ਗਣਿਤ-ਵਿਗਿਆਨੀ ਏਆਈ ਦੀ ਬੁੱਧੀ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ: ਇਹ ਸਭ ਪੈਟਰਨਾਂ ਬਾਰੇ ਹੈ, ਪ੍ਰੀਮੀਅਮ ਸੋਚ ਨਹੀਂ

ਚੈਟਜੀਪੀਟੀ ਨੂੰ ਇੱਕ ਸਵਾਲ ਪੁੱਛੋ ਅਤੇ ਇਹ ਲੇਖ ਲਿਖ ਕੇ, ਵਿਗਿਆਨ ਦੀ ਵਿਆਖਿਆ ਕਰਕੇ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਕਵਿਤਾ ਲਿਖ ਕੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਇਹ ਬੁੱਧੀਮਾਨ ਲੱਗਦਾ ਹੈ. ਪਰ ਕੀ ਇਹ ਸੱਚਮੁੱਚ ਸੋਚ ਰਿਹਾ ਹੈ?

ਗਣਿਤ ਵਿਗਿਆਨੀਆਂ ਲਈ, ਚੈਟਜੀਪੀਟੀ ਵਰਗੀਆਂ ਪ੍ਰਣਾਲੀਆਂ ਚੇਤੰਨ ਦਿਮਾਗ ਨਹੀਂ ਹਨ ਪਰ ਗਣਿਤ ‘ਤੇ ਬਣੀਆਂ ਉੱਚ ਸੰਰਚਨਾ ਵਾਲੀਆਂ ਪੈਟਰਨ-ਪਛਾਣ ਵਾਲੀਆਂ ਮਸ਼ੀਨਾਂ ਹਨ। ਹਰੇਕ ਵਾਕ ਦੇ ਹੇਠਾਂ ਜਿਓਮੈਟਰੀ, ਸੰਭਾਵਨਾ, ਅਤੇ ਲਗਾਤਾਰ ਗਲਤੀ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ। ਜਿਸ ਬੁੱਧੀ ਨੂੰ ਅਸੀਂ ਸਮਝਦੇ ਹਾਂ ਉਹ ਜਾਗਰੂਕਤਾ ਨਹੀਂ ਹੈ, ਪਰ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਕੰਮ ਕਰਨ ਵਾਲੀ ਗਣਿਤ ਹੈ।

ਇਹ ਲੇਖ ਮੁੱਖ ਗਣਿਤਿਕ ਵਿਚਾਰਾਂ ਦੀ ਪੜਚੋਲ ਕਰਦਾ ਹੈ ਜੋ ਆਧੁਨਿਕ AI ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ – ਅਤੇ ਹਾਲੀਆ ਤਰੱਕੀਆਂ ਨੇ ਇਸਨੂੰ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ ਕਿਉਂ ਲਿਆਂਦਾ ਹੈ।

ਮੁੱਖ ਗਣਿਤ ਦੇ ਸਿਧਾਂਤ ਕੀ ਹਨ ਜੋ ChatGPT ਵਰਗੇ AI ਸਿਸਟਮਾਂ ਨੂੰ ਕੰਮ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ?

ਚੇਨਈ ਮੈਥੇਮੈਟੀਕਲ ਇੰਸਟੀਚਿਊਟ ਦੇ ਐਸੋਸੀਏਟ ਪ੍ਰੋਫੈਸਰ ਪ੍ਰਿਆਵਰਤ ਦੇਸ਼ਪਾਂਡੇ ਕਹਿੰਦੇ ਹਨ, “ਜਦੋਂ ਗਣਿਤ-ਵਿਗਿਆਨੀ ਚੈਟਜੀਪੀਟੀ ਵਰਗੇ ਸਿਸਟਮਾਂ ਨੂੰ ਦੇਖਦੇ ਹਨ, ਤਾਂ ਅਸੀਂ ਮਨੁੱਖੀ ਅਰਥਾਂ ਵਿੱਚ ‘ਖੁਫੀਆ’ ਨਹੀਂ ਦੇਖਦੇ। ਇਸ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਇੱਕ ਬਹੁਤ ਵੱਡੀ ਅਤੇ ਧਿਆਨ ਨਾਲ ਬਣਤਰ ਵਾਲੀ ਗਣਿਤ ਦੀ ਮਸ਼ੀਨ ਦੇਖਦੇ ਹਾਂ।”

