क्या एआई बिना डेटा के सीख सकता है?

क्या आप सोच रहे हैं, “क्या एआई बिना किसी डेटा के अपने आप सीख सकता है?” सबसे विस्तृत और तर्कसंगत उत्तर पाने के लिए, आइए INVIAI के साथ इस विषय को गहराई से समझते हैं।

सबसे पहले, यह समझना जरूरी है कि डेटा सभी आधुनिक मशीन लर्निंग एआई मॉडलों का मूल तत्व है. एआई बिना इनपुट डेटा के स्वयं ज्ञान "स्थापित" नहीं कर सकता।

उदाहरण के लिए, सुपरवाइज्ड लर्निंग में, एआई मानव द्वारा लेबल किए गए विशाल डेटासेट (छवियां, टेक्स्ट, ऑडियो आदि) से पैटर्न पहचानना सीखता है।

यहां तक कि अनसुपरवाइज्ड लर्निंग में भी, एआई को कच्चे, बिना लेबल वाले डेटा की आवश्यकता होती है ताकि वह स्वयं उस डेटा के भीतर छिपी संरचनाओं या पैटर्न को खोज सके।

इसलिए, चाहे कोई भी तरीका हो, एआई को डेटा से "पोषित" होना आवश्यक है—चाहे वह लेबल किया हुआ डेटा हो, स्वयं-लेबल किया हुआ डेटा (स्वयं-निगरानी), या वास्तविक दुनिया के पर्यावरण से प्राप्त डेटा। बिना किसी इनपुट डेटा के, सिस्टम कुछ नया सीख नहीं सकता।

सामान्य एआई सीखने के तरीके

आज, एआई मॉडल मुख्य रूप से निम्नलिखित तरीकों से सीखते हैं:

• सुपरवाइज्ड लर्निंग:

एआई बड़े, लेबल किए गए डेटासेट से सीखता है। उदाहरण के लिए, छवियों में बिल्ली पहचानने के लिए, हजारों "बिल्ली" या "बिल्ली नहीं" लेबल वाली तस्वीरों की आवश्यकता होती है। यह तरीका बहुत प्रभावी है लेकिन इसके लिए व्यापक लेबलिंग की जरूरत होती है।

• अनसुपरवाइज्ड लर्निंग:

एआई को बिना लेबल वाले कच्चे डेटा दिए जाते हैं और वह उसमें पैटर्न या समूह खोजता है। उदाहरण के लिए, क्लस्टरिंग एल्गोरिदम समान विशेषताओं वाले डेटासेट को समूहित करते हैं। यह तरीका एआई को मानव मार्गदर्शन के बिना डेटा से "स्वयं सीखने" की अनुमति देता है।

• स्वयं-निगरानी लर्निंग:

यह एक प्रकार है जो बड़े न्यूरल नेटवर्क और बड़े भाषा मॉडल (LLMs) में उपयोग होता है, जहां मॉडल स्वयं डेटा के लिए लेबल बनाता है (जैसे वाक्य में अगला शब्द अनुमान लगाना या गायब हिस्सों को पुनर्निर्मित करना) और फिर उनसे सीखता है। यह तरीका एआई को मानव लेबलिंग के बिना विशाल टेक्स्ट या छवि डेटासेट का उपयोग करने में सक्षम बनाता है।

• रिइन्फोर्समेंट लर्निंग (RL):

स्थिर डेटा के बजाय, एआई (जिसे एजेंट कहा जाता है) एक पर्यावरण के साथ इंटरैक्ट करता है और पुरस्कार संकेतों के आधार पर सीखता है। विकिपीडिया के अनुसार, RL को परिभाषित किया गया है: “रिइन्फोर्समेंट लर्निंग एक सॉफ्टवेयर एजेंट को यह सिखाना है कि वह पर्यावरण में कैसे व्यवहार करे, उसके कार्यों के परिणामों की जानकारी देकर।”

दूसरे शब्दों में, एआई क्रियाएं करता है, परिणामों (जैसे पुरस्कार या दंड) को देखता है, और प्रदर्शन सुधारने के लिए रणनीतियों को समायोजित करता है।

