अगर आपने कभी सोचा है कि कोई मशीन आपके चेहरे को कैसे पहचान सकती है या आपकी बात कैसे समझ सकती है, तो इसका जवाब मानव मस्तिष्क के प्रति हमारे आकर्षण में छिपा है। ये जैविक संरचनाएं, जो बनी होती हैं... आपस में जुड़े न्यूरॉन्स जो विद्युत संकेतों को प्रसारित करते हैंइन्होंने कृत्रिम तंत्रिका नेटवर्क के निर्माण के लिए एक खाका तैयार किया है, जिन्हें हम आज जानते हैं, जो मूल रूप से जटिल गणितीय पहेलियों को हल करने के लिए डिज़ाइन किए गए एल्गोरिदम हैं।
आज की दुनिया में, कृत्रिम बुद्धिमत्ता को सुपरकंप्यूटर और अत्यधिक ऊर्जा खपत का पर्याय मान लिया गया है। हालांकि, एक बेहद दिलचस्प प्रवृत्ति उभर रही है जो... ऊर्जा दक्षता का अनुकूलन करेंयह सवाल उठता है कि क्या हमें वास्तव में एक सरल उत्तर पाने के लिए लाखों गुणा करने की आवश्यकता है, इस प्रकार अपने मस्तिष्क की ऊर्जा संयम की नकल करने की कोशिश करते हैं।
शास्त्रीय वास्तुकला: परसेप्ट्रॉन से लेकर डीप लर्निंग तक
हमें यह समझने के लिए कि हम कहाँ जा रहे हैं, यह जानना आवश्यक है कि हम कहाँ से आए हैं। एक बुनियादी न्यूरल नेटवर्क आमतौर पर तीन स्तरों में संगठित होता है। यह सब यहीं से शुरू होता है। इनपुट परतयहीं पर सिस्टम बाहर से डेटा प्राप्त करता है, उसका विश्लेषण करता है और उसे आगे भेजता है। फिर आते हैं... छिपी हुई परतेंजो एक भी हो सकता है या दर्जनों भी; असली प्रोसेसिंग यहीं होती है, जहां हर चरण में जानकारी को परिष्कृत किया जाता है।
अंततः हम वहाँ पहुँच गए। आउटपुट परतजो हमें अंतिम निर्णय देता है। हम क्या खोज रहे हैं, इसके आधार पर, हाँ या ना उत्तर (बाइनरी वर्गीकरण) के लिए हमारे पास एक नोड हो सकता है, या यदि समस्या अधिक जटिल है और कई श्रेणियों के बीच चयन करना आवश्यक है तो कई नोड हो सकते हैं।
जब हम इसके बारे में बात करते हैं डीप लर्निंगहम कई छिपी हुई परतों और लाखों कनेक्शनों वाले नेटवर्क की बात कर रहे हैं। इस मॉडल में, न्यूरॉन्स के बीच संबंध को एक द्वारा परिभाषित किया जाता है। संख्यात्मक मान जिसे भार कहा जाता हैसमस्या यह है कि ये नेटवर्क डेटा और ऊर्जा की अत्यधिक खपत करते हैं, और गलतियों से बचने के लिए लाखों उदाहरणों की आवश्यकता होती है।
प्रशिक्षण का मूल तत्व: फॉरवर्ड और बैकप्रोपैगेशन
किसी नेटवर्क को सीखने के लिए, उसे पहले अनुमान लगाने का प्रयास करना होगा। इस प्रक्रिया के दौरान आगे प्रसार यह मूल रूप से बाएं से दाएं की यात्रा है: डेटा आता है, उसे भार से गुणा किया जाता है, बायस नामक एक समायोजन जोड़ा जाता है, और यह एक सक्रियण फ़ंक्शन (जैसे सिग्मॉइड या रेलू) से गुजरता है ताकि यह तय किया जा सके कि न्यूरॉन "सक्रिय" होगा या नहीं।
लेकिन चूंकि नेटवर्क को शुरुआत में कुछ भी पता नहीं होता, इसलिए यह बुरी तरह विफल हो जाएगा। यहीं पर समस्या आती है। backpropagationयहीं पर जादू होता है। अब एल्गोरिदम दाएं से बाएं ओर बढ़ता है, प्राप्त परिणाम और वास्तविक परिणाम के बीच त्रुटि की गणना करता है। गणितीय व्युत्पन्ननेटवर्क अगले चरण में उस त्रुटि को कम करने के लिए भार को समायोजित करता है।
इस प्रक्रिया में एक महत्वपूर्ण बात यह है कि... सीखने की दरयदि यह मान बहुत अधिक है, तो नेटवर्क तेजी से सीखता है लेकिन सटीक नहीं होता; यदि यह मान बहुत कम है, तो प्रक्रिया अंतहीन हो जाती है। अंतिम लक्ष्य लागत फलन के वैश्विक न्यूनतम तक पहुंचना है, जिससे नेटवर्क जानकारी को सही ढंग से सामान्यीकृत कर सके।
भारहीन तंत्रिका नेटवर्क की क्रांति
यहीं से दिलचस्प मोड़ आता है। प्रोफेसर लिज़ी के. जॉन और उनकी टीम एक नया और क्रांतिकारी प्रस्ताव पेश कर रही हैं। भारहीन तंत्रिका नेटवर्कपरंपरागत एआई अरबों गुणा करने पर निर्भर करता है (जो हार्डवेयर के लिए एक बहुत ही महंगा ऑपरेशन है), जबकि यह दृष्टिकोण परस्पर जुड़े लुकअप टेबल.