ਤਿੰਨ ਪ੍ਰਮੁੱਖ ਗਣਿਤਿਕ ਵਿਚਾਰ

ਉਹ ਆਪਣੀ ਮਾਤ ਭਾਸ਼ਾ ਸਿੱਖਣ ਵਾਲੇ ਬੱਚਿਆਂ ਦੀ ਸਮਾਨਤਾ ਵਰਤ ਕੇ ਇਸ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। ਬੱਚਿਆਂ ਨੂੰ ਰੋਜ਼ਾਨਾ ਦੀ ਭਾਸ਼ਾ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਅਤੇ ਹੌਲੀ-ਹੌਲੀ ਉਹਨਾਂ ਨੂੰ ਵਿਆਕਰਣ ਦੇ ਨਿਯਮਾਂ ਨੂੰ ਰਸਮੀ ਤੌਰ ‘ਤੇ ਸਿੱਖਣ ਤੋਂ ਬਹੁਤ ਪਹਿਲਾਂ, ਜੋ ਸਹੀ ਲੱਗਦੀ ਹੈ, ਲਈ ਇੱਕ ਅਨੁਭਵ ਵਿਕਸਿਤ ਹੁੰਦਾ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, AI ਸਿਸਟਮ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਭਾਸ਼ਾ ਡੇਟਾ ਤੋਂ ਪੈਟਰਨ ਸਿੱਖਦੇ ਹਨ। ਫਰਕ ਇਹ ਹੈ ਕਿ ਏਆਈ ਵਿੱਚ ਹਰ ਚੀਜ਼ ਦਾ ਸੰਖਿਆਵਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਉਹ ਦੱਸਦਾ ਹੈ, “ਸ਼ਬਦ, ਵਾਕ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਅਮੂਰਤ ਵਿਚਾਰਾਂ ਨੂੰ ਉੱਚ-ਅਯਾਮੀ ਸੰਖਿਆਤਮਕ ਸਪੇਸ ਵਿੱਚ ਬਿੰਦੂਆਂ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ।”

ਉਸ ਦੇ ਅਨੁਸਾਰ, ਤਿੰਨ ਮੁੱਖ ਗਣਿਤਿਕ ਵਿਚਾਰ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ – ਰੇਖਿਕ ਅਲਜਬਰਾ ਸਾਨੂੰ ਸੰਖਿਆਵਾਂ ਦੇ ਵਿਸ਼ਾਲ ਸੰਗ੍ਰਹਿ ਨੂੰ ਹੇਰਾਫੇਰੀ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੋਆਰਡੀਨੇਟ ਨਕਸ਼ਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਸ਼ਹਿਰ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਨ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰਦੇ ਹਨ। ਪ੍ਰੋਬੇਬਿਲਟੀ ਥਿਊਰੀ ਸਿਸਟਮਾਂ ਨੂੰ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾ ਕੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨਾਲ ਨਜਿੱਠਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਕਿ ਨਿਸ਼ਚਿਤ ਦੀ ਬਜਾਏ ਸੰਭਾਵੀ ਕੀ ਹੈ। ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਗਲਤੀਆਂ ਤੋਂ ਸਿੱਖ ਕੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਢਾਂਚਾਗਤ ਢੰਗ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

“ਗਣਿਤ-ਵਿਗਿਆਨੀ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ, AI ਮਸ਼ੀਨਾਂ ‘ਸੋਚਣ’ ਬਾਰੇ ਘੱਟ ਅਤੇ ਜਿਓਮੈਟਰੀ, ਸੰਭਾਵਨਾ ਅਤੇ ਫੀਡਬੈਕ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਇਕੱਠੇ ਕੰਮ ਕਰਨ ਬਾਰੇ ਜ਼ਿਆਦਾ ਹੈ,” ਉਹ ਅੱਗੇ ਕਹਿੰਦਾ ਹੈ।

AI ਸਿਸਟਮ ਅਨੁਕੂਲਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਵੇਂ ਸਿੱਖਦੇ ਹਨ?

ਪ੍ਰਿਆਵਰਤ ਦੇਸ਼ਪਾਂਡੇ, ਚੇਨਈ ਮੈਥੇਮੈਟੀਕਲ ਇੰਸਟੀਚਿਊਟ ਦੇ ਐਸੋਸੀਏਟ ਪ੍ਰੋਫੈਸਰ, ਹਨੇਰੇ ਵਿੱਚ ਪਹਾੜ ਤੋਂ ਹੇਠਾਂ ਤੁਰਨ ਦੇ ਸਮਾਨਤਾ ਨਾਲ ਅਨੁਕੂਲਤਾ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ। ਤੁਸੀਂ ਪੂਰੀ ਤਸਵੀਰ ਨਹੀਂ ਦੇਖ ਸਕਦੇ, ਪਰ ਤੁਸੀਂ ਸਮਝ ਸਕਦੇ ਹੋ ਕਿ ਹਰ ਕਦਮ ਤੁਹਾਨੂੰ ਉੱਪਰ ਵੱਲ ਜਾਂ ਹੇਠਾਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਢਲਾਨ ਉੱਤੇ ਵਧਦੇ ਹੋਏ ਛੋਟੇ ਕਦਮ ਚੁੱਕਦੇ ਹੋਏ, ਤੁਸੀਂ ਅੰਤ ਵਿੱਚ ਅਧਾਰ ਤੇ ਪਹੁੰਚ ਜਾਂਦੇ ਹੋ।