उदाहरण के लिए, मानव द्वारा शतरंज सिखाने के बजाय, DeepMind का AlphaZero खुद के खिलाफ लाखों खेल खेलता है, जीत संकेतों के माध्यम से नई रणनीतियां खोजता है बिना पूर्व-प्रदान किए गए विशेषज्ञ डेटासेट पर निर्भर हुए।

• फेडरेटेड लर्निंग:

संवेदनशील डेटा, जैसे व्यक्तिगत चिकित्सा छवियों के लिए, फेडरेटेड लर्निंग कई उपकरणों (या संगठनों) को कच्चा डेटा साझा किए बिना एक साझा मॉडल को सहयोगात्मक रूप से प्रशिक्षित करने की अनुमति देता है।

गूगल बताता है कि फेडरेटेड लर्निंग में, वैश्विक मॉडल को प्रत्येक डिवाइस पर स्थानीय डेटा पर प्रशिक्षण के लिए भेजा जाता है, और केवल मॉडल अपडेट वापस भेजे जाते हैं—कच्चा डेटा कभी डिवाइस से बाहर नहीं जाता।

इस प्रकार, मॉडल कई स्थानों के डेटा से सीख सकता है बिना उसे केंद्रीकृत किए। हालांकि, एआई को सीखने के लिए प्रत्येक डिवाइस पर स्थानीय डेटा की आवश्यकता होती है।

• जीरो-शॉट लर्निंग:

यह एआई की वह क्षमता है जिसमें वह बिना किसी विशिष्ट उदाहरण के नए अवधारणाओं का अनुमान लगा सकता है। IBM के अनुसार, जीरो-शॉट लर्निंग ऐसी स्थितियां हैं जहां “एक एआई मॉडल को उन वस्तुओं/अवधारणाओं को पहचानने या वर्गीकृत करने के लिए प्रशिक्षित किया जाता है जिनके उदाहरण उसने पहले कभी नहीं देखे।”

जीरो-शॉट लर्निंग पूर्व प्राप्त व्यापक ज्ञान पर निर्भर करता है। उदाहरण के लिए, कई बड़े भाषा मॉडल (LLMs) जैसे GPT विशाल टेक्स्ट कॉर्पस पर पूर्व-प्रशिक्षित होते हैं। इस पूर्व ज्ञान के कारण, वे बिना स्पष्ट उदाहरणों के भी नई अवधारणाओं पर तर्क कर सकते हैं।

हालांकि ऐसा लग सकता है कि एआई "बिना डेटा के सीख सकता है," वास्तविकता में, LLMs अभी भी मौलिक भाषा क्षमताओं के निर्माण के लिए बड़े प्रारंभिक डेटासेट पर निर्भर हैं।

संक्षेप में, ये सभी तरीके दिखाते हैं कि एआई के लिए बिना डेटा के सीखने का कोई जादुई तरीका नहीं है—किसी न किसी रूप में। एआई मानव-लेबल किए गए डेटा पर निर्भरता कम कर सकता है या अनुभव से सीख सकता है, लेकिन वह कुछ भी न सीखना संभव नहीं है।

उन्नत रुझान: स्थिर डेटा के बजाय “अनुभव” से सीखना

शोधकर्ता अब ऐसे तरीकों की खोज कर रहे हैं जिनसे एआई मानव-प्रदान डेटा पर कम निर्भर हो सके। उदाहरण के लिए, DeepMind ने हाल ही में “अनुभव-आधारित एआई” के युग में एक “स्ट्रीम्स” मॉडल प्रस्तावित किया है, जहां एआई मुख्य रूप से दुनिया के साथ अपनी बातचीत से सीखता है न कि मानव-निर्मित समस्याओं और प्रश्नों से।

VentureBeat ने DeepMind के शोध का हवाला दिया: “हम इसे एजेंट को लगातार अपने अनुभवों से सीखने की अनुमति देकर प्राप्त कर सकते हैं—यानी, एजेंट द्वारा पर्यावरण के साथ बातचीत करते हुए उत्पन्न डेटा... अनुभव सुधार का प्राथमिक साधन बन जाएगा, जो आज के मानव-प्रदान डेटा के पैमाने से आगे निकल जाएगा।”

