कृत्रिम बुद्धिमत्ता और मशीन लर्निंग वे प्रौद्योगिकियाँ हैं जो विश्व की चौथी औद्योगिक क्रांति कहलाने वाली प्रक्रिया में अग्रणी भूमिका निभा रही हैं । मानव जाति की उत्पत्ति से ही मनुष्य ने अपने जीवन और कार्य करने की क्षमता को बेहतर बनाने का प्रयास किया है। आरंभ में मनुष्य साधारण शारीरिक श्रम और सूझबूझ पर निर्भर था। हमारा मानना है कि इसी के फलस्वरूप मनुष्य ने पिरामिड, चीन की महान दीवार और स्टोनहेंज जैसी संरचनाओं का निर्माण किया। फिर पहली औद्योगिक क्रांति आई, जिसने मशीनीकरण, भाप और जल शक्ति का परिचय कराया और उत्पादन, यात्रा और शहरीकरण में प्रगति लाई। दूसरी क्रांति की शुरुआत बड़े पैमाने पर उत्पादन और बिजली के आविष्कारों से हुई। इलेक्ट्रॉनिक और डिजिटल प्रौद्योगिकियों के आगमन ने तीसरी क्रांति को जन्म दिया और कंप्यूटर और इंटरनेट जैसी तकनीकों का विकास हुआ। आज हम कृत्रिम बुद्धिमत्ता और मशीन लर्निंग की व्यापक प्रगति और व्यावहारिक अनुप्रयोगों द्वारा संभव हुए एक नए युग में प्रवेश कर रहे हैं।
आदमी बनाम मशीन
कृत्रिम बुद्धिमत्ता का उद्देश्य है कि नियमित रूप से कार्य करने के लिए आवश्यक समय, धन, और मानव स्मार्ट को कम करके मनुष्यों को अधिक कुशलता से संचालित करने में मदद करना। संक्षेप में, कंप्यूटरों को स्व-सीखने की क्षमता दी जा रही है ताकि वे अतीत और वर्तमान जानकारी के आधार पर परिणामों की भविष्यवाणी कर सकें, पैटर्न की पहचान कर सकें और स्वचालित रूप से समायोजन कर सकें। मशीन कुछ मामलों में मानव जाति के रूप में अधिक कुशल और स्मार्ट बनने लगती है।
कुछ कार्यों को अंजाम देने में इंसानों की तरह स्मार्ट (या उससे भी स्मार्ट) बनने की क्षमता “मैन बनाम मशीन” की बहस को जन्म देती है। किसी के विश्वास के बावजूद, एक बात जो हम सभी सहमत हो सकते हैं वह यह है कि इंसानों के पास कुछ ऐसा है जिसकी संभावना कंप्यूटर में कभी नहीं होगी: भावना, अंतर्ज्ञान और आंत महसूस।
जब लोग कृत्रिम बुद्धिमत्ता के विषय पर बहस करते हैं, तो वे अक्सर इस बात पर बहस करते हैं कि कौन सी मशीन सीखने की श्रेणियां या एल्गोरिदम सर्वश्रेष्ठ हैं। मशीन लर्निंग एल्गोरिदम को आम तौर पर 3 प्रकारों में वर्गीकृत किया जाता है, बिना लेबल के पूर्व ज्ञान (लेबल वाले डेटा) के बिना असुरक्षित, लेबल के कुछ ज्ञान (लेबल किए गए डेटा) और सुदृढीकरण के साथ पर्यवेक्षित, जो दो प्रकारों के बीच होता है। इन श्रेणियों के अधिक विशिष्ट एल्गोरिदम हैं, जैसे कि KNN, K-mean, Decision Tree, SVM, Artificial Neural Networks, Q-Learning, इत्यादि। खैर, जीवन में कुछ भी, सब कुछ पेशेवरों और विपक्षों की तरह है, और जब मशीन सीखने की बात आती है, तो मैं मॉडल पर बहस करने के लिए नहीं, बल्कि डेटा की गुणवत्ता के लिए बातचीत को पुनर्निर्देशित करता हूं। मशीन लर्निंग मॉडल डेटा के शीर्ष पर चलते हैं और डेटा की उचित मात्रा और गुणवत्ता और डेटा के प्रकार के बिना, मशीन लर्निंग मॉडल को बेकार में पेश किया जा सकता है, भले ही यह सिद्धांत में कितना अच्छा हो। यह सही मशीन लर्निंग एल्गोरिदम के चयन के प्रभाव को कम करने के लिए नहीं है। विशिष्ट उपयोग मामलों को हल करने के लिए डेटा और एल्गोरिदम को एक-दूसरे का पूरक होना चाहिए।
डेटा पैरामाउंट है