“AI ਵਿੱਚ ਸਿੱਖਣਾ ਵੀ ਇਸੇ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਸਿਸਟਮ ਸ਼ੁਰੂ ਵਿੱਚ ਮਾੜੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਦਾ ਹੈ। ਹਰੇਕ ਗਲਤੀ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਸੰਕੇਤ ਦਿੰਦੀ ਹੈ ਜੋ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਕੀ ਤਬਦੀਲੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਕਰੇਗੀ ਜਾਂ ਵਿਗੜਦੀ ਹੈ। ਸਿਸਟਮ ਉਸ ਅਨੁਸਾਰ ਆਪਣੇ ਆਪ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ। ਅਨੁਕੂਲਨ ਸਿਰਫ਼ ਇੱਕ ਸਵੈਚਲਿਤ ਅਤੇ ਸਕੇਲ ਕੀਤੀ ਪ੍ਰਕਿਰਿਆ ਹੈ – ਲੱਖਾਂ ਜਾਂ ਅਰਬਾਂ ਛੋਟੇ ਸੁਧਾਰ ਲਗਾਤਾਰ ਲਾਗੂ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਤੱਕ ਸਿਸਟਮ ਸ਼ਾਨਦਾਰ ਪ੍ਰਦਰਸ਼ਨ ਨਹੀਂ ਕਰਦਾ,” ਉਹ ਕਹਿੰਦਾ ਹੈ।

ਪੂਰਵ-ਅਨੁਮਾਨ ਕਦੋਂ ਅਕਲ ਵਾਂਗ ਲੱਗਣ ਲੱਗ ਪੈਂਦਾ ਹੈ?

“ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਸੰਭਾਵਨਾ ਹੈਰਾਨੀਜਨਕ ਤੌਰ ‘ਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਣ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਸਿਸਟਮ ਲਗਾਤਾਰ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਗੱਲਬਾਤ ਵਿੱਚ ਅੱਗੇ ਕੀ ਹੋਵੇਗਾ, ਤਾਂ ਉਸ ਨੇ ਵਿਆਕਰਣ, ਸੰਸਾਰ ਬਾਰੇ ਤੱਥ, ਤਾਰਕਿਕ ਸਬੰਧਾਂ, ਮਨੁੱਖੀ ਤਰਜੀਹਾਂ ਅਤੇ ਇਰਾਦਿਆਂ ਆਦਿ ਬਾਰੇ ਸਪਸ਼ਟ ਤੌਰ ‘ਤੇ ਸਿੱਖੇ ਹੋਏ ਪੈਟਰਨ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ,” ਤੇਜਸ ਬੋਦਾਸ, ਕੰਪਿਊਟਰ ਸਿਸਟਮਜ਼ ਦੇ ਸਹਾਇਕ ਪ੍ਰੋਫੈਸਰ ਅਤੇ ਹੈਦਰਾਬਾਦ ਦੇ IIITGlab ਦੇ ਮੈਂਬਰ ਗਰੁੱਪ ਦੇ ਅਲ.

ਅੱਗੇ ਕੀ ਹੋਵੇਗਾ ਇਸ ਬਾਰੇ ਬਹੁਤ ਹੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ AI ਸਿਸਟਮ ਬਣਾਏ ਗਏ ਹਨ। ਉਹ ਬਹੁਤ ਸਾਰੇ ਡੇਟਾ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਬਹੁਤ ਗੁੰਝਲਦਾਰ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭ ਕੇ ਅਜਿਹਾ ਕਰਦੇ ਹਨ। ਬੋਧਾਤਮਕ ਵਿਗਿਆਨੀ ਸੋਚਦੇ ਹਨ ਕਿ ਮਨੁੱਖੀ ਦਿਮਾਗ ਇਸ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ – ਇਹ ਹਮੇਸ਼ਾ ਇਹ ਅਨੁਮਾਨ ਲਗਾ ਰਿਹਾ ਹੈ ਕਿ ਇਹ ਅੱਗੇ ਕੀ ਦੇਖੇਗਾ, ਸੁਣੇਗਾ ਜਾਂ ਅਨੁਭਵ ਕਰੇਗਾ।

