बुद्धि के मद्देनजर

बुद्धि के मद्देनजर

मानव मस्तिष्क में प्रक्रियाओं को अनुकरण करने के पहले प्रयास के बाद से, विज्ञान हमें एआई के करीब लाने के कई चरणों से गुजरा है। लेकिन मानव मस्तिष्क, कुछ समय के लिए, असहनीय और खराब तरीके से ट्रैक किए गए काम को लगातार जानकारी के प्रवाह को संसाधित कर रहा है। मैं कृत्रिम तंत्रिका नेटवर्क (एएनएन) के विकास के मुख्य मील के पत्थर को सार्थक रूप से बताने की कोशिश करूंगा।



मनुष्य हमेशा सिर्फ यह समझना चाहता था कि वह कैसा सोचता है। और उन्होंने विज्ञान के मानक तरीकों को ऐसे कार्य के लिए लागू किया: विश्लेषण, अवलोकन, प्रयोग। लेकिन इस तरह के एक अध्ययन से केवल वर्णनात्मक ज्ञान प्राप्त हुआ, जो भौतिक विज्ञान की कठोरता तक नहीं पहुंचा। मुझे सीधे सवाल "हमें क्या लगता है?" से दूर जाना पड़ा और पता चला, सवाल का जवाब खोजने की कोशिश करें "एक व्यक्ति क्या सोचता है?"। यह पता चला कि पूरी चीज मस्तिष्क में है, जिसमें एक ही प्रकार की कई तंत्रिका कोशिकाएं - न्यूरॉन्स हैं। इसके अलावा, इन कोशिकाओं में से कई थे, लेकिन उनके बीच और भी अधिक कनेक्शन थे। एक न्यूरॉन के प्रयोगात्मक रूप से देखे गए गुणों की मॉडलिंग ने मानव सोच के परिणामों की कुछ पुनरावृत्ति दी। यह शरीर विज्ञान और मनोविज्ञान के स्तर पर पहले से ही किसी व्यक्ति के पूरे तंत्रिका तंत्र के कामकाज की तस्वीर में इसे जोड़ता रहा, लेकिन यह यहां था कि समस्याएं शुरू हुईं।



पहले ANN मॉडल बिना प्रतिक्रिया के प्रत्यक्ष वितरण नेटवर्क हैं। उनका उत्पादन पूरी तरह से प्रत्येक न्यूरॉन के प्रत्येक इनपुट पर सेंसर और गुणांक (भार) के वर्तमान मूल्यों द्वारा निर्धारित किया गया था। इसके अलावा, एक शिक्षक के साथ एक शिक्षण पद्धति का उपयोग किया गया था जब न्यूरॉन इनपुट के पैमाने समायोजित किए गए थे ताकि नेटवर्क इनपुट मानों के प्रशिक्षण सेट के लिए आवश्यक परिणामों से एक स्वीकार्य विचलन उत्पन्न करे। इस तरह की विधि जैविक रूप से असंभव थी।



एक शिक्षक के बिना सीखने के नेटवर्क की समस्या को हल करने वाला पहला। इस तरह के प्रशिक्षण का मूल सिद्धांत यह है कि यदि न्यूरॉन्स भेजना और प्राप्त करना एक साथ सक्रिय हैं (आउटपुट = 1), तो इन न्यूरॉन्स का कनेक्शन वजन बढ़ जाता है। जैविक रूप से स्वीकार्य यहाँ न्यूरॉन की सीमाओं के भीतर एक न्यूरॉन को प्रशिक्षित करने का तर्क है और जैविक न्यूरॉन्स की कनेक्शन (सिंकैप्स) संपत्ति की पुनरावृत्ति है। ANN के भीतर न्यूरॉन एक अभिन्न तार्किक आत्म-आयोजन इकाई बन गया है।



दूसरे ने एएनएन ऑपरेशन के परिणाम पर अनुक्रम के प्रभाव की समस्या को हल किया, पहले एएनएन से आउटपुट को आने वाले सिग्नल (हॉपफील्ड नेटवर्क) में जोड़ा, और फिर एक ही देरी से आंतरिक न्यूरॉन्स (एल्मन नेटवर्क) या एएनएन आउटपुट (जॉर्डन नेटवर्क) से कनेक्शन जोड़कर बार-बार एएनएन को आवर्तक किया। इनपुट पर पुनरावर्ती कनेक्शन को आमतौर पर इनपुट डेटा के लिए संदर्भ कहा जाता है। पुनरावर्ती ANN का उपयोग पहले से ही चलती वस्तुओं के नियंत्रण प्रणालियों में किया जा सकता है, साथ ही दृश्यों को याद रखने के लिए भी उपयोग किया जाता है।