जटिल अंकगणितीय संक्रिया की गणना करने के बजाय, नेटवर्क केवल बाइनरी इनपुट के आधार पर संग्रहीत उत्तर से परामर्श करता है। यह एक ऐसी प्रणाली है जो मनुष्यों के तर्क करने के तरीके से काफी मिलती-जुलती है: हम बाएं या दाएं चलने का निर्णय लेने के लिए अपने दिमाग में संख्याओं को गुणा नहीं करते हैं, बल्कि हम सक्रियण संकेतों को संसाधित करते हैं.
परिणाम वाकई आश्चर्यजनक हैं। चिकित्सा निगरानी (ईसीजी या ईईजी) या कीवर्ड पहचान जैसे कार्यों में, इन नेटवर्कों का उपयोग किया जा सकता है। हजार गुना छोटा और अधिक कुशलकल्पना कीजिए कि आप 17 मेगाबाइट के मॉडल से केवल 14 किलोबाइट के मॉडल पर जा रहे हैं। इससे एआई सीधे सेंसर के भीतर ही काम कर सकता है। एज कम्प्यूटिंग क्लाउड पर डेटा भेजने की आवश्यकता के बिना, जो कि एक और लाभ है। निजता के पक्ष में एक तर्क उपयोगकर्ता का।
एक टिकाऊ और हल्के एआई की ओर
यह सिर्फ वज़न कम करने के बारे में नहीं है; इसके अलावा एक और चलन भी है... हल्के तंत्रिका नेटवर्कइन्हें कम से कम ऊर्जा और मेमोरी की खपत करने के लिए डिज़ाइन किया गया है, जिसमें निम्नलिखित तकनीकों का उपयोग किया गया है: विरल प्रशिक्षण या छंटाईजिसमें उन कनेक्शनों को हटाना शामिल है जो अंतिम परिणाम में कोई योगदान नहीं देते हैं।
भवन ऊर्जा प्रबंधन या डेटा सेंटर शीतलन जैसे क्षेत्रों में यह दृष्टिकोण महत्वपूर्ण है, जहां खपत को अनुकूलित करने का अर्थ हो सकता है 30% तक ऊर्जा की बचतलक्ष्य स्पष्ट है: एआई जलवायु समस्या न बने, बल्कि समाधान का हिस्सा बने, जिससे कम लागत वाले उपकरण, जैसे कि एआरएम कॉर्टेक्स माइक्रोकंट्रोलरवास्तविक समय में बुद्धिमत्तापूर्ण कार्य करें।
आधुनिक चैटबॉट को शक्ति प्रदान करने वाले ट्रांसफार्मर से लेकर छवि-केंद्रित कनवोल्यूशनल न्यूरल नेटवर्क (CNN) तक, दक्षता का मार्ग इससे होकर गुजरता है। गणना संबंधी जटिलता को कम करेंक्लासिक परसेप्ट्रॉन से जनरेटिव एआई तक की छलांग डेटा और शक्ति के मामले में बहुत बड़ी रही है, लेकिन असली अत्याधुनिक तकनीक अब बहुत कम संसाधनों के साथ अधिक काम करने की कोशिश कर रही है।
सघन, गुणन-प्रधान आर्किटेक्चर से बाइनरी सर्च और प्रून्ड मॉडल पर आधारित सिस्टमों की ओर संक्रमण से कृत्रिम बुद्धिमत्ता छोटे उपकरणों पर भी व्यवहार्य हो रही है। ऊर्जा दक्षता और गणितीय सरलीकरण को एकीकृत करके, डेटा प्रोसेसिंग नाटकीय रूप से तेज़ और अधिक टिकाऊ बन रही है, जिससे स्थानीय, निजी कंप्यूटिंग का मार्ग प्रशस्त हो रहा है जो अब ठीक से काम करने के लिए विशाल जीपीयू पर निर्भर नहीं है।
