एआई कट, फ्लो और ग्रीन हो जाता है – Vanity Kippah

Written by Frank James

मशीन लर्निंग और एआई पर शोध, जो अब लगभग हर उद्योग और व्यवसाय में एक प्रमुख तकनीक है, किसी के पढ़ने के लिए बहुत व्यापक है। इस कॉलम का उद्देश्य कुछ सबसे प्रासंगिक हाल की खोजों और लेखों को एकत्र करना है – विशेष रूप से कृत्रिम बुद्धिमत्ता के क्षेत्र में, लेकिन इन्हीं तक सीमित नहीं है – और समझाएं कि वे क्यों मायने रखते हैं।

इस हफ्ते, बड़ी मात्रा में डेटा के माध्यम से झारने या सीमित साक्ष्य के आधार पर समझदार भविष्यवाणियां करने की क्षमता के कारण एआई अनुप्रयोगों को कई अप्रत्याशित स्थानों में पाया गया है।

हमने देखा है कि मशीन लर्निंग मॉडल जैव प्रौद्योगिकी और वित्त में बड़े डेटा सेट को अपनाते हैं, लेकिन ईटीएच ज्यूरिख और एलएमयू म्यूनिख के शोधकर्ता आपदा राहत और आवास जैसी अंतरराष्ट्रीय विकास सहायता परियोजनाओं द्वारा उत्पन्न डेटा के समान तकनीकों को लागू कर रहे हैं। टीम ने पिछले 20 वर्षों में लाखों परियोजनाओं (वित्त पोषण में $2.8 ट्रिलियन तक) पर अपने मॉडल को प्रशिक्षित किया है, एक विशाल डेटासेट जो मैन्युअल रूप से विस्तार से विश्लेषण करने के लिए बहुत जटिल है।

“आप इस प्रक्रिया को एक संपूर्ण पुस्तकालय को पढ़ने और समान पुस्तकों को विषय-विशिष्ट अलमारियों में क्रमबद्ध करने के प्रयास के रूप में सोच सकते हैं। हमारा एल्गोरिदम 200 अलग-अलग आयामों को ध्यान में रखता है ताकि यह निर्धारित किया जा सके कि ये 3.2 मिलियन परियोजनाएं कितनी समान हैं – एक इंसान के लिए एक असंभव कार्यभार, “अध्ययन के सह-लेखक माल्टे टोट्ज़के ने कहा।

शीर्ष स्तर के रुझान बताते हैं कि समावेश और विविधता पर खर्च में वृद्धि हुई है, जबकि हाल के वर्षों में जलवायु पर खर्च में आश्चर्यजनक रूप से गिरावट आई है। आप यहां उनके द्वारा विश्लेषण किए गए डेटासेट और रुझानों को देख सकते हैं।

एक और क्षेत्र जिसके बारे में बहुत कम लोग सोचते हैं, वह है बड़ी संख्या में मशीन के पुर्जे और विभिन्न उद्योगों द्वारा उत्पादित एक विशाल क्लिप के साथ पुर्जे। कुछ का पुन: उपयोग किया जा सकता है, अन्य को पुनर्नवीनीकरण किया जा सकता है, अन्य को जिम्मेदारी से निपटाया जाना चाहिए – लेकिन मानव विशेषज्ञों के लिए बहुत सारे हैं। जर्मन आर एंड डी कंपनी फ्रौनहोफर ने भागों की पहचान करने के लिए एक मशीन लर्निंग मॉडल विकसित किया है ताकि स्क्रैप यार्ड में जाने के बजाय उनका उपयोग किया जा सके।

कुछ एक पहचान एआई के प्रदर्शन के हिस्से के रूप में एक मेज पर बैठते हैं।

छवि क्रेडिट: Fraunhofer

सिस्टम सामान्य कैमरा फुटेज से अधिक पर निर्भर करता है क्योंकि भाग समान दिख सकते हैं लेकिन बहुत भिन्न हो सकते हैं, या यांत्रिक रूप से समान हो सकते हैं लेकिन जंग या पहनने के कारण दृष्टिगत रूप से भिन्न हो सकते हैं। इसलिए प्रत्येक भाग को 3D कैमरों द्वारा तौला और स्कैन किया जाता है, और मेटाडेटा जैसे मूल स्थान भी शामिल होता है। मॉडल तब सुझाव देता है कि वह क्या सोचता है कि यह हिस्सा है ताकि इसका निरीक्षण करने वाले मानव को फिर से शुरू न करना पड़े। यह आशा की जाती है कि इस एआई-समर्थित पहचान पद्धति का उपयोग करके जल्द ही हजारों भागों को बचाया जाएगा और लाखों के प्रसंस्करण में तेजी लाई जाएगी।

