वर्ष की शुरुआत में, मैंने अपने व्यक्तिगत और व्यावसायिक विकास को आगे बढ़ाने के लिए उद्देश्य और मुख्य परिणाम (ओकेआर) निर्धारित किए। मैंने एक शोध परियोजना में योगदान देकर, डेटा विज्ञान में एक प्रशिक्षु को सलाह देकर और प्रशिक्षण देकर, 28 पुस्तकें पढ़कर अपने ज्ञान का विस्तार करके और अपनी अंग्रेजी दक्षता को अर्हता प्राप्त करने के लिए अपने EFSET परीक्षा स्कोर में 15 अंकों से सुधार करके अपने OKR की ओर काम किया। इसके अतिरिक्त, मैंने कई पाठ्यक्रमों में शीर्ष स्कोर के साथ विशेषज्ञता पूरी करके उत्पादन के लिए मशीन लर्निंग (MLOps) में अपनी विशेषज्ञता को गहरा किया।
इन उपलब्धियों के सम्मान में, गैलाक्सिया ने मुझे ECAI सम्मेलन में भाग लेने का अवसर प्रदान किया, जो एक प्रतिष्ठित कार्यक्रम है जो कृत्रिम बुद्धिमत्ता में नवीनतम प्रगति के बारे में अमूल्य जानकारी प्रदान करता है। सम्मेलन सैंटियागो डे कॉम्पोस्टेला के लुभावने शहर में आयोजित किया गया था, एक ऐसी जगह जो समय में पीछे जाने जैसा महसूस कराती है। इसकी कोबलस्टोन सड़कों और मध्ययुगीन वास्तुकला से गुजरते हुए, ऐसा लगा जैसे मैं अचानक 14वीं सदी में पहुँच गया हूँ, इतिहास की किताब के पन्नों से गुज़र रहा हूँ। शहर की सुंदरता और समृद्ध विरासत ने इस अनुभव को और भी अविस्मरणीय बना दिया। इस ब्लॉग में, मैं अपनी यात्रा और सम्मेलन से मिली मुख्य बातों को साझा करूँगा।
कृत्रिम बुद्धिमत्ता पर 27वां यूरोपीय सम्मेलन (ईसीएआई)
ईसीएआई का आयोजन 19 से 24 अक्टूबर, 2024 तक किया गया, तथा इसमें वैश्विक एआई अनुसंधान समुदाय के 1,600 से अधिक प्रतिनिधियों ने भाग लिया।
सम्मेलन में तकनीकी शोधपत्रों की प्रस्तुति, कार्यशालाओं, ट्यूटोरियल, आमंत्रित वार्ता और विशेष सत्रों सहित एक व्यापक कार्यक्रम प्रस्तुत किया गया। इस ब्लॉग में, मैं कार्यक्रम के दौरान उपस्थित प्रस्तुतियों और ट्यूटोरियल का सारांश प्रस्तुत करूँगा। सभी लेख [1] में प्रकाशित हैं ।
प्रमुख विषयों
क. नैतिकता और निष्पक्षता
एआई सिस्टम में जवाबदेही: सामान्य प्रयोजन वाले एआई से जुड़े जोखिमों का समाधान करना और सुरक्षित एवं नैतिक तैनाती सुनिश्चित करने के लिए तंत्र तैयार करना।
एआई का दुरुपयोग: एआई के दुर्भावनापूर्ण उपयोग, विशेष रूप से सोशल मीडिया जैसे संवेदनशील क्षेत्रों में, जैसी नैतिक दुविधाओं से निपटना।
निष्पक्षता और समावेशिता: एआई-संचालित निर्णय लेने वाली प्रणालियों में न्यायसंगत और आनुपातिक प्रतिनिधित्व की वकालत करना।
कृत्रिम बुद्धिमत्ता में व्याख्यात्मकता: विश्वास और समझ को बढ़ावा देने के लिए कृत्रिम बुद्धिमत्ता प्रणालियों को पारदर्शी और व्याख्या योग्य बनाना, जिससे हितधारकों को यह समझने में मदद मिले कि निर्णय कैसे लिए जाते हैं।
बी. स्थिरता
कृत्रिम बुद्धिमत्ता का पर्यावरणीय प्रभाव: मशीन लर्निंग प्रक्रियाओं के बढ़ते कार्बन फुटप्रिंट को स्वीकार करना और टिकाऊ प्रथाओं को बढ़ावा देना।
संसाधनों का कुशल उपयोग: संसाधनों की बर्बादी को कम करने और पर्यावरणीय नुकसान को कम करने के लिए एआई प्रणालियों की दक्षता में सुधार करने पर केंद्रित।
