Nobel award for AI God Fathers मानव सभ्यता की सबसे बड़ी खोज आर्टिफीसियल इंटेलीजेंस Artificial Intelligence AI के गॉड फादर जॉन हॉपफील्ड John Hopfield और जेफ्री हिंटन को भौतिकी में नोबेल पुरस्कार के लिए चुना गया है.
Nobel award for AI God Fathers AI के अग्रदूत, मशीन को काम करना सिखाया
जॉन हॉपफील्ड और जेफ्री हिंटन के काम ने कंप्यूटर में पैटर्न पहचान को सक्षम करने में मदद की, जो फेस रिकग्निशन या इमेज इम्प्रूवमेंट जैसे उपकरणों का एक प्रमुख घटक है।
1980 से रिसर्च करना शुरू किया
दोनों वैज्ञानिकों ने अलग-अलग काम करते हुए 1980 के दशक में अपने अधिकांश ग्राउंड-ब्रेकिंग शोध किए, लेकिन उनके काम का प्रभाव अब ही महसूस किया जाने लगा है।
नोबेल पुरस्कार दिया जायेगा
इस वर्ष भौतिकी का नोबेल पुरस्कार दो वैज्ञानिकों को दिया गया है, जिनके काम ने वर्तमान में सामने आ रही AI क्रांति की नींव रखी। 91 वर्षीय अमेरिकी जॉन हॉपफील्ड और 76 वर्षीय ब्रिटिश मूल के कनाडाई जेफ्री हिंटन को मंगलवार को उनकी “आधारभूत खोजों और आविष्कारों के लिए नोबेल पुरस्कार दिया गया, जो कृत्रिम तंत्रिका नेटवर्क के साथ मशीन लर्निंग को सक्षम बनाते हैं”।
मस्तिष्क की नकल करना
हॉपफील्ड और हिंटन की बड़ी सफलता कंप्यूटर एल्गोरिदम विकसित करने में रही है जो सामान्य कार्यों को करने में मानव मस्तिष्क के कामकाज की नकल करते हैं। कंप्यूटर का आविष्कार दोहराए जाने वाले गणना-आधारित कार्यों को करने के लिए किया गया था जो मनुष्यों के लिए बहुत समय लेने वाले थे। लेकिन बहुत जल्द ही, वैज्ञानिकों ने सोचना शुरू कर दिया कि क्या मशीनों से वे काम भी करवाए जा सकते हैं जिनमें मनुष्य कहीं बेहतर हैं – याद रखना, पहचानना, बनाना, सीखना और बुद्धिमानी से अनुमान लगाना।
AI अब आम बोलचाल बन गया है, लेकिन इस शब्द की उत्पत्ति 1950 के दशक के मध्य में हुई, जब वैज्ञानिकों ने कंप्यूटर को बुद्धिमान मशीन के रूप में बोलना शुरू किया। जैसे-जैसे कंप्यूटर वर्षों में अधिक से अधिक शक्तिशाली होते गए, उन्होंने अधिक से अधिक जटिल कार्यों को बड़ी दक्षता के साथ पूरा किया, और प्रतीत होता है कि उनमें बुद्धिमत्ता भी बढ़ी। हालाँकि, ये अभी भी गणना-आधारित कार्य थे. और जो कुछ भी हो रहा था वह यह था कि कंप्यूटर पहले की तुलना में तेज़ी से गणना करने और एक साथ कई कार्य करने में सक्षम था।
मानव मस्तिष्क की कार्यप्रणाली की नकल करने के लिए कंप्यूटर बनाने के प्रयासों ने 1980 के दशक में हॉपफील्ड के क्रांतिकारी काम तक बहुत प्रगति नहीं की। आणविक जीव विज्ञान और तंत्रिका विज्ञान में रुचि रखने वाले एक सैद्धांतिक भौतिक विज्ञानी, हॉपफील्ड ने मानव मस्तिष्क में तंत्रिका कोशिकाओं के नेटवर्क जैसा एक कृत्रिम तंत्रिका नेटवर्क बनाया, जिसने कंप्यूटर सिस्टम को ‘याद रखने’ और ‘सीखने’ की अनुमति दी।
डोनाल्ड हेब ने नेटवर्क की शुरुआत की
1949 में, कनाडाई मनोवैज्ञानिक डोनाल्ड हेब ने पाया था कि मनुष्यों में सीखने की प्रक्रिया में तंत्रिका कोशिकाओं के बीच सिनैप्स या कनेक्शन में स्थायी और अपरिवर्तनीय परिवर्तन शामिल थे, जहां सीखने से संबंधित संचार हो रहा था। हॉपफील्ड ने एक कृत्रिम तंत्रिका नेटवर्क बनाया जो कुछ ऐसा ही कर सकता था, और यह एक बड़ी सफलता थी.