भौतिकविदों ने एक पुरानी समस्या के लिए एमएल के गुणों को लागू करने का एक दिलचस्प तरीका खोजा है। अनिवार्य रूप से, शोधकर्ता हमेशा यह दिखाने के तरीकों की तलाश में रहते हैं कि द्रव गतिकी को नियंत्रित करने वाले समीकरण (जिनमें से कुछ, यूलर की तरह, 18 वीं शताब्दी की तारीख) अधूरे हैं – कि वे कुछ चरम मूल्यों पर टूट जाते हैं। पारंपरिक गणना तकनीकों के साथ, यह मुश्किल है, लेकिन असंभव नहीं है। लेकिन हांगकांग में सीआईटी और हैंग सेंग विश्वविद्यालय के शोधकर्ताओं ने द्रव गतिकी विलक्षणताओं के संभावित मामलों को अलग करने के लिए एक नई गहन शिक्षण पद्धति का प्रस्ताव दिया, जबकि अन्य इस तकनीक को अन्य तरीकों से लागू करते हैं। यह क्वांटा लेख इस दिलचस्प विकास को अच्छी तरह से समझाता है।

एमएल परत प्राप्त करने वाली एक और पुरानी अवधारणा किरिगामी है, कागज काटने की कला जिसे पेपर स्नोफ्लेक्स बनाने के संदर्भ में कई लोग परिचित होंगे। तकनीक सदियों पीछे चली जाती है, खासकर जापान और चीन में, और उल्लेखनीय रूप से जटिल और लचीली संरचनाओं का उत्पादन कर सकती है। Argonne National Labs के शोधकर्ता एक 2D सामग्री को सिद्धांतित करने की अवधारणा से प्रेरित थे जो सूक्ष्म पैमाने पर इलेक्ट्रॉनिक्स को पकड़ सकती है लेकिन इसे आसानी से मोड़ भी सकती है।

टीम ने मैनुअल 1-6 कट के साथ हजारों प्रयोग किए थे और उस डेटा का इस्तेमाल मॉडल को प्रशिक्षित करने के लिए किया था। फिर उन्होंने आणविक स्तर तक सिमुलेशन चलाने के लिए ऊर्जा विभाग के सुपरकंप्यूटर का उपयोग किया। सेकंड के भीतर, इसने 40 प्रतिशत खिंचाव के साथ 10-कट भिन्नता का उत्पादन किया, जो कि टीम की अपेक्षा से कहीं अधिक है या यहां तक ​​​​कि अपने दम पर प्रयास भी किया गया था।

अणुओं का अनुकरण जो एक स्ट्रेचेबल 2डी सामग्री बनाते हैं।

छवि क्रेडिट: आर्गन नेशनल लैब्स

प्रोजेक्ट लीडर पंकज रजक कहते हैं, “इसने उन चीज़ों की खोज की जिन्हें हमने इसे खोजने के लिए कभी नहीं कहा था। इसने कुछ ऐसा सीखा जैसे मानव सीखता है और अपने ज्ञान का इस्तेमाल कुछ और करने के लिए करता है।” सफलता ने उन्हें अनुकरण की जटिलता और दायरे का पता लगाने के लिए प्रेरित किया है।

एक और दिलचस्प एक्सट्रपलेशन, जिसे विशेष रूप से प्रशिक्षित एआई द्वारा किया जाता है, में एक कंप्यूटर विज़न मॉडल होता है जो इन्फ्रारेड इनपुट से रंग डेटा का पुनर्निर्माण करता है। आम तौर पर, IR कैप्चर करने वाला कैमरा दृश्यमान स्पेक्ट्रम में किसी वस्तु के रंग के बारे में कुछ नहीं जानता। लेकिन इस प्रयोग में कुछ IR बैंड और दृश्य बैंड के बीच सहसंबंध पाया गया, जिससे IR में कैप्चर किए गए मानव चेहरों की छवियों को दृश्यमान स्पेक्ट्रम में बदलने के लिए एक मॉडल तैयार किया गया।

यह अभी भी केवल अवधारणा का प्रमाण है, लेकिन ऐसा स्पेक्ट्रम लचीलापन विज्ञान और फोटोग्राफी में एक उपयोगी उपकरण हो सकता है।

मैं

इस बीच, Google AI नेता जेफ डीन द्वारा सह-लेखक एक नया अध्ययन इस विचार को चुनौती देता है कि AI अपनी उच्च कंप्यूटिंग आवश्यकताओं के कारण पर्यावरण के अनुकूल व्यवसाय है। जबकि कुछ अध्ययनों में पाया गया है कि OpenAI के GPT-3 जैसे बड़े मॉडल को प्रशिक्षित करने से कार्बन डाइऑक्साइड उत्सर्जन उत्पन्न हो सकता है समकक्ष एक छोटे से पड़ोस की तुलना में, Google-संबद्ध अध्ययन में कहा गया है कि “सर्वोत्तम प्रथाओं का पालन” मशीन लर्निंग कार्बन उत्सर्जन को 1000x तक कम कर सकता है।

