आज हम यह पता लगाने की कोशिश करेंगे कि तंत्रिका नेटवर्क क्या हैं, वे कैसे काम करते हैं और कृत्रिम बुद्धिमत्ता बनाने में उनकी क्या भूमिका है।
तंत्रिका - तंत्र। यह मुहावरा हम लगभग हर जगह सुनते हैं। नौबत यहां तक आ जाती है कि आपको रेफ्रिजरेटर में भी न्यूरल नेटवर्क मिल जाएंगे (यह कोई मजाक नहीं है)। मशीन लर्निंग एल्गोरिदम द्वारा तंत्रिका नेटवर्क का व्यापक रूप से उपयोग किया जाता है, जो आज न केवल कंप्यूटर और स्मार्टफोन में पाया जा सकता है, बल्कि कई अन्य इलेक्ट्रॉनिक उपकरणों में भी पाया जा सकता है, उदाहरण के लिए, घरेलू उपकरणों में। और क्या आपने कभी सोचा है कि ये तंत्रिका नेटवर्क क्या हैं?
चिंता न करें, यह कोई अकादमिक व्याख्यान नहीं होगा। यूक्रेनी भाषा सहित कई प्रकाशन हैं, जो सटीक विज्ञान के क्षेत्र में इस मुद्दे को बहुत पेशेवर और विश्वसनीय रूप से समझाते हैं। ऐसे प्रकाशन एक दर्जन वर्ष से भी अधिक पुराने हैं। यह कैसे संभव है कि ये पुराने प्रकाशन अभी भी प्रासंगिक हैं? तथ्य यह है कि तंत्रिका नेटवर्क के मूल सिद्धांत नहीं बदले हैं, और अवधारणा स्वयं - एक कृत्रिम न्यूरॉन का गणितीय मॉडल - द्वितीय विश्व युद्ध के दौरान बनाई गई थी।
इंटरनेट के साथ भी, आज का इंटरनेट पहले ईमेल भेजे जाने के समय की तुलना में अतुलनीय रूप से अधिक उन्नत है। इंटरनेट की नींव, मौलिक प्रोटोकॉल, इसके निर्माण की शुरुआत से ही मौजूद थे। प्रत्येक जटिल अवधारणा पुरानी संरचनाओं की नींव पर बनी होती है। यह हमारे मस्तिष्क के साथ भी ऐसा ही है, सबसे युवा सेरेब्रल कॉर्टेक्स सबसे पुराने विकासवादी तत्व के बिना कार्य करने में असमर्थ है: ब्रेनस्टेम, जो इस ग्रह पर हमारी प्रजातियों के अस्तित्व से कहीं अधिक पुराने समय से हमारे सिर में है।
क्या मैंने आपको थोड़ा भ्रमित किया? तो आइये और विस्तार से समझते हैं.
यह भी दिलचस्प: चैटजीपीटी: उपयोग के लिए सरल निर्देश
तंत्रिका नेटवर्क क्या हैं?
एक नेटवर्क कुछ तत्वों का एक संग्रह है। यह गणित, भौतिकी या प्रौद्योगिकी में सबसे सरल दृष्टिकोण है। यदि एक कंप्यूटर नेटवर्क परस्पर जुड़े कंप्यूटरों का एक सेट है, तो एक तंत्रिका नेटवर्क स्पष्ट रूप से न्यूरॉन्स का एक सेट है।
हालाँकि, ये तत्व जटिलता में हमारे मस्तिष्क और तंत्रिका तंत्र की तंत्रिका कोशिकाओं से दूर-दूर तक तुलनीय नहीं हैं, लेकिन अमूर्तता के एक निश्चित स्तर पर, एक कृत्रिम न्यूरॉन और एक जैविक न्यूरॉन की कुछ विशेषताएं आम हैं। लेकिन यह याद रखना आवश्यक है कि एक कृत्रिम न्यूरॉन अपने जैविक समकक्ष की तुलना में बहुत सरल अवधारणा है, जिसके बारे में हम अभी भी सब कुछ नहीं जानते हैं।
यह भी पढ़ें: ChatGPT के 7 सबसे अच्छे उपयोग
सबसे पहले एक कृत्रिम न्यूरॉन था