“ਇਸ ਲਈ ਜਿਸਨੂੰ ਅਸੀਂ ਤਰਕ ਕਹਿੰਦੇ ਹਾਂ ਉਹ ਅਸਲ ਵਿੱਚ ਸਮਾਰਟ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੋਣ ਤੋਂ ਆ ਸਕਦੀ ਹੈ। ਜਦੋਂ ਕੋਈ ਸਿਸਟਮ (ਜਿਵੇਂ ਕਿ ਦਿਮਾਗ ਜਾਂ AI) ਗੁੰਝਲਦਾਰ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਨ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਸ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਤਰਕਪੂਰਨ ਸੋਚ ਵਾਂਗ ਲੱਗ ਸਕਦੀਆਂ ਹਨ,” ਉਹ ਕਹਿੰਦਾ ਹੈ।

ਇੱਕ ਮਾਡਲ ਸਮੇਂ ਦੇ ਨਾਲ ਕਿਵੇਂ ਸੁਧਾਰਦਾ ਹੈ?

“ਅੱਜ ਦੇ ਏਆਈ ਮਾਡਲਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਸੁਧਾਰ ਨਹੀਂ ਹੁੰਦਾ,” ਪ੍ਰੋਫੈਸਰ ਸੁਨੀਤਾ ਸਰਾਓਗੀ, ਆਈਆਈਟੀ ਬੰਬੇ ਦੀ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਲੈਬ ਦੀ ਮੈਂਬਰ ਕਹਿੰਦੀ ਹੈ। “ਇਸਦੀ ਬਜਾਏ, ਉਹ ਸਮੇਂ-ਸਮੇਂ ‘ਤੇ ਅੱਪਡੇਟ ਚੱਕਰਾਂ ਰਾਹੀਂ ਵਿਕਸਤ ਹੁੰਦੇ ਹਨ।”

ਜਿਵੇਂ ਕਿ ਲੱਖਾਂ ਲੋਕ ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਉਹ ਅਪ੍ਰਤੱਖ ਸਿਗਨਲ ਪੈਦਾ ਕਰਦੇ ਹਨ – ਜਿਵੇਂ ਕਿ ਸੁਧਾਰ, ਤਰੁੱਟੀਆਂ, ਜਾਂ ਉਪਯੋਗਕਰਤਾ ਤੋਂ ਛੁਟਕਾਰਾ – ਅਤੇ ਸਪਸ਼ਟ ਫੀਡਬੈਕ, ਜਿਵੇਂ ਕਿ ਰੇਟਿੰਗਾਂ ਅਤੇ ਵਿਆਖਿਆਵਾਂ। ਇਹ ਫੀਡਬੈਕ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਕਮਜ਼ੋਰੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।

ਇਹਨਾਂ ਅੰਤਰਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਕਿਉਰੇਟਿਡ ਡੇਟਾਸੈਟ ਬਣਾਏ ਜਾਂਦੇ ਹਨ, ਅਕਸਰ ਮਨੁੱਖੀ ਐਨੋਟੇਟਰਾਂ ਦੀ ਮਦਦ ਨਾਲ ਜੋ ਮਾਡਲ ਅਸਫਲਤਾ ਦੇ ਮਾਮਲਿਆਂ ‘ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੇ ਹਨ। ਫਿਰ ਮਾਡਲ ਨੂੰ ਇਸਦੇ ਮੂਲ ਸਿਖਲਾਈ ਡੇਟਾ ਅਤੇ ਨਵੇਂ ਇਕੱਠੇ ਕੀਤੇ ਡੇਟਾ ਦੇ ਮਿਸ਼ਰਣ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਜਾਂ ਵਧੀਆ-ਟਿਊਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਉਹ ਅੱਗੇ ਕਹਿੰਦੀ ਹੈ, “ਸਾਰੇ ਸੁਧਾਰ ਮਨੁੱਖੀ ਲੇਬਲਿੰਗ ‘ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੇ ਹਨ। AI ਫੀਡਬੈਕ ਤੋਂ ਮਜ਼ਬੂਤੀ ਸਿੱਖਣਾ ਵੀ ਆਮ ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ।” ਹਾਲਾਂਕਿ ਇਹ ਪ੍ਰਭਾਵੀ ਪਹੁੰਚ ਬਣੀ ਹੋਈ ਹੈ, ਲਗਾਤਾਰ ਸਿੱਖਣ ਅਤੇ ਔਨਲਾਈਨ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ‘ਤੇ ਨਿਰੰਤਰ ਖੋਜ ਚੱਲ ਰਹੀ ਹੈ, ਜਿੱਥੇ ਮਾਡਲ ਪੂਰੇ ਰੀਟ੍ਰੇਨਿੰਗ ਚੱਕਰ ਵਿੱਚੋਂ ਲੰਘੇ ਬਿਨਾਂ ਲਗਾਤਾਰ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਗਲਤੀਆਂ ਤੋਂ ਕਿਵੇਂ ਸਿੱਖਦੇ ਹਨ, ਅਤੇ ਇਹ ਇੰਨਾ ਸ਼ਕਤੀਸ਼ਾਲੀ ਕਿਉਂ ਹੈ?

ਪ੍ਰੋਫੈਸਰ ਮੌਸਮ, ਕੰਪਿਊਟਰ ਸਾਇੰਸ ਅਤੇ ਇੰਜਨੀਅਰਿੰਗ ਵਿਭਾਗ ਅਤੇ IIT ਦਿੱਲੀ ਦੇ ਯਾਰਡੀ ਸਕੂਲ ਆਫ AI ਦੇ ਸੰਸਥਾਪਕ ਮੁਖੀ ਨੇ ਕਿਹਾ, “ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੇ ਸਮਾਨ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ-ਅਧਾਰਿਤ AI ਵਿੱਚ ਲੱਖਾਂ ਆਪਸ ਵਿੱਚ ਜੁੜੇ (ਨਕਲੀ) ਨਿਊਰੋਨ ਹੁੰਦੇ ਹਨ। ਜਦੋਂ ਅਸੀਂ ਆਡੀਓ ਜਾਂ ਵਿਜ਼ੂਅਲ ਸਿਗਨਲ ਵਰਗੇ ਇਨਪੁਟ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਨਿਊਰੋਨਸ ਵੱਖ-ਵੱਖ ਪਰਤਾਂ ਵਿੱਚ ਵੱਖੋ-ਵੱਖਰੀਆਂ ਪਰਤਾਂ ਨੂੰ ਅੱਗ ਲਗਾਉਂਦੇ ਹਨ ਅਤੇ AI ਨੂੰ ਅੱਗ ਲਗਾਉਂਦੇ ਹਨ। ਨਿਸ਼ਚਤਤਾ ਦੇ ਨਾਲ ਇੱਕ ਦ੍ਰਿਸ਼ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ, ਕੁਝ ਨਿਊਰੋਨ ਜ਼ੋਰਦਾਰ ਜਵਾਬ ਦਿੰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਦੂਸਰੇ ਇਨਪੁਟ ਲਈ ਉਹਨਾਂ ਦੀ ਮਹੱਤਤਾ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਥੋੜ੍ਹਾ ਹੀ ਨਿਰਭਰ ਕਰਦੇ ਹਨ।

ਉਹ ਇੱਕ ਸਮਾਨਤਾ ਨਾਲ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, “ਜਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਬੱਚਾ ਆਪਣੇ ਮਾਤਾ-ਪਿਤਾ ਤੋਂ ਸਿੱਖਦਾ ਹੈ ਕਿ ਇੱਕ ਦਿੱਤੀ ਸਥਿਤੀ ਵਿੱਚ ਕੀ ਕਰਨਾ ਹੈ, ਉਸੇ ਤਰ੍ਹਾਂ, ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਇਨਪੁਟ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਆਉਟਪੁੱਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ ਭਵਿੱਖਬਾਣੀ ਸਹੀ ਹੈ, ਤਾਂ ਕਿਸੇ ਬਦਲਾਅ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਜੇਕਰ ਇਹ ਗਲਤ ਹੈ, ਤਾਂ ਨੈੱਟਵਰਕ ਇਸ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਇਸਦੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ, ਜਦੋਂ ਤੱਕ ਮਾਡਲ ਇਸ ਖਾਸ ਕੰਮ ਨੂੰ ਨਹੀਂ ਸਿੱਖਦਾ। ਇਹ ਲਗਭਗ ਸਾਰੀ ਮਸ਼ੀਨ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਜਾਣੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਇਹ ਮਸ਼ੀਨ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਤੌਰ ਤੇ ਜਾਣੀ ਜਾਂਦੀ ਹੈ। ਪਹੁੰਚਦਾ ਹੈ।”

ਕਿਹੜੀ ਚੀਜ਼ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਖਾਸ ਤੌਰ ‘ਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਣਾਉਂਦੀ ਹੈ ਉਹ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ ‘ਤੇ ਅਰਬਾਂ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਸਮਰੱਥਾ ਹੈ। “ਇੱਕ ਤੰਤੂ ਨੈੱਟਵਰਕ ਦਾ ਆਕਾਰ ਸਿੱਖਣ ਦੀ ਇਸਦੀ ਯੋਗਤਾ ਅਤੇ ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਜਿਸ ਤੋਂ ਇਹ ਅਰਥਪੂਰਨ ਸਿੱਖ ਸਕਦਾ ਹੈ,” ਪ੍ਰੋਫੈਸਰ ਮੌਸਮ ਕਹਿੰਦੇ ਹਨ। “ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਨਵਜੰਮੇ ਬੱਚੇ ਕੋਲ ਸੀਮਤ ਅਨੁਭਵ ਹੁੰਦੇ ਹਨ ਅਤੇ ਇਸਲਈ ਇੱਕ ਛੋਟੇ ਦਿਮਾਗ ਦੇ ਨਾਲ-ਨਾਲ ਇੱਕ ਛੋਟਾ ਡੇਟਾ ‘ਸਿਖਲਾਈ ਸੈੱਟ’ ਹੁੰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਇੱਕ 10 ਸਾਲ ਦੇ ਬੱਚੇ ਕੋਲ ਅਨੁਭਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਅਤੇ ਇੱਕ ਵੱਡਾ ਦਿਮਾਗ ਹੁੰਦਾ ਹੈ, ਜੋ ਵਧੇਰੇ ਸਿੱਖਣ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਵੱਡੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਵਿੱਚ ਵਧੇਰੇ ਗਣਨਾਤਮਕ ਸ਼ਕਤੀ ਹੁੰਦੀ ਹੈ ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਡੇਟਾ ਤੋਂ ਸਿੱਖ ਸਕਦੇ ਹਨ।”

ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਧਾਰਨਾ 1960 ਦੇ ਦਹਾਕੇ ਤੋਂ ਹੈ, 1970-80 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਕਈ ਬੁਨਿਆਦੀ ਕਾਢਾਂ ਦੇ ਨਾਲ। “2016 ਤੱਕ, ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਡਿਜ਼ਾਈਨ ਨਵਾਂ ਨਹੀਂ ਸੀ, ਅਤੇ ਵੱਡੀ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਅਤੇ ਡਾਟਾ ਉਪਲਬਧਤਾ ਨੇ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟਾਂ ਨੂੰ ਜਨਮ ਦਿੱਤਾ। ਅਸਲ ਤਕਨੀਕੀ ਤਬਦੀਲੀ 2017 ਵਿੱਚ ਆਈ, ਜਦੋਂ Google ਨੇ ‘ਟ੍ਰਾਂਸਫਾਰਮਰ’ ਆਰਕੀਟੈਕਚਰ ਬਣਾਇਆ – ਨਿਊਰੋਨਸ ਦੀ ਇੱਕ ਨਵੀਂ ਵਿਵਸਥਾ ਜੋ ਵਿਸ਼ਾਲ ਡੇਟਾਸੇਟਾਂ ‘ਤੇ ਕੁਸ਼ਲ ਸਿਖਲਾਈ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ, “ਉਹ ਕਹਿੰਦਾ ਹੈ ਕਿ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਵਧਾਉਂਦਾ ਹੈ।

ਕੀ ਆਧੁਨਿਕ AI ਮੁੱਖ ਤੌਰ ‘ਤੇ ਇੱਕ ਸੌਫਟਵੇਅਰ ਪ੍ਰਾਪਤੀ ਹੈ, ਜਾਂ ਗਣਿਤ ਦੀ ਇੱਕ ਸਫਲਤਾ ਹੈ?

ਹਾਲ ਹੀ ਦੇ AI ਕ੍ਰਾਂਤੀ ਬਾਰੇ, ਪ੍ਰੋਫੈਸਰ ਮੌਸਮ ਕਹਿੰਦੇ ਹਨ, “ਆਧੁਨਿਕ ਨਕਲੀ ਖੁਫੀਆ ਗਣਿਤ, ਅੰਕੜੇ, ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ ਦੇ ਐਲਗੋਰਿਦਮ, ਵਿਵਹਾਰਕ ਮਨੋਵਿਗਿਆਨ ਤੋਂ ਪ੍ਰੇਰਨਾ, ਅਤੇ ਨਿਊਰਲ ਆਰਕੀਟੈਕਚਰ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਨਵੀਨਤਾਵਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ। ਨਿਊਰਲ ਆਰਕੀਟੈਕਚਰ ਡਿਜ਼ਾਇਨ ਵਿੱਚ ਵੱਡੀ ਸਫਲਤਾ ਇੱਕ ਇੰਜਨ, ਟਰਾਂਸਫਾਰਮਰ ਤੋਂ ਲੈਸ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਇੰਜਣ ਵਿੱਚ ਘੱਟ ਹੈ। ਹੱਦ ਤੱਕ, AI ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਗਣਿਤਿਕ ਤਰੱਕੀ।”

ਕੀ ਭਾਰਤੀ ਸੰਸਥਾਵਾਂ ਬੁਨਿਆਦੀ ਗਣਿਤ ਅਤੇ ਏਆਈ ਖੋਜ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾ ਰਹੀਆਂ ਹਨ, ਜਾਂ ਜ਼ਿਆਦਾਤਰ ਵਿਦੇਸ਼ਾਂ ਵਿੱਚ ਬਣਾਏ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰ ਰਹੀਆਂ ਹਨ?

AI ਖੋਜ ਵਿੱਚ ਭਾਰਤ ਦੀ ਭੂਮਿਕਾ ਬਾਰੇ, ਪ੍ਰੋਫੈਸਰ ਮੌਸਮ ਕਹਿੰਦੇ ਹਨ, “ਭਾਰਤੀ ਸੰਸਥਾਵਾਂ ਮੌਜੂਦਾ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਅਤੇ ਬੁਨਿਆਦੀ ਖੋਜ ਕਰਨ ਦੋਵਾਂ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੀਆਂ ਹਨ। ਵਿਸ਼ਵਵਿਆਪੀ ਤੌਰ ‘ਤੇ, ਅੱਜ ਲਗਭਗ ਸਾਰੇ ਖੋਜਕਰਤਾ ਵੱਡੀਆਂ ਕੰਪਨੀਆਂ ਦੁਆਰਾ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇਹਨਾਂ ਵੱਡੇ, ਪ੍ਰਮਾਣਿਤ ਨਿਊਰਲ ਮਾਡਲਾਂ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ, ਕਿਉਂਕਿ ਉਹਨਾਂ ਕੋਲ ਬਿਲਟ-ਇਨ ਇੰਟੈਲੀਜੈਂਸ ਹੈ। ਇਹਨਾਂ ਵਿਸ਼ਾਲ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਹੋਰ ਛੋਟੇ ਨਕਲੀ ਮਾਡਲਾਂ ਦੀ ਗਲਤੀ, ਖਾਸ ਨਕਲੀ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਮਾਡਲ, ਅਤੇ ਡੋਮੇਨ ਖੇਤਰਾਂ ਜਿਵੇਂ ਕਿ ਸਿਹਤ ਸੰਭਾਲ, ਕਾਨੂੰਨ ਅਤੇ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਵਿਕਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਕੀ ਭਾਰਤੀ AI ਖੋਜ ਸੰਸਥਾ ਦਾ ਕੰਮ ਐਪਲੀਕੇਸ਼ਨ ਬਣਾਉਣ ਜਾਂ AI ਦੇ ਪਿੱਛੇ ਬੁਨਿਆਦੀ ਗਣਿਤ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਬਾਰੇ ਵਧੇਰੇ ਹੈ?

ਭਾਰਤੀ ਏਆਈ ਖੋਜ ਸੰਗਠਨ ਦੇ ਸੰਸਥਾਪਕ ਨਿਰਦੇਸ਼ਕ ਅਮਿਤ ਸ਼ੇਠ ਕਹਿੰਦੇ ਹਨ, “ਆਈਏਆਈਆਰਓ ਨੂੰ ਇੱਕ ਐਗਜ਼ੀਕਿਊਸ਼ਨ-ਪਹਿਲੀ ਸੰਸਥਾ ਦੇ ਰੂਪ ਵਿੱਚ ਡਿਜ਼ਾਇਨ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਬੁਨਿਆਦੀ ਵਿਗਿਆਨ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਤੈਨਾਤੀ ਦੇ ਵਿਚਕਾਰ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਸਿਰਫ਼ ਮੌਜੂਦਾ ਟੂਲਜ਼ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਰੈਪਰ ਨਹੀਂ ਬਣਾ ਰਹੇ ਹਾਂ; ਅਸੀਂ ਇੱਕ C3AN (ਕਸਟਮ, ਸੰਖੇਪ, ਕੰਪੋਜ਼ਿਟ) ਫਰੇਮ, ਸਹਿ-ਵਰਕ ਦਾ ਵਿਕਾਸ ਕਰ ਰਹੇ ਹਾਂ।”

ਉਹ ਦੱਸਦਾ ਹੈ ਕਿ ਇਸ ਵਿੱਚ ਸੰਖੇਪ ਅਤੇ ਨਿਊਰੋਸਿੰਬੋਲਿਕ AI ਦੇ ਬੁਨਿਆਦੀ ਗਣਿਤ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣਾ ਸ਼ਾਮਲ ਹੈ – ਛੋਟੇ, ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੇ ਮਾਡਲ ਬਣਾਉਣੇ ਜੋ ਘੱਟ ਗਣਨਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ – ਨਾਲ ਹੀ ਇਹਨਾਂ ਸਫਲਤਾਵਾਂ ਨੂੰ ਰਾਸ਼ਟਰੀ ਤੌਰ ‘ਤੇ ਮਹੱਤਵਪੂਰਨ ਸੈਕਟਰਾਂ ਜਿਵੇਂ ਕਿ ਸਿਹਤ ਸੰਭਾਲ, ਫਾਰਮਾ ਅਤੇ ਸਥਿਰਤਾ ਵਿੱਚ ਲਾਗੂ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। “ਸਾਡਾ ਮੰਨਣਾ ਹੈ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਅੰਤਰੀਵ ਗਣਿਤਿਕ IP ਤੋਂ ਬਿਨਾਂ ਵਿਸ਼ਵ ਪੱਧਰੀ ਐਪਲੀਕੇਸ਼ਨ ਨਹੀਂ ਹੋ ਸਕਦੀ,” ਉਹ ਕਹਿੰਦਾ ਹੈ।

ਭਾਰਤ ਵਿਸ਼ਵ ਪੱਧਰ ‘ਤੇ AI ਖੋਜ ਵਿੱਚ ਕਿਵੇਂ ਯੋਗਦਾਨ ਪਾ ਰਿਹਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਗਣਿਤ ਅਤੇ ਮਾਡਲਿੰਗ ਵਿੱਚ, ਅਤੇ ਕੀ ਇਹ ਅੰਤਰ ਅਜੇ ਵੀ ਮੌਜੂਦ ਹੈ?

“ਭਾਰਤ AI ਦੇ ਇੱਕ ਖਪਤਕਾਰ ਤੋਂ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲੇ ਵਿੱਚ ਤਬਦੀਲ ਹੋ ਗਿਆ ਹੈ, ਹੁਣ GitHub AI ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਵਿਸ਼ਵ ਪੱਧਰ ‘ਤੇ ਦੂਜੇ ਨੰਬਰ ‘ਤੇ ਹੈ ਅਤੇ AI ਹੁਨਰਾਂ ਦੇ ਪ੍ਰਵੇਸ਼ ਵਿੱਚ ਮੋਹਰੀ ਹੈ। ਹਾਲਾਂਕਿ, ਇੱਕ ਢਾਂਚਾਗਤ ਪਾੜਾ ਫਰੰਟੀਅਰ AI ਖੋਜ ਵਿੱਚ ਬਣਿਆ ਹੋਇਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਡਾਟਾ ਇੰਜਨੀਅਰਿੰਗ ਵਿੱਚ ਉੱਤਮ ਹਾਂ, ਸਾਨੂੰ ਹੋਰ “ਸਵਰੇਨ AI” ਦੀ ਲੋੜ ਹੈ ਜੋ ਦੋ ਵੱਖੋ-ਵੱਖਰੇ AI ਮਾਡਲਾਂ ‘ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਸੋਚਣ ਦਾ – ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਪ੍ਰਤੀਕਾਤਮਕ ਤਰਕ) ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਆਰਕੀਟੈਕਚਰ ਜਿਵੇਂ ਕਿ C3AN ਫਰੇਮਵਰਕ ‘ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰਕੇ, ਪ੍ਰੋਫੈਸਰ ਸ਼ੇਠ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਭਾਰਤ ਹੁਣ ਪੱਛਮ ਦੇ “ਵੱਡਾ ਹੈ ਬਿਹਤਰ” ਰੁਝਾਨ ਦਾ ਪਿੱਛਾ ਕਰਨ ਦੀ ਬਜਾਏ “ਰੀਜ਼ਨਿੰਗ ਏਆਈ” ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੀ ਅਗਵਾਈ ਕਰਨ ਲਈ ਆਪਣੇ ਆਪ ਨੂੰ ਸਥਿਤੀ ਵਿੱਚ ਰੱਖ ਰਿਹਾ ਹੈ।

(ਦ ਹਿੰਦੂ ਦੇ ਹਫਤਾਵਾਰੀ ਸਿੱਖਿਆ ਨਿਊਜ਼ਲੈਟਰ, ਦ ਹਿੰਦੂ ਲਈ ਸਾਈਨ ਅੱਪ ਕਰੋ।)