स्टेलर साइबर में , हमने अपनी कंपनी की शुरुआत डेटा इकट्ठा करने के एक प्रमुख मिशन के साथ की - बड़ी मात्रा में डेटा - और इससे भी महत्वपूर्ण बात यह है कि डेटा ब्रीच डिटेक्शन की समस्या को हल करने के लिए सही प्रकार का डेटा इकट्ठा करना। डेटा इकट्ठा हो जाने के बाद, हम डुप्लिकेशन हटाने, सामान्यीकरण और कई अन्य प्रक्रियाओं द्वारा इसे शुद्ध करते हैं। इसके बाद, हम डेटा को अन्य जानकारियों, जैसे कि खतरे की जानकारी, फ़ाइल डाउनलोड की स्थिति, आईपी पते का भौगोलिक स्थान आदि के साथ सहसंबंधित करते हैं। यह संवर्धन पूरे डेटासेट को बेहतर संदर्भ प्रदान करता है। इस प्रक्रिया के परिणामस्वरूप संदर्भ से समृद्ध स्वच्छ डेटा प्राप्त होता है। इन महत्वपूर्ण कार्यों के पूरा होने के बाद ही हम मशीन लर्निंग का उपयोग करते हैं।
सीमित वीएस कम्प्लीट डेटा के साथ एआई
आइए एक उदाहरण देखें कि बैंक क्रेडिट कार्ड धोखाधड़ी का पता कैसे लगाते हैं। यदि कोई ग्राहक सामान्य रूप से सैन जोस, कैलिफ़ोर्निया में केवल अपने क्रेडिट कार्ड का उपयोग करता है, लेकिन पहली बार टोक्यो, जापान की यात्रा करता है, और इस कार्ड का उपयोग करने की कोशिश करता है, तो कुछ बैंक फ्लैग करेंगे और एक विसंगति के रूप में क्रेडिट कार्ड को निष्क्रिय कर देंगे। यह अक्सर बार ग्राहक को शर्मिंदा और निराश छोड़ देता है जब एक व्यापारी उन्हें बताता है कि कार्ड अस्वीकृत है। हालांकि यह वास्तव में एक "मशीन सीखा" विसंगति हो सकती है, यह क्रेडिट कार्ड के निष्क्रिय होने का वारंट नहीं कर सकता है, क्योंकि यह कार्ड का वैध उपयोग हो सकता है।
उपरोक्त समस्या की जड़ आम तौर पर सतहों की होती है क्योंकि डेटा स्वयं एकवचन (केवल कार्ड के उपयोग का स्थान) होता है और संदर्भ की कमी होती है, जैसे कि कार्ड का अंतिम बार उपयोग किया गया था, जहां इसका उपयोग किया गया था, या इसका उपयोग कैसे किया गया था। यदि कोई सिस्टम जानकारी के अन्य बिट्स जैसे समय, स्थान, स्थानों के बीच की दूरी, किसी स्थान की प्रतिष्ठा, या इसका उपयोग कैसे किया जाता है (उदाहरण के लिए कार्ड टर्मिनल या वेब साइट) को सहसंबंधित करना था, तो मशीन लर्निंग एल्गोरिदम बेहतर धोखाधड़ी का निर्धारण कर सकता है।
एक और उदाहरण लीजिए, मान लीजिए कि एक कार्ड का उपयोग सैन जोस, कैलिफ़ोर्निया में दोपहर 4:00 बजे (पीएसटी) किया जाता है, और फिर उसी दिन शाम 5:00 बजे (पीएसटी) यूक्रेन के एक छोटे शहर में इसका दोबारा उपयोग किया जाता है। इस मामले में धोखाधड़ी होने की संभावना पिछले उदाहरण की तुलना में कहीं अधिक होगी। इस तरह के निष्कर्ष पर पहुंचने के लिए आवश्यक सहसंबंधित आंकड़े यह होंगे कि सैन जोस में उपयोग के बाद यूक्रेन तक की दूरी तय करने में कितना समय लगेगा, और यूक्रेन के एक छोटे शहर (कम प्रसिद्ध और कम भीड़भाड़ वाला शहर) में कार्ड का उपयोग किया जाना कितना समय लेगा।
अंतिम शब्द
यह दर्शाता है कि कृत्रिम बुद्धिमत्ता दोहराव वाले कार्यों को पूरा करने में बहुत उपयोगी हो सकती है जिसमें बहुत सारे डेटा शामिल होते हैं जो मनुष्य समस्याओं को हल करने के लिए उस डेटा के प्रदर्शन और विश्लेषण से थक जाते हैं। लेकिन क्या तकनीक इंसानों को बदल देगी? मुझे लगता है कि नहीं करते हैं। दोहराए जाने वाले कार्यों को हल करने में एआई आपको 90% + मिल सकता है, लेकिन किसी समस्या को अंतिम निर्णय लेने के लिए 10% + प्रयास की हमेशा आवश्यकता होगी। इसके अलावा, दक्षता में अन्य प्रगति के साथ, हम पहले से भी अधिक काम करने के लिए अपने फ्री-अप समय का पुन: उपयोग कर सकते हैं। क्या एक मशीन लर्निंग एल्गोरिदम दूसरे की तुलना में बेहतर है? मेरा मानना है कि उत्तर उस समस्या को समझने में निहित है जिसे एक हल करने की कोशिश कर रहा है, और मैं यह भी मानता हूं कि डेटा की गुणवत्ता उतनी ही महत्वपूर्ण है जितनी कि एल्गोरिथम।
जॉन पीटरसन
एसवीपी उत्पाद लाइन प्रबंधन
स्टेलर साइबर