हॉपफील्ड के नेटवर्क को आगे बढाया
हॉपफील्ड के नेटवर्क ने संपूर्ण नेटवर्क संरचना का उपयोग करके सूचना को संसाधित किया, न कि इसके व्यक्तिगत घटकों का। यह पारंपरिक कंप्यूटिंग से अलग था जिसमें सूचना को सबसे छोटे बिट्स में संग्रहीत या संसाधित किया जाता है। इसलिए, जब हॉपफील्ड नेटवर्क को कोई नई जानकारी दी जाती है, जैसे कि कोई छवि या गीत, तो यह एक बार में पूरे पैटर्न को कैप्चर कर लेता है, छवियों के मामले में पिक्सेल की तरह घटक भागों के बीच कनेक्शन या संबंधों को याद रखता है।
यह नेटवर्क को उस छवि या गीत को याद करने, पहचानने या फिर से बनाने की अनुमति देता है जब एक अधूरी, या समान दिखने वाली छवि इनपुट के रूप में दी जाती है। हॉपफील्ड का काम कंप्यूटर में पैटर्न पहचान को सक्षम करने की दिशा में एक छलांग थी, कुछ ऐसा जो चेहरा पहचान या छवि सुधार उपकरण की अनुमति देता है जो अब आम हैं।
डीप लर्निंग
हिंटन ने हॉपफील्ड के काम को आगे बढ़ाया और कृत्रिम नेटवर्क विकसित किए जो बहुत अधिक जटिल कार्य कर सकते थे। इसलिए, जबकि हॉपफील्ड नेटवर्क आकार या ध्वनि के सरल पैटर्न को पहचान सकते थे, हिंटन के उन्नत मॉडल आवाज़ और चित्रों को समझ सकते थे। इन तंत्रिका नेटवर्क को मजबूत किया जा सकता था, और पैटर्न पहचान में उनकी सटीकता को डेटा के बार-बार इनपुट के माध्यम से बढ़ाया जा सकता था, जिसे प्रशिक्षण कहा जाता है। हिंटन ने बैकप्रोपेगेशन नामक एक विधि विकसित की जिसने कृत्रिम तंत्रिका नेटवर्क को पिछली गलतियों से सीखने और खुद को बेहतर बनाने में सक्षम बनाया।
बड़े डेटासेट पर प्रशिक्षण द्वारा निरंतर सीखने और सुधार की प्रक्रिया ने डीप न्यूरल नेटवर्क के विकास को जन्म दिया जिसमें नेटवर्क की कई परतें शामिल थीं। हिंटन ने प्रदर्शित किया कि डीप नेटवर्क के परिणामस्वरूप बड़े डेटासेट में अधिक जटिल विशेषताओं और पैटर्न को सीखा जा सकता है। डीप लर्निंग आधुनिक भाषण और छवि पहचान, अनुवाद, आवाज सहायता और स्व-चालित कारों के केंद्र में है।
हिंटन के डीप नेटवर्क की शक्ति का सबसे शानदार प्रदर्शन 2012 इमेजनेट विज़ुअल रिकॉग्निशन चैलेंज में किया गया था, जो छवि पहचान में नई तकनीकों का परीक्षण करने के लिए आयोजित एक प्रतियोगिता थी। हिंटन और उनके छात्रों द्वारा विकसित डीप न्यूरल नेटवर्क का उपयोग करके पैटर्न पहचान एल्गोरिदम, जिसे एलेक्सनेट कहा जाता है, ने छवियों को पहचानने में नाटकीय सुधार दिखाया।
“यह कृत्रिम बुद्धिमत्ता के विकास में एक महत्वपूर्ण क्षण था। तब तक, इन न्यूरल नेटवर्क की वास्तविक उपयोगिता को बहुत अच्छी तरह से पहचाना और प्रदर्शित नहीं किया गया था। अब, निश्चित रूप से, मशीन लर्निंग का उपयोग विभिन्न क्षेत्रों में किया जा रहा है.
मुंबई में टाटा इंस्टीट्यूट ऑफ फंडामेंटल रिसर्च में खगोल विज्ञान और खगोल भौतिकी विभाग के श्रवण हनासोगे ने कहा। हनासोगे खुद भी सितारों के अपने अध्ययन के लिए मशीन लर्निंग का व्यापक रूप से उपयोग करते हैं।
हम बहुत बड़ी मात्रा में डेटा से निपटते हैं जो संभावनाओं से भरा होता है। मशीन लर्निंग हमें उन डेटासेट पर ध्यान केंद्रित करने में मदद करती है जिनमें नई या दिलचस्प जानकारी की अधिक संभावनाएँ होती हैं
2018 में, हिंटन को कंप्यूटर विज्ञान में सबसे प्रतिष्ठित पुरस्कार ट्यूरिंग पुरस्कार से सम्मानित किया गया। वास्तव में, हिंटन का पूरा काम कंप्यूटर विज्ञान में रहा है, जबकि हॉपफील्ड ने भौतिकी, तंत्रिका विज्ञान और जीव विज्ञान में योगदान दिया है। हैदराबाद विश्वविद्यालय के पूर्व प्रोफेसर श्रीवास्तव ने कहा कि भौतिकी का नोबेल मुख्य रूप से इसलिए प्रासंगिक है क्योंकि हॉपफील्ड के 1982 के काम ने भौतिकी में कुछ पहले की सफलताओं से प्रेरणा ली थी।
‘स्पिन ग्लास’ भौतिक प्रणाली से प्रेरित
हॉपफील्ड का नेटवर्क ‘स्पिन ग्लास’ नामक एक भौतिक प्रणाली से प्रेरित था, जो कुछ बहुत ही विशेष गुणों वाली मिश्र धातु है। स्पिन ग्लास और उसके गणित के कामकाज को कृत्रिम तंत्रिका नेटवर्क पर मैप किया गया था