कृत्रिम न्यूरॉन का पहला गणितीय मॉडल 1943 में (हाँ, यह कोई गलती नहीं है, द्वितीय विश्व युद्ध के दौरान) दो अमेरिकी वैज्ञानिकों, वॉरेन मैककुलोच और वाल्टर पिट्स द्वारा विकसित किया गया था। वे मस्तिष्क शरीर विज्ञान के बुनियादी ज्ञान (उस समय को याद रखें जब यह मॉडल बनाया गया था), गणित और तत्कालीन युवा आईटी दृष्टिकोण (उन्होंने अन्य चीजों के अलावा, एलन ट्यूरिंग के कम्प्यूटेबिलिटी के सिद्धांत का उपयोग किया था) को मिलाकर एक अंतःविषय दृष्टिकोण के आधार पर ऐसा करने में कामयाब रहे। ). मैककुलोच-पिट्स कृत्रिम न्यूरॉन मॉडल एक बहुत ही सरल मॉडल है, इसमें कई इनपुट होते हैं, जहां इनपुट जानकारी वजन (पैरामीटर) से होकर गुजरती है, जिसके मान न्यूरॉन के व्यवहार को निर्धारित करते हैं। परिणामी परिणाम एकल आउटपुट पर भेजा जाता है (मैकुलोच-पिट्स न्यूरॉन का आरेख देखें)।
इस तरह की पेड़ जैसी संरचना एक जैविक न्यूरॉन से जुड़ी होती है, क्योंकि जब हम जैविक तंत्रिका कोशिकाओं को दर्शाने वाले चित्रों के बारे में सोचते हैं, तो यह डेंड्राइट्स की विशिष्ट पेड़ जैसी संरचना होती है जो दिमाग में आती है। हालाँकि, किसी को इस भ्रम में नहीं पड़ना चाहिए कि एक कृत्रिम न्यूरॉन कम से कम कुछ हद तक वास्तविक तंत्रिका कोशिका के करीब है। ये दो शोधकर्ता, पहले कृत्रिम न्यूरॉन के लेखक, यह प्रदर्शित करने में कामयाब रहे कि किसी भी गणना योग्य फ़ंक्शन की गणना परस्पर जुड़े न्यूरॉन्स के नेटवर्क का उपयोग करके की जा सकती है। हालाँकि, आइए याद रखें कि ये पहली अवधारणाएँ केवल उन विचारों के रूप में बनाई गई थीं जो केवल "कागज पर" मौजूद थे और ऑपरेटिंग उपकरणों के रूप में उनकी कोई वास्तविक व्याख्या नहीं थी।
यह भी पढ़ें: सरल शब्दों में क्वांटम कंप्यूटर के बारे में
मॉडल से लेकर नवीन कार्यान्वयन तक
मैककुलोच और पिट्स ने एक सैद्धांतिक मॉडल विकसित किया, लेकिन पहले वास्तविक तंत्रिका नेटवर्क के निर्माण के लिए दस साल से अधिक इंतजार करना पड़ा। इसके निर्माता को कृत्रिम बुद्धिमत्ता अनुसंधान का एक और अग्रणी माना जाता है, फ्रैंक रोसेनब्लैट, जिन्होंने 1957 में मार्क आई परसेप्ट्रॉन नेटवर्क बनाया था, और आपने स्वयं दिखाया कि इस संरचना के लिए धन्यवाद, मशीन ने एक ऐसी क्षमता हासिल कर ली है जो पहले केवल जानवरों और मनुष्यों में निहित थी: यह सीख सकते हैं। हालाँकि, अब हम जानते हैं कि वास्तव में, अन्य वैज्ञानिक भी थे जो इस विचार के साथ आए थे कि एक मशीन सीख सकती है, जिसमें रोसेनब्लैट से पहले भी शामिल थे।
1950 के दशक में कंप्यूटर विज्ञान के कई शोधकर्ता और अग्रदूत इस विचार के साथ आए कि एक मशीन को वह कैसे बनाया जाए जो वह स्वयं नहीं कर सकती। उदाहरण के लिए, आर्थर सैमुअल ने एक प्रोग्राम विकसित किया जो मानव के साथ चेकर्स खेलता था, एलन नेवेल और हर्बर्ट साइमन ने एक प्रोग्राम बनाया जो स्वतंत्र रूप से गणितीय प्रमेयों को साबित कर सकता था। रोसेनब्लैट के पहले तंत्रिका नेटवर्क के निर्माण से पहले ही, कृत्रिम बुद्धिमत्ता के क्षेत्र में अनुसंधान के दो अन्य अग्रदूतों, मार्विन मिंस्की और डीन एडमंड्स ने 1952 में, यानी रोसेनब्लैट के परसेप्ट्रॉन की उपस्थिति से पहले ही, SNARC (स्टोकेस्टिक न्यूरल) नामक एक मशीन का निर्माण किया था। एनालॉग रीइन्फोर्समेंट कैलकुलेटर) - स्टोकेस्टिक न्यूरल एनालॉग कैलकुलेटर रीइन्फोर्समेंट, जिसे कई लोग पहला स्टोकेस्टिक न्यूरल नेटवर्क कंप्यूटर मानते हैं। यह ध्यान दिया जाना चाहिए कि SNARC का आधुनिक कंप्यूटरों से कोई लेना-देना नहीं था।
