मशीन लर्निंग (एमएल) कृत्रिम बुद्धिमत्ता (एआई) का एक उप-विषय है जो एल्गोरिथम मॉडल बनाने पर केंद्रित है जो डेटा में पैटर्न और संबंधों की पहचान कर सकता है। इस संदर्भ में, मशीन शब्द कंप्यूटर प्रोग्राम का एक पर्याय है और शब्द सीखने का वर्णन करता है कि अतिरिक्त डेटा प्राप्त होने पर एमएल एल्गोरिदम स्वचालित रूप से अधिक सटीक कैसे हो जाएंगे।
मशीन लर्निंग की अवधारणा नई नहीं है, लेकिन इंटरनेट के आगमन और बिग डेटा एनालिटिक्स और क्लाउड कंप्यूटिंग में हालिया प्रगति तक व्यवसाय में इसका व्यावहारिक अनुप्रयोग आर्थिक रूप से संभव नहीं था। ऐसा इसलिए है क्योंकि डेटा में पैटर्न खोजने के लिए एमएल एल्गोरिथम को प्रशिक्षित करने के लिए बहुत बड़े डेटा सेट की आवश्यकता होती है।
आज, मशीन लर्निंग कई तरह के व्यवसाय से संबंधित कार्यों में एक महत्वपूर्ण भूमिका निभाता है जो भविष्य कहनेवाला विश्लेषण पर निर्भर करता है - जिसमें जोखिम विश्लेषण और धोखाधड़ी का पता लगाने के साथ-साथ आवाज और छवि पहचान भी शामिल है।
मशीन लर्निंग इंजीनियर क्या करता है?
एक एमएल इंजीनियर का काम मशीन लर्निंग ऑपरेशंस (एमएलओपीएस) पर केंद्रित होता है। मशीन लर्निंग ऑपरेशंस मशीन लर्निंग मॉडल के पूरे जीवनचक्र को प्रबंधित करने का एक तरीका है - जिसमें इसका प्रशिक्षण, ट्यूनिंग, उत्पादन वातावरण में रोजमर्रा का उपयोग और अंतिम सेवानिवृत्ति शामिल है। यही कारण है कि एमएल इंजीनियरों को डेटा मॉडलिंग, फीचर इंजीनियरिंग और प्रोग्रामिंग का कार्यसाधक ज्ञान होना चाहिए - गणित और सांख्यिकी में एक मजबूत पृष्ठभूमि होने के अलावा।
आदर्श रूप से, एक ही संगठन में डेटा वैज्ञानिक और एमएल इंजीनियर यह तय करते समय सहयोग करेंगे कि किसी विशेष व्यावसायिक समस्या को हल करने के लिए किस प्रकार का लर्निंग एल्गोरिदम सबसे अच्छा काम करेगा, लेकिन कुछ उद्योगों में एमएल इंजीनियर का काम यह तय करने तक सीमित है कि प्रशिक्षण के लिए किस डेटा का उपयोग किया जाना चाहिए और मशीन लर्निंग मॉडल के परिणामों को कैसे मान्य किया जाएगा।
मशीन लर्निंग मॉडल केवल एक एमएल एल्गोरिथम का आउटपुट है जिसे डेटा पर चलाया गया है। मशीन लर्निंग मॉडल के निर्माण में शामिल चरणों में निम्नलिखित शामिल हैं:
- प्रशिक्षण डेटा इकट्ठा करें।
- प्रशिक्षण के लिए डेटा तैयार करें।
- तय करें कि किस लर्निंग एल्गोरिथम का उपयोग करना है।
- लर्निंग एल्गोरिदम को प्रशिक्षित करें।
- लर्निंग एल्गोरिदम के आउटपुट का मूल्यांकन करें।
- यदि आवश्यक हो, तो आउटपुट में सुधार के लिए प्रशिक्षण प्रक्रिया को नियंत्रित करने वाले चर (हाइपरपैरामीटर) को समायोजित करें।
मशीन लर्निंग को कैसे प्रशिक्षित किया जाता है?
