एआई पुनर्जागरण का क्या कारण है

डीप लर्निंग बैकप्रॉपैजेशन के बारे में बहुत कुछ

स्रोत: पिक्साबे

आर्टिफिशियल इंटेलिजेंस (एआई) एक नई अवधारणा नहीं है, इसकी उत्पत्ति 1950 के दशक में हुई थी। फिर भी एआई हाल ही में उद्योग, सरकार और उद्यम पूंजी से निवेश की ब्याज दर के सापेक्ष उभर कर सामने आया है। एआई के सर्दियों और वर्तमान उछाल में विगलन में क्या योगदान दिया?

AI व्यापक रूप से पैटर्न लर्निंग क्षमताओं में प्रगति के कारण फलफूल रहा है, जिसके परिणामस्वरूप गहरी सीखने-सीखने की मशीन का एक सबसेट है जहां एक कृत्रिम तंत्रिका नेटवर्क में प्रसंस्करण की दो से अधिक परतें होती हैं। मशीन लर्निंग एआई का एक सबसेट है जिसमें एल्गोरिदम शामिल हैं जो डेटा से सीखने में सक्षम हैं, बनाम एक प्रोग्रामर जिसमें स्पष्ट रूप से कोड निर्देश हैं। यह सीखने की निगरानी डेटा के पर्यवेक्षित या अप्रकाशित प्रशिक्षण से की जा सकती है। पर्यवेक्षित शिक्षण में, प्रशिक्षण के लिए उपयोग किए जाने वाले डेटा को लेबल किया जाता है, जबकि अनुपयोगी शिक्षण में, कोई डेटा लेबल नहीं होते हैं।

• आपकी नई ध्यान प्रैक्टिस के लिए दो टेक टिप्स
• जब एक अभिभावक अपने बढ़ते बच्चे के लिए काम करने जाता है
• अपने परिवेश की सराहना करते हुए
• एंबीडेक्सट्रोस नेगोसिएशन
• कैसे मूल्य अंक एक खरीद कर सकता है में छल कर सकते हैं

AI मशीन लर्निंग न्यूरल नेटवर्क, अधिकांश भाग के लिए, 1970 और 1980 के दशक के दौरान, MIT के मार्विन मिंस्की और सीमोर पैपर्ट के प्रकाशन के बाद रुके हुए थे, जिसका नाम पेरीसेप्टन था: 1969 में कम्प्यूटेशनल ज्योमेट्री का एक परिचय । उनके पेपर में, वैज्ञानिक जोड़ी बताते हैं एआई पैटर्न मान्यता के इच्छित उद्देश्यों के लिए, अमेरिकी मनोवैज्ञानिक फ्रैंक रोसेनब्लैट द्वारा 1950 के दशक में विकसित किए गए तंत्रिका जाल परसेप्ट्रोन्स की “गंभीर सीमाएं”।

मिन्स्की और पैपर्ट ने न्यूरल नेटवर्क में दो या दो से अधिक परतों वाले तंत्रिका नेटवर्क में, इनपुट या आउटपुट लेयर – ट्रेन, सीखने या सीखने की क्षमता पर सवाल उठाया। वे गणितीय प्रमाणों के आधार पर अपने निष्कर्ष पर पहुंचे। वैज्ञानिकों ने लिखा कि शायद “कुछ शक्तिशाली अभिसरण प्रमेय की खोज की जाएगी, या बहुपरत मशीन के लिए एक दिलचस्प ‘लर्निंग प्रमेय’ का निर्माण करने में विफलता के कुछ गहन कारण मिलेंगे।”

एक साल बाद 1970 में, फिनिश गणितज्ञ सेपो लिन्नैनामा ने अपने मास्टर थीसिस में गोलाई की त्रुटियों और स्वचालित भेदभाव के रिवर्स मोड (AD) के अनुमान पर लिखा था। उसके बारे में जाने-अनजाने, यह विचार कि उसने एक कोपेनहेगन पार्क में दोपहर की धूप के बारे में सोचा था, बाद में वर्षों बाद एक एआई पुनर्जागरण में खिलने के लिए वर्षों बाद अंकुरित होने के लिए गहन शिक्षा प्रदान करेगा। लिनिनम्मा ने 1974 में हेलसिंकी विश्वविद्यालय से कंप्यूटर विज्ञान में पहला डॉक्टरेट अर्जित किया।