शक्तिशाली मशीन, 3000 से अधिक इलेक्ट्रॉनिक ट्यूबों और बी-24 बमवर्षक से एक अतिरिक्त ऑटोपायलट तंत्र का उपयोग करते हुए, 40 न्यूरॉन्स के संचालन का अनुकरण करने में सक्षम थी, जो एक भूलभुलैया से बाहर निकलने के लिए चूहे की खोज को गणितीय रूप से अनुकरण करने के लिए पर्याप्त साबित हुई। . बेशक, कोई चूहा नहीं था, यह सिर्फ कटौती और इष्टतम समाधान खोजने की एक प्रक्रिया थी। यह कार मार्विन मिंस्की की पीएचडी का हिस्सा थी।
तंत्रिका नेटवर्क के क्षेत्र में एक और दिलचस्प परियोजना ADALINE नेटवर्क थी, जिसे 1960 में बर्नार्ड विथ्रो द्वारा विकसित किया गया था। इस प्रकार, कोई यह प्रश्न पूछ सकता है: चूँकि आधी सदी से भी अधिक समय पहले शोधकर्ता तंत्रिका नेटवर्क की सैद्धांतिक नींव को जानते थे और यहां तक कि ऐसे कम्प्यूटेशनल ढाँचे का पहला कार्यान्वित कार्यान्वयन भी कर चुके थे, तो 21वीं सदी तक इतना लंबा समय क्यों लगा? तंत्रिका नेटवर्क पर आधारित वास्तविक समाधान बनाएं? उत्तर एक है: अपर्याप्त कंप्यूटिंग शक्ति, लेकिन यह एकमात्र बाधा नहीं थी।
हालाँकि 1950 और 1960 के दशक में, कई एआई अग्रदूत तंत्रिका नेटवर्क की संभावनाओं से मोहित थे, और उनमें से कुछ ने भविष्यवाणी की थी कि मानव मस्तिष्क के बराबर एक मशीन केवल दस साल दूर थी। आज यह पढ़ना और भी हास्यास्पद है, क्योंकि हम अभी भी मानव मस्तिष्क के बराबर मशीन बनाने के करीब भी नहीं पहुंचे हैं, और हम अभी भी इस कार्य को हल करने से बहुत दूर हैं। यह जल्दी ही स्पष्ट हो गया कि पहले तंत्रिका नेटवर्क का तर्क आकर्षक और सीमित दोनों था। कृत्रिम न्यूरॉन्स और मशीन लर्निंग एल्गोरिदम का उपयोग करके एआई का पहला कार्यान्वयन कार्यों की एक निश्चित संकीर्ण श्रेणी को हल करने में सक्षम था।
हालाँकि, जब यह व्यापक स्थानों और वास्तव में गंभीर कुछ को हल करने की बात आई, जैसे कि पैटर्न और छवि पहचान, एक साथ अनुवाद, भाषण और लिखावट पहचान, आदि, यानी, ऐसी चीजें जो कंप्यूटर और एआई पहले से ही आज कर सकते हैं, तो यह पता चला कि तंत्रिका नेटवर्क का पहला कार्यान्वयन ऐसा करने में असमर्थ था। ऐसा क्यों है? इसका उत्तर मार्विन मिन्स्की (हाँ, एसएनएआरसी से वही) और सेमुर पैपर्ट के शोध द्वारा दिया गया था, जिन्होंने 1969 में परसेप्ट्रॉन तर्क की सीमाओं को साबित किया था और दिखाया था कि केवल स्केलिंग के कारण सरल तंत्रिका नेटवर्क की क्षमताओं को बढ़ाने से काम नहीं चलता है। एक और, लेकिन बहुत महत्वपूर्ण बाधा थी - उस समय उपलब्ध कंप्यूटिंग शक्ति तंत्रिका नेटवर्क के इच्छित उपयोग के लिए बहुत छोटी थी।
यह भी दिलचस्प:
- तो बोलना है या नहीं बोलना है? मस्क ने पुतिन से बात करने से किया इनकार लेकिन एक "लेकिन" है
- आधुनिक तोपखाना यूक्रेन का सुपर हथियार है। और एलोन मस्क यहाँ क्यों हैं?