स्मृति की अगली संपत्ति इसकी एक साथ प्लास्टिसिटी और स्थिरता थी। स्थिरता और प्लास्टिसिटी का सिद्धांत यह है कि नई छवियों को इस तरह से याद किया जाता है कि पहले याद किए गए लोग संशोधित या भुलाए नहीं जाते हैं। पिछले सभी प्रकार के ANN ऐसी संपत्ति को दोहराने में सक्षम नहीं थे। इस समस्या के लिए विज्ञान का उत्तर अनुकूल अनुनाद सिद्धांत (एआरटी) था। इसका अर्थ इस तथ्य पर उबलता है कि यदि नेटवर्क यह तय करता है कि आने वाला सेट पहले से याद किए गए किसी भी तरह नहीं दिखता है, तो यह एक नई छवि के लिए नेटवर्क से एक और आउटपुट जोड़ता है। यदि नेटवर्क समानता के चयनित सीमा के भीतर इनपुट सेट में एक ज्ञात सेट को पहचानता है, तो नेटवर्क के भीतर अतिरिक्त छवि को फिर से इंस्टॉल किया गया है। स्थिरता-प्लास्टिसिटी और एआरटी के बीच बेमेल यह है कि मान्यता प्राप्त सेट में अभी भी बदलाव है। समानता सीमा से छोटे विचलन के साथ इनपुट सेट का एक विशेष अनुक्रम एएनएन को पूरी तरह से वापस ले सकता है। लेकिन नेटवर्क के नए आउटपुट के अलावा, नए न्यूरॉन्स, हमें जैविक तंत्रिका नेटवर्क की पुनरावृत्ति के करीब लाते हैं, पूरे जीवन में, मनुष्यों में नए न्यूरॉन्स बनते हैं। मस्तिष्क के क्षेत्र जो नए या लगातार प्रशिक्षित मानव कौशल के लिए जिम्मेदार हैं, उन्हें नए न्यूरॉन्स के साथ सील कर दिया गया है।



आने वाली सेट में स्थिति की परवाह किए बिना, अगली समस्या छवि पहचान थी। इस तरह की समस्या को कॉग्निट्रॉन और नियोकोगिट्रॉन द्वारा हल किया जाता है - बहुस्तरीय पदानुक्रमित स्व-व्यवस्थित नेटवर्क। ऐसे नेटवर्क की मुख्य संपत्ति न्यूरॉन्स की पिछली परत से इनपुट की संख्या से कनेक्शन के क्षेत्र की सीमा है, जो हमें मस्तिष्क के दृश्य प्रांतस्था की एक समान संरचना की ओर ले जाती है। न्यूरॉन्स में नकारात्मक इनपुट की उपस्थिति के साथ-साथ, पहले नकारात्मक कनेक्शन एएनएन में उपयोग नहीं किए गए थे, हालांकि जैविक न्यूरॉन्स में ऐसे कनेक्शन की उपस्थिति साबित हुई है। इसके अलावा दिलचस्प ANN प्रशिक्षण के पूरा होने की जाँच करने का तरीका है। नेटवर्क रिवर्स दिशा में शुरू होता है, आउटपुट में से केवल एक सिग्नल की आपूर्ति करने के लिए, एएनएन एक संग्रहीत छवि का उत्पादन करता है, जिसकी मान्यता यह आउटपुट जिम्मेदार है।



स्व-आयोजन न्यूरॉन्स के लिए कनेक्शन के क्षेत्र को सीमित करने का विचार यह है कि प्रशिक्षण के दौरान आप पागल हो सकते हैं यदि आप सब कुछ याद रखने की कोशिश करते हैं, इसलिए यह स्वाभाविक है कि आपको हमारे लिए सभी घटनाओं और वस्तुओं के लिए सबसे आम और महत्वपूर्ण गुणों को उजागर करना, आउटपुट की न्यूनतम संभव संख्या बनाना है। न्यूरॉन्स की परत से और फिर अगले स्तर के न्यूरॉन्स के आत्म-प्रशिक्षण के लिए इन सार का उपयोग करें।