• ग्रेट एडिक्टिव केस स्टडीज: द बेज़ मेयर्सन स्टोरी
• रिकवरी के बारे में सबक
• न्यूरोमोर्फिक कम्प्यूटिंग ब्रेकथ्रू एआई को बाधित कर सकता है
• सेक्स, कारें, पैसा और पागलपन
• पेश है मल्टी-लेंस थेरेपी

इसके अलावा 1974 में, वैज्ञानिक पॉल जे। वेरबोस ने अपनी हार्वर्ड यूनिवर्सिटी पीएच.डी. त्रुटियों के backpropagation के माध्यम से कृत्रिम तंत्रिका नेटवर्क के प्रशिक्षण पर शोध प्रबंध। वर्बोस ने उपन्यास बुद्धिमान नियंत्रण डिजाइनों की कल्पना की, जिसमें मानव मस्तिष्क के समानताएं थीं। Werbos 1995 के IEEE न्यूरल नेटवर्क्स काउंसिल पायनियर अवार्ड के प्राप्तकर्ता थे, जो एआई न्यूरल नेटवर्क्स में बैकप्रोपेगेशन की खोज और अन्य योगदानों के लिए थे।

1986 में जेफ्री हिंटन, डेविड ई। रोमेलहार्ट, और रोनाल्ड जे। विलियम्स ने प्रकृति में प्रकाशित अपने पेपर के साथ न्यूरॉन जैसी इकाइयों के नेटवर्क के माध्यम से बैकप्रॉपैगैनेशन के उपयोग की अवधारणा को लोकप्रिय बनाया, “त्रुटियों को वापस प्रचारित करके सीखने का प्रतिनिधित्व।” इस प्रक्रिया में समायोजन शामिल है। नेट के वास्तविक आउटपुट वेक्टर और वांछित आउटपुट वेक्टर के बीच अंतर के माप को कम करने के लिए नेटवर्क (नोड्स या न्यूरॉन्स) में कनेक्शन का वजन। भार समायोजन से परिणाम आंतरिक छिपी हुई इकाइयाँ हैं जो इनपुट का हिस्सा नहीं हैं और न ही आउटपुट। अनिवार्य रूप से, हिंटन और उनकी टीम ने प्रदर्शित किया कि दो से अधिक परतों वाले गहरे तंत्रिका नेटवर्क को बैकप्रोपेगेशन के माध्यम से प्रशिक्षित किया जा सकता है। यहाँ दो से अधिक तंत्रिका परतों के लिए शक्तिशाली सीखने की तकनीक थी जिसे 1969 में मिन्स्की और पैपर्ट ने एक संभावना के रूप में अनुमान लगाया था। फिर भी यह अकेले AI को पुनर्जीवित करने के लिए पर्याप्त नहीं था।

एआई बूम में एक और प्रमुख योगदान वीडियो गेमिंग के उदय के कारण है। 1970 के दशक में आर्केड वीडियो गेम ने लागत के कारण विशेष ग्राफिक चिप्स का उपयोग किया। 1980 के दशक से 2000 के दशक के दौरान, ग्राफिक्स प्रोसेसिंग यूनिट (GPU) अंततः मुख्य कंप्यूटिंग उपयोग से सामान्य कंप्यूटिंग उद्देश्यों की ओर विकसित हुई है। GPU समानांतर में बड़ी मात्रा में डेटा संसाधित करने में सक्षम हैं, मानक CPU (केंद्रीय प्रसंस्करण इकाई) पर एक अलग लाभ। सामान्य कंप्यूटिंग के लिए GPU की समानांतर प्रसंस्करण शक्ति मशीन सीखने के उद्देश्यों के लिए बड़ी मात्रा में बड़े डेटा के प्रसंस्करण के लिए अच्छी तरह से अनुकूल है।