तंत्रिका नेटवर्क का पुनर्जागरण
1970 और 1980 के दशक में, तंत्रिका नेटवर्क को व्यावहारिक रूप से भुला दिया गया था। पिछली शताब्दी के अंत तक ऐसा नहीं हुआ था कि उपलब्ध कंप्यूटिंग शक्ति इतनी महान हो गई कि लोग इसकी ओर लौटने लगे और इस क्षेत्र में अपनी क्षमताओं का विकास करने लगे। यह तब था जब नए फ़ंक्शन और एल्गोरिदम सामने आए, जो पहले सरलतम तंत्रिका नेटवर्क की सीमाओं को पार करने में सक्षम थे। तभी मल्टीलेयर न्यूरल नेटवर्क की डीप मशीन लर्निंग का विचार आया। वास्तव में इन परतों का क्या होता है? आज, हमारे वातावरण में काम करने वाले लगभग सभी उपयोगी तंत्रिका नेटवर्क बहुस्तरीय हैं। हमारे पास एक इनपुट परत है जिसका कार्य इनपुट डेटा और पैरामीटर (वजन) प्राप्त करना है। इन मापदंडों की संख्या नेटवर्क द्वारा हल की जाने वाली कम्प्यूटेशनल समस्या की जटिलता के आधार पर भिन्न होती है।
इसके अलावा, हमारे पास तथाकथित "छिपी हुई परतें" हैं - यहीं पर गहरी मशीन लर्निंग से जुड़ा सारा "जादू" होता है। यह छिपी हुई परतें हैं जो इस तंत्रिका नेटवर्क की सीखने और आवश्यक गणना करने की क्षमता के लिए जिम्मेदार हैं। अंत में, अंतिम तत्व आउटपुट परत है, अर्थात, तंत्रिका नेटवर्क की परत जो वांछित परिणाम देती है, इस मामले में: मान्यता प्राप्त लिखावट, चेहरा, आवाज, पाठ्य विवरण के आधार पर बनाई गई छवि, टोमोग्राफिक विश्लेषण का परिणाम नैदानिक छवि और भी बहुत कुछ।
यह भी पढ़ें: मैंने बिंग के चैटबॉट का परीक्षण और साक्षात्कार किया
तंत्रिका नेटवर्क कैसे सीखते हैं?
जैसा कि हम पहले से ही जानते हैं, तंत्रिका नेटवर्क में व्यक्तिगत न्यूरॉन्स मापदंडों (वजन) की मदद से जानकारी संसाधित करते हैं, जिन्हें व्यक्तिगत मान और कनेक्शन सौंपे जाते हैं। सीखने की प्रक्रिया के दौरान ये भार बदलते हैं, जो आपको इस नेटवर्क की संरचना को इस तरह से समायोजित करने की अनुमति देता है कि यह वांछित परिणाम उत्पन्न करता है। नेटवर्क वास्तव में कैसे सीखता है? जाहिर है, इसे लगातार प्रशिक्षित किया जाना चाहिए। इस कहावत से चौंकिए मत. हम भी सीख रहे हैं, और यह प्रक्रिया अराजक नहीं है, बल्कि व्यवस्थित है, मान लीजिए। हम इसे शिक्षा कहते हैं। किसी भी स्थिति में, तंत्रिका नेटवर्क को भी प्रशिक्षित किया जा सकता है, और यह आमतौर पर इनपुट के उचित रूप से चयनित सेट का उपयोग करके किया जाता है, जो किसी तरह नेटवर्क को भविष्य में किए जाने वाले कार्यों के लिए तैयार करता है। और यह सब चरण दर चरण दोहराया जाता है, कभी-कभी सीखने की प्रक्रिया कुछ हद तक प्रशिक्षण प्रक्रिया से मिलती जुलती होती है।