सी. सक्रिय शिक्षण और अनुकूलन को बढ़ाना
सक्रिय शिक्षण: बेहतर एल्गोरिदम विकसित करना जो लक्षित प्रश्नों और प्रतिउदाहरणों का उपयोग करके स्वयं को परिष्कृत कर सकते हैं, जिससे मॉडल की दक्षता में सुधार होता है।
अनुकूलन: शास्त्रीय एआई नियोजन प्रणालियों के प्रदर्शन को बेहतर बनाने, उन्हें अधिक प्रभावी और विश्वसनीय बनाने के लिए अध्ययन करना।
D. प्रक्रियाओं और प्रणालियों में एआई अनुप्रयोग
घोषणात्मक प्रक्रियाएं: बेहतर वर्कफ़्लो स्वचालन के लिए प्रक्रिया खनन, प्रतिनिधित्व और संश्लेषण को अनुकूलित करने के लिए एआई का उपयोग करना।
बहु-एजेंट सहयोग: जटिल, बहु-उद्देश्यीय परिदृश्यों से निपटने में बहु-एजेंट प्रणालियों की चुनौतियों और अवसरों का अन्वेषण।
विसंगति पहचान: कृत्रिम बुद्धिमत्ता का उपयोग करके डेटा में असामान्य पैटर्न या विचलन की पहचान करना जो त्रुटियों, धोखाधड़ी या सिस्टम विफलताओं का संकेत दे सकते हैं। इसमें निर्णय लेने की क्षमता बढ़ाने और सिस्टम की अखंडता बनाए रखने के लिए वास्तविक समय की निगरानी और पूर्वानुमान विश्लेषण शामिल हैं।
ई. सामान्य प्रयोजन एआई
एजीआई को परिभाषित करना, उसका मूल्यांकन करना और उसमें सुधार करना: विविध कार्यों में सक्षम एआई के लिए सीमाओं की पहचान करने और मानकीकृत समाधान प्रस्तावित करने पर बढ़ता ध्यान।
प्रमुख विधियाँ
ए. बड़े भाषा मॉडल
बी. सुदृढीकरण सीखना
C. मल्टी-एजेंट सिस्टम
डी. कंप्यूटर विजन
सम्मेलन की मुख्य बातें
1. नैतिकता और निष्पक्षता
व्यवहारिक दृष्टिकोण से एआई नैतिकता को लागू करना [ 2] कार्यशाला में एआई प्रणालियों को मानवीय मूल्यों के साथ संरेखित करने के तरीकों का पता लगाया गया, जिसमें निष्पक्षता, पूर्वाग्रह में कमी और पारदर्शिता पर जोर दिया गया। इसमें पारंपरिक सटीकता मापदंडों से आगे बढ़कर वास्तविक दुनिया की चुनौतियों को प्रतिबिंबित करने वाली मूल्यांकन विधियों को अपनाने की आवश्यकता पर प्रकाश डाला गया, जैसे कि स्वास्थ्य सेवा में रोगी-केंद्रित मापदंड। कार्यशाला में डेटा रिसाव को रोकने और विश्वसनीयता सुनिश्चित करने के लिए मजबूत बहु-केंद्रित मूल्यांकन प्रक्रियाओं को लागू करने के महत्व पर भी चर्चा की गई।
एक अन्य महत्वपूर्ण योगदान एथिकल एआई गवर्नेंस: मेथड्स फॉर इवैल्यूएटिंग ट्रस्टवर्दी एआई [3] था , जिसमें एआई मूल्यांकन विधियों को वैचारिक, मैनुअल, अर्ध-स्वचालित और स्वचालित दृष्टिकोणों में वर्गीकृत किया गया था। इस शोधपत्र में तर्क दिया गया कि हालांकि स्वचालित उपकरण पूर्वाग्रह और व्याख्यात्मकता संबंधी समस्याओं का कुशलतापूर्वक पता लगा सकते हैं, फिर भी सूक्ष्म नैतिक निर्णय लेने के लिए मानवीय निगरानी आवश्यक बनी हुई है। मानकीकरण की कमी और विश्वसनीयता आकलन में विसंगतियों जैसी चुनौतियों का भी समाधान किया गया, जिसमें एकीकृत मूल्यांकन ढाँचों की आवश्यकता पर बल दिया गया।