दूसरे शब्दों में, भविष्य में, एआई स्वयं प्रयोग, अवलोकन और क्रिया समायोजन के माध्यम से अपना डेटा उत्पन्न करेगा—ठीक वैसे ही जैसे मनुष्य वास्तविक दुनिया के अनुभव से सीखते हैं।

एक ठोस उदाहरण है Absolute Zero Reasoner (AZR) मॉडल। AZR पूरी तरह से स्वयं-खेल के माध्यम से प्रशिक्षित होता है, जिसमें मानव-प्रदान इनपुट की आवश्यकता नहीं होती। यह स्वयं समस्याएं (जैसे कोड स्निपेट या गणित की समस्याएं) उत्पन्न करता है, उन्हें हल करता है, और परिणामों (कोड निष्पादन या पर्यावरण प्रतिक्रिया के माध्यम से) को पुरस्कार संकेत के रूप में उपयोग करता है।

ध्यान देने योग्य बात यह है कि बाहरी प्रशिक्षण डेटा का उपयोग न करने के बावजूद, AZR गणित और प्रोग्रामिंग कार्यों में शीर्ष प्रदर्शन करता है, यहां तक कि उन मॉडलों से बेहतर जो हजारों लेबल वाले उदाहरणों पर प्रशिक्षित हैं। यह दर्शाता है कि एआई लगातार चुनौतियां प्रस्तुत और हल करके अपना स्वयं का “डेटासेट” बना सकता है।

AZR के अलावा, कई अन्य अध्ययन ऐसे एआई की खोज कर रहे हैं जो स्वायत्त रूप से सीखता है. बुद्धिमान एजेंट सिस्टम सॉफ्टवेयर और आभासी दुनिया (उपकरण, वेबसाइट, सिमुलेशन गेम) के साथ इंटरैक्ट कर अनुभवात्मक डेटा जमा कर सकते हैं।

एआई को इस तरह डिजाइन किया जा सकता है कि वह अपने लक्ष्य और पुरस्कार स्वयं निर्धारित करे, ठीक वैसे ही जैसे मनुष्य आदतें विकसित करते हैं। हालांकि ये विचार अभी अनुसंधान के चरण में हैं, ये इस बात को मजबूत करते हैं: कोई भी एआई वास्तव में बिना डेटा के सीख नहीं सकता—बल्कि, "डेटा" एआई के अपने अनुभवों से आता है।

>>> और जानें: 

क्या मुझे AI का उपयोग करने के लिए प्रोग्रामिंग जाननी आवश्यक है?

क्या एआई मनुष्यों की तरह सोचता है?

संक्षेप में, आज का एआई सीखने के लिए अभी भी डेटा (किसी न किसी रूप में) की आवश्यकता रखता है. सचमुच "बिना डेटा वाला एआई" कोई मौजूद नहीं है।

इसके बजाय, एआई मानव-प्रदान डेटा से कम सीख सकता है जैसे: बिना लेबल वाले डेटा का उपयोग करके (अनसुपरवाइज्ड लर्निंग), पर्यावरणीय प्रतिक्रिया से सीखकर (रिइन्फोर्समेंट लर्निंग), या यहां तक कि अपनी स्वयं की चुनौतियां बनाकर (जैसे AZR मॉडल)।

कई विशेषज्ञ मानते हैं कि भविष्य में, एआई मुख्य रूप से अपने द्वारा एकत्रित अनुभवों के माध्यम से सीखता जाएगा, जिससे अनुभव वह मुख्य "डेटा" बन जाएगा जो इसे सुधारने में मदद करेगा।

लेकिन चाहे जो भी हो, सत्य यही है: एआई कुछ भी न सीख सकता है; "डेटा" स्रोत अधिक परिष्कृत हो सकता है (जैसे पर्यावरणीय संकेत, पुरस्कार), लेकिन मशीन को सीखने और सुधारने के लिए हमेशा किसी न किसी रूप में इनपुट की आवश्यकता होगी।