एक विशिष्ट एमएल सेटिंग में, एल्गोरिथ्म के लिए एक डेटासेट की आवश्यकता होती है जिसमें ऐसे उदाहरण होते हैं जहां प्रत्येक उदाहरण में एक इनपुट और आउटपुट होता है। ऐसी सेटिंग में, एमएल एल्गोरिथम का एक विशिष्ट उद्देश्य भविष्य कहनेवाला मॉडल के मापदंडों को अद्यतन करना है ताकि यह सुनिश्चित हो सके कि यह वांछित परिणामों की भविष्यवाणी करता है।
प्रशिक्षण के लिए एक एमएल इंजीनियर तीन मुख्य प्रकार के एल्गोरिदम का उपयोग कर सकता है: पर्यवेक्षित शिक्षण, अनुपयोगी शिक्षण और सुदृढीकरण सीखना।
- पर्यवेक्षित शिक्षण - एल्गोरिथ्म को लेबल प्रशिक्षण डेटा (इनपुट) दिया जाता है और सही उत्तर (आउटपुट) दिखाया जाता है। इस प्रकार का लर्निंग एल्गोरिदम नए, आने वाले डेटा के आउटपुट मानों की भविष्यवाणी करने के लिए ऐतिहासिक डेटा सेट से परिणामों का उपयोग करता है।
- अनुपयोगी शिक्षा - एल्गोरिथ्म को प्रशिक्षण डेटा दिया जाता है जिसे लेबल नहीं किया जाता है। सही आउटपुट की भविष्यवाणी करने के लिए कहने के बजाय, इस प्रकार का लर्निंग एल्गोरिदम प्रशिक्षण डेटा का उपयोग पैटर्न का पता लगाने के लिए करता है जिसे बाद में डेटा के अन्य समूहों पर लागू किया जा सकता है जो समान व्यवहार प्रदर्शित करते हैं। कुछ स्थितियों में, प्रशिक्षण के दौरान बड़ी मात्रा में लेबल रहित डेटा के साथ लेबल किए गए डेटा की एक छोटी मात्रा का उपयोग करना आवश्यक हो सकता है। इस प्रकार के प्रशिक्षण को अक्सर अर्ध-पर्यवेक्षित मशीन लर्निंग के रूप में जाना जाता है।
- सुदृढीकरण सीखना - प्रशिक्षण डेटा दिए जाने के बजाय, एल्गोरिथ्म को एक इनाम संकेत दिया जाता है और डेटा में पैटर्न की तलाश करता है जो इनाम देगा। इस प्रकार के लर्निंग एल्गोरिदम का इनपुट अक्सर भौतिक या डिजिटल वातावरण के साथ लर्निंग एल्गोरिदम की बातचीत से प्राप्त होता है।
मशीन लर्निंग में पूर्वाग्रह का क्या कारण है?
आर्टिफिशियल इंटेलिजेंस के लिए आम जनता की बढ़ती इच्छा है - और विशेष रूप से मशीन लर्निंग एल्गोरिदम - पारदर्शी और व्याख्या योग्य होने के लिए, लेकिन मशीन लर्निंग के लिए एल्गोरिथम पारदर्शिता केवल साझा करने की तुलना में अधिक जटिल हो सकती है जो एक विशेष भविष्यवाणी करने के लिए एल्गोरिदम का उपयोग किया गया था।
बहुत से लोग जो एमएल के लिए नए हैं, यह जानकर हैरान हैं कि यह गणितीय एल्गोरिदम नहीं है जो गुप्त हैं; वास्तव में, आज उपयोग में आने वाले अधिकांश लोकप्रिय एमएल एल्गोरिदम स्वतंत्र रूप से उपलब्ध हैं। यह प्रशिक्षण डेटा है जिसका मालिकाना मूल्य है, न कि उपयोग किए गए एल्गोरिदम।
दुर्भाग्य से, क्योंकि सीखने वाले एल्गोरिदम को प्रशिक्षित करने के लिए उपयोग किए जाने वाले डेटा को एक इंसान द्वारा चुना जाता है, यह अनजाने में बनाए जा रहे एमएल मॉडल में पूर्वाग्रह का परिचय दे सकता है। एल्गोरिदम सीखने की पुनरावृत्ति प्रकृति भी एमएल इंजीनियरों को वापस जाने और किसी विशेष भविष्यवाणी के पीछे तर्क का पता लगाने में मुश्किल बना सकती है।
जब एक डेटा वैज्ञानिक या एमएल इंजीनियर के लिए यह समझाना संभव होता है कि एक विशिष्ट भविष्यवाणी कैसे की गई, तो एक एमएल मॉडल को व्याख्यात्मक एआई के रूप में संदर्भित किया जा सकता है। जब यह प्रकट करना संभव नहीं है कि एक विशिष्ट भविष्यवाणी कैसे की गई थी, या तो क्योंकि गणित बहुत जटिल हो गया है या प्रशिक्षण डेटा मालिकाना है, एमएल मॉडल को ब्लैक बॉक्स एआई के रूप में संदर्भित किया जा सकता है।
मशीन लर्निंग बनाम आर्टिफिशियल इंटेलिजेंस
आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग शब्द को कभी-कभी समानार्थक शब्द के रूप में उपयोग किया जाता है क्योंकि इतिहास के इस बिंदु पर, अधिकांश एआई पहल संकीर्ण हैं। ऐसा इसलिए है क्योंकि आज उपयोग में एआई आमतौर पर किसी एक कार्य को करने के लिए पर्यवेक्षित मशीन लर्निंग पर निर्भर करता है।
इसके विपरीत, मजबूत एआई (जिसे आर्टिफिशियल जनरल इंटेलिजेंस भी कहा जाता है) का लक्ष्य कंप्यूटर को किसी भी बौद्धिक कार्य को सफलतापूर्वक करने की अनुमति देना है जिसे एक इंसान पूरा करने में सक्षम है।
0 Comments