विचाराधीन अभ्यास मॉडल के प्रकार से संबंधित हैं, मॉडल को प्रशिक्षित करने के लिए उपयोग की जाने वाली मशीनें, “मशीनीकरण” (जैसे, क्लाउड कंप्यूटिंग बनाम ऑन-प्रिमाइसेस कंप्यूटर), और “मैप” (सबसे स्वच्छ ऊर्जा के साथ डेटा सेंटर स्थान चुनना)। सह-लेखकों के अनुसार, केवल “कुशल” मॉडल का चयन 5 से 10 के कारकों द्वारा गणना को कम कर सकता है, जबकि मशीन सीखने के प्रशिक्षण के लिए अनुकूलित प्रोसेसर का उपयोग करते हुए, जैसे कि GPU, प्रदर्शन-प्रति-वाट अनुपात को 2 से कारकों तक कम कर सकता है। 5.

अनुसंधान की कोई भी पंक्ति जो बताती है कि पर्यावरण पर एआई के प्रभाव को कम किया जा सकता है, वास्तव में उत्सव का कारण है। लेकिन यह ध्यान दिया जाना चाहिए कि Google एक तटस्थ पक्ष नहीं है। कंपनी के कई उत्पाद, Google मानचित्र से लेकर Google खोज तक, उन मॉडलों पर निर्भर करते हैं जिन्हें विकसित करने और उपयोग करने के लिए बहुत अधिक ऊर्जा की आवश्यकता होती है।

ओपन रिसर्च ग्रुप नाइव्स एंड पेंटब्रश के एक सदस्य माइक कुक बताते हैं कि – भले ही शोध के अनुमान सही हों – वहाँ हैं किसी कंपनी के लिए ऊर्जा-अक्षम तरीके से स्केल न करने का एक अच्छा कारण नहीं है, जब वह उन्हें लाभान्वित करती है। जबकि अकादमिक समूह कार्बन प्रभाव जैसे मेट्रिक्स पर ध्यान दे सकते हैं, व्यवसायों को उसी तरह से प्रोत्साहित नहीं किया जाता है – कम से कम अभी।

“इस बातचीत को शुरू करने का पूरा कारण यह है कि Google और OpenAI जैसी कंपनियों के पास मूल रूप से अनंत धन था और उन्होंने किसी भी कीमत पर GPT-3 और BERT जैसे मॉडल बनाने के लिए इसका उपयोग करना चुना क्योंकि वे जानते थे कि यह उनके लिए एक फायदा है, ” कुक ने Vanity Kippah को ईमेल के जरिए बताया। मैंआम, मुझे लगता है कि पेपर कुछ अच्छी बातें कहता है और जब हम दक्षता के बारे में सोचते हैं तो यह बहुत अच्छा होता है, लेकिन मेरी राय में समस्या तकनीकी नहीं है – हमें यकीन है कि ये कंपनियां जरूरत पड़ने पर बड़ी हो जाएंगी, वे जीत गईं, वे पकड़ में नहीं आई, तो कहने के लिए यह अब हमेशा के लिए तय हो गया है बस एक खाली रेखा की तरह लगता है।”

इस सप्ताह का अंतिम विषय वास्तव में मशीन लर्निंग के बारे में नहीं है, बल्कि मस्तिष्क को अधिक प्रत्यक्ष तरीके से अनुकरण करने का एक तरीका क्या हो सकता है। ईपीएफएल जैव सूचना विज्ञान के शोधकर्ताओं ने अद्वितीय लेकिन सटीक सिम्युलेटेड न्यूरॉन्स बनाने के लिए एक गणितीय मॉडल बनाया जो अंततः न्यूरोएनाटॉमी के डिजिटल जुड़वाँ बनाने के लिए उपयोग किया जा सकता है।

अध्ययन के शोधकर्ता लिडा कनारी ने कहा, “निष्कर्ष पहले से ही ब्लू ब्रेन को माउस मस्तिष्क के जैविक रूप से विस्तृत पुनर्निर्माण और सिमुलेशन बनाने में सक्षम बनाता है, जो सिमुलेशन के लिए मस्तिष्क क्षेत्रों का पुनर्निर्माण करता है जो न्यूरोनल आकारिकी के रचनात्मक गुणों को दोहराते हैं और क्षेत्र-विशिष्ट शरीर रचना शामिल करते हैं।”

बेहतर एआई के लिए सिम दिमाग की उम्मीद न करें – यह तंत्रिका विज्ञान में प्रगति की दिशा में बहुत अधिक सक्षम है – लेकिन शायद नकली न्यूरोनल नेटवर्क से अंतर्दृष्टि उन प्रक्रियाओं को समझने में मौलिक सुधार ला सकती है जो एआई का डिजिटल रूप से अनुकरण करना है।

About the author

Frank James

Leave a Comment