इसके अतिरिक्त, PEACE (Providing Explanations and Analysis for Combating Hate Expressions) [1] नामक शोध पत्र में एक वेब टूल प्रस्तुत किया गया है जो सूक्ष्म और छिपे हुए घृणास्पद भाषणों का पता लगाने के लिए डिज़ाइन किया गया है, जिन्हें पारंपरिक मॉडल अक्सर अनदेखा कर देते हैं। विज़ुअलाइज़ेशन टूल और व्याख्या योग्य एआई तकनीकों को एकीकृत करके, PEACE सामग्री मॉडरेटरों को ऑनलाइन प्लेटफॉर्म पर स्पष्ट और अस्पष्ट दोनों प्रकार के घृणास्पद भाषणों को बेहतर ढंग से समझने और उनसे निपटने में मदद करता है।
2। स्थिरता
अधिक (पर्याप्त) बेहतर है: कम-शॉट अवैध लैंडफिल अपशिष्ट विभाजन की ओर [1] ने न्यूनतम लेबल किए गए डेटा के साथ हवाई छवियों में अवैध अपशिष्ट स्थलों का पता लगाने की चुनौती का समाधान किया। प्रस्तावित दृष्टिकोण ने व्यापक मैन्युअल एनोटेशन की आवश्यकता को कम करते हुए पता लगाने की सटीकता में सुधार करने के लिए कम-शॉट लर्निंग तकनीकों और सिंथेटिक डेटा जनरेशन का लाभ उठाया। इस शोध ने इस बात पर जोर दिया कि वास्तविक दुनिया की पर्यावरणीय समस्याओं को कुशलतापूर्वक हल करने के लिए एआई का उपयोग कैसे किया जा सकता है।
एक अन्य महत्वपूर्ण शोध पत्र, ज़ीरो-वेस्ट मशीन लर्निंग [1] , ने एआई मॉडल अनुकूलन के लिए स्थिरता-आधारित दृष्टिकोण प्रस्तुत किया। लेखकों ने चक्रीय अर्थव्यवस्था सिद्धांतों से प्रेरित एक ढांचा प्रस्तावित किया, जो मॉडल की दक्षता बढ़ाने के लिए गणनाओं और ज्ञान के पुन: उपयोग पर केंद्रित है। प्रमुख तकनीकों में सशर्त गणना, निरंतर अधिगम और संसाधन पुनर्चक्रण शामिल थे, जिससे यह सुनिश्चित होता है कि एआई प्रणालियाँ प्रदर्शन से समझौता किए बिना संसाधन-कुशल बनी रहें।
स्थिरता के संदर्भ में बहु-एजेंट और बहु-उद्देश्यीय निर्णय लेने की प्रक्रिया के प्रबंधन की व्यापक चुनौती का अध्ययन " दुनिया एक बहु-उद्देश्यीय बहु-एजेंट प्रणाली है: अब आगे क्या?" [1] नामक अध्ययन में किया गया था। इस अध्ययन में यह जांच की गई कि एआई परस्पर विरोधी प्राथमिकताओं, जैसे कि पर्यावरणीय स्थिरता और आर्थिक लक्ष्यों के बीच संतुलन स्थापित करना, को कैसे संबोधित कर सकता है। एआई प्रणालियों में व्याख्यात्मकता और पारदर्शिता को एकीकृत करके, इस शोध का उद्देश्य बड़े पैमाने पर निर्णय लेने वाले अनुप्रयोगों में विश्वास और इसके उपयोग को बढ़ाना था।
3. सक्रिय शिक्षण और अनुकूलन को बढ़ाना
ट्यूटोरियल "बियॉन्ड ट्रायल एंड एरर: ऑटोमेटेड रीइन्फोर्समेंट लर्निंग" [4] ने रीइन्फोर्समेंट लर्निंग (RL) प्रक्रियाओं के स्वचालन के बारे में जानकारी प्रदान की। ऑटो-RL विधियों का उद्देश्य हाइपरपैरामीटर ट्यूनिंग और एल्गोरिदम चयन जैसे पारंपरिक रूप से मैन्युअल कार्यों को सरल बनाना है, जिससे RL अधिक सुलभ और वास्तविक दुनिया के अनुप्रयोगों के अनुकूल बन सके। ट्यूटोरियल में मॉडल की संवेदनशीलता और प्रदर्शन पर हाइपरपैरामीटर के प्रभाव को भी शामिल किया गया है, जो स्वचालित अनुकूलन तकनीकों के महत्व को रेखांकित करता है।
