महत्वपूर्ण सफलता मिली, जिसमें प्रसिद्ध प्रोटीन संरचना और तह भविष्यवाणी प्रतियोगिता में 92.4 प्रतिशत सटीकता थी। Cityscapes ने विविध शहरी सड़क दृश्यों का बड़े पैमाने पर 50 शहरों का डेटासेट बनाया है। छवि और भाषा की पहचान से परे, एआई की अगली सीमा वीडियो से समझ है। जबकि भारत 2021 में एआई वाइब्रेंसी इंडेक्स में 23 से 5 वें स्थान पर पहुंच गया, सहयोग, ओपन-सोर्स और भारत विशिष्ट डेटासेट के मामले में अभी भी बहुत कुछ करने की आवश्यकता है।

संवेदनशील और निजी जानकारी की सुरक्षा की बढ़ती आवश्यकता के साथ, मशीन लर्निंग एल्गोरिदम को डेटा पर चलाने की आवश्यकता है जो एन्क्रिप्शन द्वारा संरक्षित है। होमोमोर्फिक एन्क्रिप्शन (एचई) एक अवधारणा है जिसे अब डेटा को डिक्रिप्ट किए बिना और डेटा लीक को जोखिम में डाले बिना डेटा पर मॉडल को प्रशिक्षित करने के लिए उपयोग किया जा रहा है। इंटेल इस क्षेत्र में उन खिलाड़ियों में से एक है जिसने इस उद्देश्य के लिए सिलिकॉन विकसित करने के लिए माइक्रोसॉफ्ट के साथ सहयोग किया है। इस क्षेत्र में अनुसंधान और विकास में बढ़ती रुचि के साथ, ये HE तरीके अधिक सामान्य और उन्नत हो जाएंगे।

एथिकल एआई या रिस्पॉन्सिबल एआई का उद्देश्य विषाक्तता और पूर्वाग्रहों को दूर करना है, लेकिन विकास प्रारंभिक अवस्था में है। Google और Accenture ने जिम्मेदार AI फ्रेमवर्क की घोषणा की है। एआई पर यूरोपीय आयोग का श्वेत पत्र विश्वास पर केंद्रित है, और संयुक्त राष्ट्र एआई नैतिकता समिति का गठन एक उत्कृष्ट पहल है।

एआई का विकास एक ख़तरनाक गति से हो रहा है, और 2021 अलग नहीं होगा।

लेखक पार्टनर, बीआईएफ और अर्जुन नायर, इंटर्न बीआईएफ, ब्राउन यूनिवर्सिटी में जूनियर हैं

.

NO COMMENTS

Leave a ReplyCancel reply

Exit mobile version