2012 में जेफ्री हिंटन, एलेक्स क्रेजेव्स्की, और इल्या सुतस्क्वर ने 60 मिलियन मापदंडों, 650,000 न्यूरॉन्स और पांच दृढ़ परतों के साथ एक गहन संवेदी तंत्रिका नेटवर्क को प्रशिक्षित करने में अपनी सफलता की घोषणा की, जिसमें 1.2 मिलियन उच्च-रिज़ॉल्यूशन की छवियों को 1,000 विभिन्न वर्गों में वर्गीकृत किया गया। टीम ने संपूर्ण प्रशिक्षण समय में तेजी लाने के लिए GPU कार्यान्वयन का उपयोग किया। हिंटन और उनकी टीम ने यह दिखाते हुए इतिहास रचा कि एक बड़ा, गहन संवेदी तंत्रिका नेटवर्क बैकप्रोपैजेशन के साथ विशुद्ध रूप से पर्यवेक्षित शिक्षण का उपयोग करते हुए एक अत्यधिक चुनौतीपूर्ण डेटासेट पर “रिकॉर्ड तोड़ परिणाम” प्राप्त कर सकता है।

डीप लर्निंग बैकप्रोपेगेशन और जीपीयू तकनीक द्वारा आर्टिफिशियल इंटेलिजेंस को डॉर्मेंसी से पुनर्जीवित किया गया है। डीप लर्निंग लागू व्यावसायीकरण के शुरुआती चरण में है। आने वाले दशक में, AI तेजी से गति प्राप्त करना जारी रखेगा क्योंकि यह बड़े पैमाने पर वैश्विक प्रसार की दिशा में प्रौद्योगिकी की सीमा को पार कर रहा है। आर्टिफिशियल इंटेलिजेंस (एआई) स्वास्थ्य देखभाल, परिवहन, ड्रग डिस्कवरी, बायोटेक, जीनोमिक्स, कंज्यूमर इलेक्ट्रॉनिक्स, एंटरप्राइज सॉफ्टवेयर एप्लीकेशन, प्रिसिजन मेडिसिन, एस्कॉर्ट्स, ऑटोनोमस व्हीकल, सोशल मीडिया एप्लिकेशन, मैन्युफैक्चरिंग, साइंटिफिक रिसर्च, एंटरटेनमेंट, जियोफिटिक्स, और कई तरह के ट्रेंड में है। अधिक क्षेत्र। अब तक के भविष्य में, कृत्रिम बुद्धिमत्ता इंटरनेट की तरह सर्वव्यापी हो जाएगी।

कॉपीराइट © 2019 केमी रोसो सभी अधिकार सुरक्षित।

संदर्भ

ग्रिवंक, एंड्रियास। “किसने भेदभाव के रिवर्स मोड का आविष्कार किया?” अतिरिक्त मात्रा ISMP 389-400। 2012।

आईईईई। “गेस्ट एडिटोरियल न्यूरल नेटवर्क्स काउंसिल अवार्ड्स।” IEEE ट्रांजैक्शंस ऑन न्यूरल नेटवर्क्स। वॉल्यूम 7, नंबर 1. जनवरी 1996।

रोमेलहार्ट, डेविड ई।, हिंटन, जेफ्री ई।, विलियम्स, रोनाल्ड जे। “बैक-प्रॉप्टिंग एरर्स द्वारा लर्निंग रिप्रेजेंटेशन।” नेचर । वॉल्यूम। 323. 9 अक्टूबर 1986।

क्रिज़ेव्स्की, एलेक्स, सुतस्क्वर, इल्या, हिंटन, जेफ्री ई। “डीप कन्वर्सेशनल न्यूरल नेटवर्क्स के साथ इमेजनेट वर्गीकरण।” न्यूरल इंफॉर्मेशन प्रोसेसिंग सिस्टम 25 में अग्रिम । 2012