एक संबंधित अध्ययन, मल्टी-ऑब्जेक्टिव ऑटोएमएल के लिए हाइपरपैरामीटर महत्व विश्लेषण [1] , ने मॉडल सटीकता बनाम कम्प्यूटेशनल लागत जैसे प्रतिस्पर्धी उद्देश्यों को संतुलित करने में हाइपरपैरामीटर ट्यूनिंग की भूमिका का पता लगाया। लेखकों ने यह पहचानने के लिए नवीन विश्लेषण तकनीकों का परिचय दिया कि किन हाइपरपैरामीटर का सबसे महत्वपूर्ण प्रभाव होता है, जिससे मल्टी-ऑब्जेक्टिव एआई मॉडल को अनुकूलित करने के लिए मूल्यवान अंतर्दृष्टि प्राप्त होती है।
इसके अतिरिक्त, सर्वाइवल ऑफ़ द फिटेस्ट: इवोल्यूशनरी एडैप्टेशन ऑफ़ पॉलिसीज़ फॉर एनवायरनमेंटल शिफ्ट्स [1] नामक अध्ययन ने सुदृढ़ीकरण अधिगम के लिए एक विकासवादी दृष्टिकोण प्रस्तुत किया। इस अध्ययन में इवोल्यूशनरी रोबस्ट पॉलिसी ऑप्टिमाइजेशन (ERPO) नामक तकनीक का प्रस्ताव दिया गया, जो AI मॉडलों को व्यापक पुनर्प्रशिक्षण की आवश्यकता के बिना बदलते परिवेश के अनुकूल ढलने में सक्षम बनाती है। इस शोध का उन अनुप्रयोगों के लिए महत्व है जहाँ AI प्रणालियों को गतिशील और अप्रत्याशित परिस्थितियों में कार्य करना होता है, जैसे कि रोबोटिक्स और वित्तीय मॉडलिंग।
4. प्रक्रियाओं और प्रणालियों में एआई अनुप्रयोग
औद्योगिक विसंगति पहचान के लिए स्मृति अनुकूली और स्थानिक रूप से विशिष्ट मॉडल समूह नामक शोध पत्र [1] में औद्योगिक प्रणालियों में विसंगतियों का पता लगाने के लिए कई विशिष्ट मॉडलों को गतिशील रूप से एकीकृत करने वाला एक ढांचा प्रस्तुत किया गया है। स्मृति अनुकूलन को स्थानिक विशेषज्ञता के साथ मिलाकर, यह ढांचा विविध और विकसित होते डेटा वितरणों को संभालने की एआई की क्षमता को बढ़ाता है। यह दृष्टिकोण औद्योगिक अनुप्रयोगों में अत्यधिक प्रभावी सिद्ध हुआ है, जहां पारंपरिक स्थिर मॉडल अवधारणा विचलन और बदलती परिचालन स्थितियों से जूझते हैं।
एक अन्य प्रासंगिक अध्ययन, अनसुपरवाइज्ड एनोमली डिटेक्शन के लिए कैस्केड मेमोरी [1] , ने अनसुपरवाइज्ड मॉडल में अतिसामान्यीकरण की चुनौती का समाधान किया। कई मौजूदा एनोमली डिटेक्शन विधियाँ सामान्य और असामान्य डेटा के बीच अंतर करने में असमर्थ हैं, जिससे उच्च फॉल्स-पॉजिटिव दरें प्राप्त होती हैं। प्रस्तावित कैस्केड मेमोरी आर्किटेक्चर सामान्य पैटर्न पर ध्यान केंद्रित करता है, साथ ही सिस्टम को एनोमली को अधिक प्रभावी ढंग से अलग करने की अनुमति देता है। इस विधि ने विभिन्न बेंचमार्क डेटासेट, विशेष रूप से जटिल वास्तविक दुनिया के परिदृश्यों में, अत्याधुनिक प्रदर्शन प्रदर्शित किया।
लेबल किए गए डेटा के बिना विसंगति पहचान मॉडल के सत्यापन पर ' अनसुपरवाइज्ड मॉडल वैलिडेशन की ओर ' [1] में चर्चा की गई थी । इस अध्ययन में विसंगति पहचान प्रणालियों का मूल्यांकन करने के लिए मॉडलों के एक "सटीक रूप से विविध" समूह के उपयोग का प्रस्ताव दिया गया था, जिसमें मॉडल की विश्वसनीयता का आकलन करने के लिए सहसंबंध-आधारित रैंकिंग तकनीकों का उपयोग किया गया था। अनसुपरवाइज्ड वैलिडेशन के लिए एक संरचित दृष्टिकोण प्रदान करके, इस शोध ने एआई-संचालित विसंगति पहचान को अधिक मजबूत और स्केलेबल बनाने में योगदान दिया।
5. सामान्य प्रयोजन एआई