उदाहरण के लिए, यदि इस तंत्रिका नेटवर्क का कार्य चेहरों को पहचानना है, तो इसे बड़ी संख्या में चेहरों वाली छवियों पर पूर्व-प्रशिक्षित किया जाता है। सीखने की प्रक्रिया में, छिपी हुई परतों के वजन और पैरामीटर बदल जाते हैं। विशेषज्ञ यहां "लागत फ़ंक्शन का न्यूनतमकरण" वाक्यांश का उपयोग करते हैं। लागत फ़ंक्शन एक मात्रा है जो हमें बताती है कि दिया गया तंत्रिका नेटवर्क कितनी गलतियाँ करता है। प्रशिक्षण के परिणामस्वरूप हम लागत फ़ंक्शन को जितना कम कर सकते हैं, वास्तविक दुनिया में यह तंत्रिका नेटवर्क उतना ही बेहतर प्रदर्शन करेगा। सबसे महत्वपूर्ण विशेषता जो किसी भी तंत्रिका नेटवर्क को शास्त्रीय एल्गोरिदम का उपयोग करके प्रोग्राम किए गए कार्य से अलग करती है, वह यह है कि शास्त्रीय एल्गोरिदम के मामले में, प्रोग्रामर को चरण दर चरण डिज़ाइन करना होगा कि प्रोग्राम कौन से कार्य करेगा। तंत्रिका नेटवर्क के मामले में, नेटवर्क स्वयं कार्यों को सही ढंग से करना सीखने में सक्षम है। और कोई भी ठीक से नहीं जानता कि एक जटिल तंत्रिका नेटवर्क अपनी गणना कैसे करता है।
आज, तंत्रिका नेटवर्क का व्यापक रूप से उपयोग किया जाता है और, शायद आश्चर्यजनक रूप से, अक्सर यह समझे बिना कि किसी दिए गए नेटवर्क में कम्प्यूटेशनल प्रक्रिया वास्तव में कैसे काम करती है। इसकी कोई जरूरत नहीं है. प्रोग्रामर तैयार मशीन-सीखे गए तंत्रिका नेटवर्क का उपयोग करते हैं जो एक निश्चित प्रकार के इनपुट डेटा के लिए तैयार होते हैं, उन्हें केवल उनके लिए ज्ञात तरीके से संसाधित करते हैं और वांछित परिणाम उत्पन्न करते हैं। एक प्रोग्रामर को यह जानने की आवश्यकता नहीं है कि तंत्रिका नेटवर्क के अंदर अनुमान प्रक्रिया कैसे काम करती है। अर्थात्, एक व्यक्ति बड़ी मात्रा में गणनाओं, सूचना प्राप्त करने की एक विधि और तंत्रिका नेटवर्क द्वारा इसके प्रसंस्करण से अलग रहता है। कृत्रिम बुद्धिमत्ता के मॉडल के संबंध में मानव जाति के कुछ भय कहाँ से आए? हम बस इस बात से डरते हैं कि एक दिन तंत्रिका नेटवर्क अपने लिए एक निश्चित कार्य निर्धारित करेगा और स्वतंत्र रूप से, किसी व्यक्ति की सहायता के बिना, इसे हल करने के तरीके खोजेगा। इससे मानवता चिंतित है, मशीन लर्निंग एल्गोरिदम के उपयोग में भय और अविश्वास पैदा होता है।
यह उपयोगितावादी दृष्टिकोण आज आम है। हमारे साथ भी ऐसा ही है: हम जानते हैं कि किसी को किसी विशिष्ट गतिविधि में कैसे प्रशिक्षित किया जाए, और हम जानते हैं कि प्रशिक्षण प्रक्रिया प्रभावी होगी यदि इसे सही ढंग से किया जाए। व्यक्ति वांछित कौशल हासिल करेगा. लेकिन क्या हम वास्तव में समझते हैं कि उसके मस्तिष्क में कटौती की प्रक्रिया कैसे होती है, जिसके कारण यह प्रभाव पड़ा? हमें कोई अंदाज़ा नहीं है.
वैज्ञानिकों का कार्य इन समस्याओं का यथासंभव अध्ययन करना है, ताकि वे जहां आवश्यक हो, हमारी सेवा और सहायता करें, और, सबसे महत्वपूर्ण बात, खतरा न बनें। मनुष्य के रूप में, हम उस चीज़ से डरते हैं जो हम नहीं जानते हैं।
यह भी दिलचस्प: