Artificial Intelligence Is Designed To Learn, So Start Letting It
एक परिपूर्ण मानव-निर्मित होशियारी प्रणाली बनाने के लिए वर्षों तक वक्त व्यय करना आकर्षक है, लेकिन जानें क्यों आपके AI को "मूर्ख" के रूप में शुरू होने देने को ठीक मानना है।
यह लेख मूल रूप से फोर्ब्स टेक्नोलॉजी परिषद के द्वारा प्रकाशित हुआ था, जो विश्व-स्तरीय सीआईओ, सीटीओ और प्रौद्योगिकी कार्यकारियों का समुदाय है। मूल पोस्ट पढ़ें यहां।
जब बात ऑटोमेटेड साहचर्य (एआई) और मशीन शिक्षा में आती है, तो विशेष रूप से हम सॉफ्टवेयर कैसे इंजिनियर कर रहे हैं, उसमें मूल रूप से बदलाव आ रहा है। पारंपरिक इंजीनियर को सॉफ़्टवेयर को 'सीखने' की जरूरत होने के बारे में विचार करने की जरुरत नहीं थी। हमने उन 'नियम' को परिभाषित किया था जिनको हम ध्यान में रखना चाहते थे, उन्हें एप्लिकेशन में हार्ड-कोड किया और जारी किया। फिर, हमने इसमें सुधार किया और एक सतत चक्र में सुधार किया।
यह एआई के साथ अलग है। एप्लिकेशन में नियमों को हार्ड-कोड करने के बजाय, एआई उत्पादों का उपयोग करने के लिए प्रशिक्षण डेटा पर निर्भर होता है। उदाहरण के लिए, जब GPS एप्लिकेशन पहली बार आए, तो सब कुछ बदल गया - अलविदा पेपर-आधारित मानचित्रों! लगभग दस वर्ष बाद, नेविगेशन सॉफ्टवेयर एप्प वेज ने उस अनुभव को फिर से परिभाषित किया। वेज ने यह खोजा कि उनके सभी उपयोगकर्ताओं से डेटा एकत्र करके, उन्हें न केवल बता सकते हैं कि अगले कौन सी ओर जाना चाहिए बल्कि उन्हें वहां पहुंचने का सबसे तेज तरीका भी बता सकते हैं और उन सिफारिशों को वास्तविक समय में अपडेट कर सकते हैं।
जैसे हम सॉफ्टवेयर एप्लिकेशन बनाने में और बुद्धिमत्ता प्राप्त करने में चार्भुज में ढक्कने का अधिक स्मार्ट बांधते गए, हमने सींच पटल मॉडल जैसी विकास अभ्यासों को काम नहीं करने दिया क्योंकि यह सॉफ्टवेयर विकास जीवन चक्र में प्रयोक्ता को पर्याप्त नहीं मानते। अंत में, उपयोक्ताओं के पास नए आवश्यकताएँ संभावित हैं। तो, हमने नई दृष्टिकोणों की ओर बढ़े हैं, जैसे जो किताबों में मशहूर हो गया है वह की द लीन स्टार्टअप। जब लोग आजकल 'न्यूनतम व्यावसायिक उत्पाद' जैसी अवधारणाओं का मुकाबला करते हैं, तो विचारों में सही हैं: छोटा शुरू करें और अपने उपयोक्ताओं के हाथों में जितना मुमकिन हो उत्पाद तुरंत पहुंचाने के लिए ताकि आप उनकी प्रतिक्रिया प्राप्त कर सकें और उत्पाद को महसूस के रास्ते पर सुधार सकें।
एआई को इसी तरह से नाज approach करना चाहिए। यह आकर्षक है कि कई सालों तक समाप्त डेटा सेट्स द्वारा शिक्षित पूर्ण आर्टिफिशियल इंटेलिजेंस सिस्टम बनाने में समय बिताना,। लेकिन चौंकाना मत जाएं अगर उत्पाद पूरी तरह से पुराना और अनुपयुक्त हो जाता है जब आप इसे दुनिया में प्रस्तुत करते हैं।
शायद आपका डेटा नक्ली प्रथाओं को प्रकट करता है जो लंबे समय से समझ में नहीं आती, या आपका एल्गोरिथ्म कभी विशेष परिभाषिका को काट नहीं खाया है। या शायद वह व्यक्ति जिसे आपने सोचा था कि आपका उत्पाद उसे उपयोग करेगा, वही है जो इसका उपयोग कर रहा है। एक खाली में प्रशिक्षित एआई केवल उसे प्रतिक्रिया दे सकता है जिसे उसे पता है। मैं एक मजबूत विश्वासी हूं कि अपने एल्गोरिदम को वहां जहां वह सीख सकता, अनुकूलन कर सकता और बेहतर कर सकता है। हाय, यह ठीक है कि आपके एआई को 'मूर्ख' से प्रारंभ करने दें।
अपना ध्यान पाएँ
हमें पहले ही पता है कि AI टूल लोगों की जगह को अब तक नहीं कर सकते, और हम निकट भविष्य में उन्हें इसे करने की क्षमता की उम्मीद नहीं करते। इस बात को ध्यान में रखें जब आप अपना समाधान डिज़ाइन कर रहे हैं। अपने एल्गोरिदम को अपने उपयोगकर्ता केंद्रित और जानबूझकर एक उपयोग की स्थिति पर ध्यान केंद्रित करें।
एक उदाहरण यहां Textio है, एक AI-आधारित कोचिंग नेटवर्क जो टैलेंट पेशेवरों को बेहतर नौकरी की विवरण लिखने में मदद करता है। यह एक बहुत विशिष्ट कार्य है। वे हर किसी को बेहतर लेखक बनाने पर ध्यान नहीं दे रहे हैं। उन्होंने एक खासियत चुनी - नौकरी की विवरण - और गहराई से गए। हमने देखा है कि सबसे बड़ी AI उपलब्धियां एक स्पष्ट कार्य से शुरू होती हैं और फिर बढ़ जाती हैं। और समाधान जितना निरंतरित क्षेत्रवासी होता है, AI उतनी तेजी से सीखेगा।
मशीन से पहले भूत को मत रखें
जब आप अपना ध्यान पकड़ लेते हैं, तो अभी तक दुनिया को बदलने के बारे में उत्साहित होने की बजाय, आगे बढ़ने के लिए ज्यादा उत्साहित न हों। केवल विचार करना कि AI सिस्टम को (हालांकि एक मूर्ख एक) काम करने के लिए क्या होना चाहिए, यह एक तेज़, थका देने वाला प्रक्रिया है जिसमें शामिल है:
तकनीकी वातावरण सेटअप करना
सभी प्रशिक्षण डेटा को संग्रहित करने वाला सिस्टम सेटअप करना
डेटा को प्रशिक्षित करने और सुझाव दर्शाने वाली सर्वाधिक महत्वपूर्ण एल्गोरिदम सेटअप करना
जबकि बादल ने ये कदम आसान कर दिए हैं, वे फिर भी उपाय हैं। इसीलिए आपको आखिरी रूप से उपर्युक्त प्रक्रियाओं पर ध्यान केंद्रित करना चाहिए और स्थिर होने देना, जो आपको अपने उत्पाद को परीक्षण करने के लिए अपनी संभावित ग्राहकों के साथ बहुत तेजी से आगे बढ़ने की अनुमति देगा, जब आप अपने समय की बड़ी हिस्सा प्रशिक्षण डेटा प 2500 rakhne में खर्च करने का चयन करते हैं। अगर आप सिद्धांतिक विश्व में काम करते हैं और असली ग्राहक प्रविष्टि के बिना प्रशिक्षण डेटा जुटाने का प्रयास करते हैं, तो आप एक ऐसे खाली स्थान में काम कर रहे हैं जो आपके पूर्व मान्यताओं को आपके पास वापस भेजेगा।
लोगों के सामने अपनी AI लाएँ
आपका प्रशिक्षण डेटा प्रक्रिया की शुरुआत में महत्वपूर्ण है, लेकिन समय के साथ बेहतर होने वाला AI उत्पाद बनाने के लिए, आपको सभी मानव अनुभव के लिए सबसे बड़े डेटा सेट की ओर कदम उठाना होगा। और उसे करने के लिए आपको अपने उपयोगकर्ता अनुभव (UX) में निवेश करने की आवश्यकता है। जितना अच्छा आप अपने AI का उपयोग करने का अनुभव बना सकते हैं, उतने लोग इस्तेमाल करने के इच्छुक होंगे, जिससे आपका मॉडल बहुत जल्दी बड़े ज्यादा डेटा इकट्ठा करेगा।
UX के महत्व को अपनी AI पहल के सफलता से जोड़ना एक महत्वपूर्ण मामूली बात है। दुर्भाग्य से, अधिकांश लोग इस तरह से नहीं सोचते हैं। मशीनरी के माध्यम से बेहतर जीवन के विचार में उलझन में पड़ने से, वे AI के बारे में सोचते हैं। यह सच्चाई है कि आप इस सब काम कर रहे हैं ताकि आपको डेटा तक पहुंचने का अधिकार हो। लेकिन डेटा किसी से भी आना चाहिए।
यहां ग्रहिकों के सॉफटवेयर का उपयोग करने वाले व्यक्तियों का विस्तार करना है कि कोई भूल जाने वाली मौलिक विचारधारा है कि "कहीं"। AI काम करता है जब आप इसे मानव और मशीन के बीच एक साझेदारी के रूप में देखते हैं। इसलिए अगर अच्छे यूज़र अनुभव नहीं है, तो अच्छी एआई कभी नहीं होगी। अगर आप यह कहकर शुरू नहीं करते, "मैं एक सिस्टम बनाने जा रहा हूं जिसका उपयोग किया जाना चाहिए, जो आसान लिए जाना चाहिए और जिसका उपयोग अक्सर किया जाएगा," तो बाकी सबकुछ मायने नहीं रखता।
एक एल्गोरिदम को हमेशा समायोजित किया जा सकता है। जितना ज्यादा यह वास्तविक दुनिया में रहेगा, उतना ही अच्छा हो जाएगा। इसे प्रखर बनाने से अधिक महत्वपूर्ण है कि आप उस विशिष्ट समस्या को हल करना चाहते हैं और डेटा को अवशोषित करने के लिए अपने तकनीकी परिवेश को तैयार करना। अंत में, एक तर्कसम्पन्न AI बस वह है जो काम करता है।
यह लेख मूल रूप से फोर्ब्स टेक्नोलॉजी परिषद के द्वारा प्रकाशित हुआ था, जो विश्व-स्तरीय सीआईओ, सीटीओ और प्रौद्योगिकी कार्यकारियों का समुदाय है। मूल पोस्ट पढ़ें यहां।
जब बात ऑटोमेटेड साहचर्य (एआई) और मशीन शिक्षा में आती है, तो विशेष रूप से हम सॉफ्टवेयर कैसे इंजिनियर कर रहे हैं, उसमें मूल रूप से बदलाव आ रहा है। पारंपरिक इंजीनियर को सॉफ़्टवेयर को 'सीखने' की जरूरत होने के बारे में विचार करने की जरुरत नहीं थी। हमने उन 'नियम' को परिभाषित किया था जिनको हम ध्यान में रखना चाहते थे, उन्हें एप्लिकेशन में हार्ड-कोड किया और जारी किया। फिर, हमने इसमें सुधार किया और एक सतत चक्र में सुधार किया।
यह एआई के साथ अलग है। एप्लिकेशन में नियमों को हार्ड-कोड करने के बजाय, एआई उत्पादों का उपयोग करने के लिए प्रशिक्षण डेटा पर निर्भर होता है। उदाहरण के लिए, जब GPS एप्लिकेशन पहली बार आए, तो सब कुछ बदल गया - अलविदा पेपर-आधारित मानचित्रों! लगभग दस वर्ष बाद, नेविगेशन सॉफ्टवेयर एप्प वेज ने उस अनुभव को फिर से परिभाषित किया। वेज ने यह खोजा कि उनके सभी उपयोगकर्ताओं से डेटा एकत्र करके, उन्हें न केवल बता सकते हैं कि अगले कौन सी ओर जाना चाहिए बल्कि उन्हें वहां पहुंचने का सबसे तेज तरीका भी बता सकते हैं और उन सिफारिशों को वास्तविक समय में अपडेट कर सकते हैं।
जैसे हम सॉफ्टवेयर एप्लिकेशन बनाने में और बुद्धिमत्ता प्राप्त करने में चार्भुज में ढक्कने का अधिक स्मार्ट बांधते गए, हमने सींच पटल मॉडल जैसी विकास अभ्यासों को काम नहीं करने दिया क्योंकि यह सॉफ्टवेयर विकास जीवन चक्र में प्रयोक्ता को पर्याप्त नहीं मानते। अंत में, उपयोक्ताओं के पास नए आवश्यकताएँ संभावित हैं। तो, हमने नई दृष्टिकोणों की ओर बढ़े हैं, जैसे जो किताबों में मशहूर हो गया है वह की द लीन स्टार्टअप। जब लोग आजकल 'न्यूनतम व्यावसायिक उत्पाद' जैसी अवधारणाओं का मुकाबला करते हैं, तो विचारों में सही हैं: छोटा शुरू करें और अपने उपयोक्ताओं के हाथों में जितना मुमकिन हो उत्पाद तुरंत पहुंचाने के लिए ताकि आप उनकी प्रतिक्रिया प्राप्त कर सकें और उत्पाद को महसूस के रास्ते पर सुधार सकें।
एआई को इसी तरह से नाज approach करना चाहिए। यह आकर्षक है कि कई सालों तक समाप्त डेटा सेट्स द्वारा शिक्षित पूर्ण आर्टिफिशियल इंटेलिजेंस सिस्टम बनाने में समय बिताना,। लेकिन चौंकाना मत जाएं अगर उत्पाद पूरी तरह से पुराना और अनुपयुक्त हो जाता है जब आप इसे दुनिया में प्रस्तुत करते हैं।
शायद आपका डेटा नक्ली प्रथाओं को प्रकट करता है जो लंबे समय से समझ में नहीं आती, या आपका एल्गोरिथ्म कभी विशेष परिभाषिका को काट नहीं खाया है। या शायद वह व्यक्ति जिसे आपने सोचा था कि आपका उत्पाद उसे उपयोग करेगा, वही है जो इसका उपयोग कर रहा है। एक खाली में प्रशिक्षित एआई केवल उसे प्रतिक्रिया दे सकता है जिसे उसे पता है। मैं एक मजबूत विश्वासी हूं कि अपने एल्गोरिदम को वहां जहां वह सीख सकता, अनुकूलन कर सकता और बेहतर कर सकता है। हाय, यह ठीक है कि आपके एआई को 'मूर्ख' से प्रारंभ करने दें।
अपना ध्यान पाएँ
हमें पहले ही पता है कि AI टूल लोगों की जगह को अब तक नहीं कर सकते, और हम निकट भविष्य में उन्हें इसे करने की क्षमता की उम्मीद नहीं करते। इस बात को ध्यान में रखें जब आप अपना समाधान डिज़ाइन कर रहे हैं। अपने एल्गोरिदम को अपने उपयोगकर्ता केंद्रित और जानबूझकर एक उपयोग की स्थिति पर ध्यान केंद्रित करें।
एक उदाहरण यहां Textio है, एक AI-आधारित कोचिंग नेटवर्क जो टैलेंट पेशेवरों को बेहतर नौकरी की विवरण लिखने में मदद करता है। यह एक बहुत विशिष्ट कार्य है। वे हर किसी को बेहतर लेखक बनाने पर ध्यान नहीं दे रहे हैं। उन्होंने एक खासियत चुनी - नौकरी की विवरण - और गहराई से गए। हमने देखा है कि सबसे बड़ी AI उपलब्धियां एक स्पष्ट कार्य से शुरू होती हैं और फिर बढ़ जाती हैं। और समाधान जितना निरंतरित क्षेत्रवासी होता है, AI उतनी तेजी से सीखेगा।
मशीन से पहले भूत को मत रखें
जब आप अपना ध्यान पकड़ लेते हैं, तो अभी तक दुनिया को बदलने के बारे में उत्साहित होने की बजाय, आगे बढ़ने के लिए ज्यादा उत्साहित न हों। केवल विचार करना कि AI सिस्टम को (हालांकि एक मूर्ख एक) काम करने के लिए क्या होना चाहिए, यह एक तेज़, थका देने वाला प्रक्रिया है जिसमें शामिल है:
तकनीकी वातावरण सेटअप करना
सभी प्रशिक्षण डेटा को संग्रहित करने वाला सिस्टम सेटअप करना
डेटा को प्रशिक्षित करने और सुझाव दर्शाने वाली सर्वाधिक महत्वपूर्ण एल्गोरिदम सेटअप करना
जबकि बादल ने ये कदम आसान कर दिए हैं, वे फिर भी उपाय हैं। इसीलिए आपको आखिरी रूप से उपर्युक्त प्रक्रियाओं पर ध्यान केंद्रित करना चाहिए और स्थिर होने देना, जो आपको अपने उत्पाद को परीक्षण करने के लिए अपनी संभावित ग्राहकों के साथ बहुत तेजी से आगे बढ़ने की अनुमति देगा, जब आप अपने समय की बड़ी हिस्सा प्रशिक्षण डेटा प 2500 rakhne में खर्च करने का चयन करते हैं। अगर आप सिद्धांतिक विश्व में काम करते हैं और असली ग्राहक प्रविष्टि के बिना प्रशिक्षण डेटा जुटाने का प्रयास करते हैं, तो आप एक ऐसे खाली स्थान में काम कर रहे हैं जो आपके पूर्व मान्यताओं को आपके पास वापस भेजेगा।
लोगों के सामने अपनी AI लाएँ
आपका प्रशिक्षण डेटा प्रक्रिया की शुरुआत में महत्वपूर्ण है, लेकिन समय के साथ बेहतर होने वाला AI उत्पाद बनाने के लिए, आपको सभी मानव अनुभव के लिए सबसे बड़े डेटा सेट की ओर कदम उठाना होगा। और उसे करने के लिए आपको अपने उपयोगकर्ता अनुभव (UX) में निवेश करने की आवश्यकता है। जितना अच्छा आप अपने AI का उपयोग करने का अनुभव बना सकते हैं, उतने लोग इस्तेमाल करने के इच्छुक होंगे, जिससे आपका मॉडल बहुत जल्दी बड़े ज्यादा डेटा इकट्ठा करेगा।
UX के महत्व को अपनी AI पहल के सफलता से जोड़ना एक महत्वपूर्ण मामूली बात है। दुर्भाग्य से, अधिकांश लोग इस तरह से नहीं सोचते हैं। मशीनरी के माध्यम से बेहतर जीवन के विचार में उलझन में पड़ने से, वे AI के बारे में सोचते हैं। यह सच्चाई है कि आप इस सब काम कर रहे हैं ताकि आपको डेटा तक पहुंचने का अधिकार हो। लेकिन डेटा किसी से भी आना चाहिए।
यहां ग्रहिकों के सॉफटवेयर का उपयोग करने वाले व्यक्तियों का विस्तार करना है कि कोई भूल जाने वाली मौलिक विचारधारा है कि "कहीं"। AI काम करता है जब आप इसे मानव और मशीन के बीच एक साझेदारी के रूप में देखते हैं। इसलिए अगर अच्छे यूज़र अनुभव नहीं है, तो अच्छी एआई कभी नहीं होगी। अगर आप यह कहकर शुरू नहीं करते, "मैं एक सिस्टम बनाने जा रहा हूं जिसका उपयोग किया जाना चाहिए, जो आसान लिए जाना चाहिए और जिसका उपयोग अक्सर किया जाएगा," तो बाकी सबकुछ मायने नहीं रखता।
एक एल्गोरिदम को हमेशा समायोजित किया जा सकता है। जितना ज्यादा यह वास्तविक दुनिया में रहेगा, उतना ही अच्छा हो जाएगा। इसे प्रखर बनाने से अधिक महत्वपूर्ण है कि आप उस विशिष्ट समस्या को हल करना चाहते हैं और डेटा को अवशोषित करने के लिए अपने तकनीकी परिवेश को तैयार करना। अंत में, एक तर्कसम्पन्न AI बस वह है जो काम करता है।
गुरु प्लेटफॉर्म की शक्ति का अनुभव स्वयं करें - हमारे इंटरैक्टिव प्रोडक्ट टूर को लें