मानव-मशीन युग में भाषा समझ [5] कार्यशाला ने संवादात्मक एआई और मशीन अनुवाद जैसे अनुप्रयोगों में बड़े भाषा मॉडल (एलएलएम) की विकसित भूमिका का पता लगाया। हालांकि एलएलएम ने प्रभावशाली क्षमताएं प्रदर्शित की हैं, कार्यशाला ने मानव भाषा को सही मायने में समझने में उनकी सीमाओं पर जोर दिया, विशेष रूप से उन संदर्भों में जिनमें गहन तर्क और प्रासंगिक जागरूकता की आवश्यकता होती है।
अंत में, शोधपत्र " सामान्य प्रयोजन कृत्रिम बुद्धिमत्ता के लक्षण वर्णन के लिए सावधानियां और समाधान" [1] ने जीपीएआई की व्यापकता और क्षमता के मापन की व्यापक चुनौती का समाधान किया। लेखकों ने अनुकूलन क्षमता परीक्षणों सहित नई बेंचमार्किंग रणनीतियों का प्रस्ताव दिया, जो विविध और बदलते कार्यों में एआई प्रदर्शन का आकलन करते हैं। उन्होंने जीपीएआई की अवधारणा को परिष्कृत करने के लिए दर्शनशास्त्र और संज्ञानात्मक विज्ञान से अंतर्विषयक अंतर्दृष्टि की भी वकालत की, जिससे एआई मूल्यांकन में पारदर्शिता और व्याख्यात्मकता के महत्व पर बल दिया गया।
सारांश
ईसीएआई ने एआई के भविष्य को आकार देने वाले प्रमुख विषयों पर चर्चा की, जिसमें नैतिकता, स्थिरता, अनुकूलन और वास्तविक दुनिया के अनुप्रयोग शामिल हैं। नैतिकता और निष्पक्षता पर चर्चाओं में पारदर्शी, निष्पक्ष एआई प्रणालियों के महत्व पर जोर दिया गया जो मानवीय मूल्यों के साथ संरेखित हैं।
स्थिरता प्रयासों ने ऊर्जा-कुशल तरीकों और जिम्मेदार संसाधन उपयोग के माध्यम से एआई के पर्यावरणीय प्रभाव को कम करने पर ध्यान केंद्रित किया। सक्रिय शिक्षण और अनुकूलन में प्रगति ने गतिशील वातावरण के लिए एआई प्रणालियों को स्वचालित और अनुकूलित करने की तकनीकों पर प्रकाश डाला। लागू एआई में, प्रक्रिया अनुकूलन और निर्णय लेने के नवाचारों ने औद्योगिक और सामाजिक चुनौतियों के लिए व्यावहारिक समाधान प्रदर्शित किए। सम्मेलन ने सामान्य प्रयोजन एआई की जटिलताओं की भी जांच की, जिसमें अनुकूलनशीलता, पारदर्शिता और अंतःविषय सहयोग की आवश्यकता पर जोर दिया गया। कुल मिलाकर, ECAI ने वैश्विक चुनौतियों का सामना करने के लिए नैतिक, कुशल और अनुकूलनीय एआई प्रणालियों के विकास को रेखांकित किया।
संदर्भ
[1] ECAI 2024 कार्यवाही – कृत्रिम बुद्धिमत्ता पर 27वां यूरोपीय सम्मेलन (ECAI), 19-24 अक्टूबर, 2024, सैंटियागो डी कॉम्पोस्टेला, स्पेन। आईओएस प्रेस। यहां उपलब्ध: https://ebooks.iospress.nl/volume/ecai-2024-27theuropean-conference-on-artificial-intelligence-1924-october-2024santiago-de-compostela-spain-including-pais-2024
[2] एआईईबी-ईसीएआई 2024 कार्यशाला – व्यवहारिक दृष्टिकोण से एआई नैतिकता का कार्यान्वयन। ईसीएआई 2024। यहां उपलब्ध है: https://aieb-ecai2024.framer.ai/
[3] मैककॉर्मैक, एल., और बेन्डेचाचे, एम. (2024) . नैतिक एआई शासन: विश्वसनीय एआई के मूल्यांकन के तरीके। arXiv. https://arxiv.org/abs/2409.07473 पर उपलब्ध है
[4] ECAI 2024 AutoRL ट्यूटोरियल – ट्रायल एंड एरर से परे: स्वचालित रीइन्फोर्समेंट लर्निंग पर एक ट्यूटोरियल। यहां उपलब्ध है: लिंक
[5] LUHME कार्यशाला, ECAI 2024 – मानव-मशीन युग में भाषा समझ। यहाँ उपलब्ध है: https://luhme.web.uah.es/
