A Look into How Machine Learning is Reshaping Engineering Models: the Rise of Analysis Paralysis, Optimal yet Infeasible Solutions, and the Inevitable Rashomon Paradox
यह शोध पत्र विभिन्न तार्किक सूत्रीकरणों के माध्यम से मशीन लर्निंग (ML) एकीकरण द्वारा कैसे तीन महत्वपूर्ण विरोधाभासों—विश्लेषण पक्षाघात (analysis paralysis), अव्यवहार्य समाधान (infeasible solutions), और रॅशोमन प्रभाव (Rashomon effect)—को जन्म दिया जा सकता है, यह प्रदर्शित करते हुए पारंपरिक सिविल इंजीनियरिंग प्रथाओं और मशीन लर्निंग के बीच के दार्शनिक तनावों का अन्वेषण करता है, जिससे इन उभरती प्रौद्योगिकियों को स्थापित सिद्धांतों के साथ सामंजस्य बिठाने के लिए इंजीनियरिंग शिक्षा और कार्यप्रणाली में एक मौलिक ज्ञानमीमांसीय (epistemological) परिवर्तन का तर्क दिया गया है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
सिविल इंजीनियरिंग लंबे समय से इमारतों को खड़ा रखने के लिए भरोसेमंद, हालांकि अपूर्ण, उपकरणों के एक समूह पर निर्भर रही है। दशकों से, इंजीनियर सरल सूत्रों का उपयोग करते आए हैं जो वर्षों के अवलोकन और परीक्षण से प्राप्त हुए हैं, ताकि यह अनुमान लगाया जा सके कि एक कंक्रीट बीम कितना भार सह सकता है या एक स्टील कॉलम आग के प्रति कैसी प्रतिक्रिया देगा। ये 'रूल्स ऑफ थंब' (अनुभव आधारित नियम) पूर्ण नहीं हैं; वे अक्सर उन जटिल विवरणों की अनदेखी करते हैं कि सामग्रियां वास्तव में कैसे व्यवहार करती हैं। फिर भी, उन्हें स्वीकार किया जाता है क्योंकि वे पारदर्शी हैं, जांचने में आसान हैं, और उन्होंने पीढ़ियों से लोगों को सुरक्षित रखा है। आज, एक नए प्रकार का उपकरण क्षेत्र में प्रवेश कर रहा है: मशीन लर्निंग। ये ऐसे कंप्यूटर प्रोग्राम हैं जो उन पैटर्न को खोजने के लिए विशाल मात्रा में डेटा से सीखते हैं जिन्हें इंसान शायद मिस कर दें। जबकि ये प्रोग्राम आश्चर्यजनक सटीकता के साथ परिणामों की भविष्यवाणी कर सकते हैं, वे अक्सर एक 'ब्लैक बॉक्स' की तरह काम करते हैं, जो बिना यह समझाए कि इसके पीछे का "क्यों" क्या है, केवल एक उत्तर देते हैं। यह पेशे के लिए एक तनाव पैदा करता है। इंजीनियरों को अपने ढांचों को नियंत्रित करने वाले भौतिक नियमों को समझने के लिए प्रशिक्षित किया जाता है, लेकिन अब उनसे ऐसे सिस्टम पर भरोसा करने के लिए कहा जा रहा है जो शायद उनकी ही भाषा नहीं बोलते। सवाल अब केवल यह नहीं है कि क्या ये कंप्यूटर बेहतर भविष्यवाणी कर सकते हैं, बल्कि यह है कि क्या वे मानवीय अंतर्ज्ञान और भौतिक समझ को खोए बिना ऐसा कर सकते हैं जो निर्मित वातावरण की सुरक्षा को परिभाषित करती है।
हाल ही में एक शोध पत्र में, एम.जेड. नासेर इस बदलते परिदृश्य की खोज करते हैं, जिसमें यह जांचा गया है कि मशीन लर्निंग किस तरह इंजीनियरों के डिजाइन और सुरक्षा के बारेंे में सोचने के तरीके को नया रूप दे रही है। लेखक केवल इन नए उपकरणों की शक्ति का जश्न नहीं मनाते; इसके बजाय, शोध पत्र उन तीन विशिष्ट जाल या विरोधाभासों की जांच करता है जिनमें इंजीनियर भौतिक वास्तविकता के आधार के बिना डेटा-संचालित मॉडलों पर बहुत अधिक निर्भर होकर फंस सकते हैं। पहला जाल "एनालिसिस पैरालिसिस" (विश्लेषण पक्षाघात) कहलाता है। यह तब होता है जब एक कंप्यूटर मॉडल किसी परिणाम की भविष्यवाणी करने में इतना सटीक हो जाता है कि वह वास्तव में इंजीनियर को अपने स्वयं के भौतिक विज्ञान के ज्ञान के प्रति कम आश्वस्त महसूस कराता है। उदाहरण के लिए, शोध पत्र दिखाता है कि कैसे एक मशीन लर्निंग मॉडल पारंपरिक सूत्र की तुलना में कंक्रीट की मजबूती की भविष्यवाणी कहीं बेहतर तरीके से कर सकता है। हालांकि, कंप्यूटर द्वारा बनाया गया नया सूत्र इतना जटिल और अजीब दिखने वाला था कि उसने कंक्रीट के भीतर होने वाली वास्तविक रासायनिक और भौतिक प्रक्रियाओं के बारे में कोई अंतर्दृष्टि प्रदान नहीं की। इंजीनियर को एक बेहतर संख्या तो मिल जाती है, लेकिन वह यह समझाने की क्षमता खो देता है कि वह संख्या क्यों सत्य है।
दूसरा विरोधाभास गणितीय रूप से तो पूर्ण लेकिन भौतिक रूप से बनाने में असंभव समाधान खोजने से संबंधित है। लेखक इसे एक आग-प्रतिरोधी कॉलम को डिजाइन करने के लिए कंप्यूटर से कम से कम सामग्री का उपयोग करने के लिए कहकर प्रदर्शित करते हैं। कंप्यूटर, केवल संख्याओं पर ध्यान केंद्रित करते हुए, एक बहुत ही विशिष्ट व्यास (डायमीटर) वाला डिजाइन सुझाता है जो वास्तविक दुनिया में उपलब्ध मानक आकार नहीं था। हालांकि वह डिजाइन सभी सैद्धांतिक सुरक्षा आवश्यकताओं को पूरा करता था और कम कंक्रीट का उपयोग करता था, लेकिन वह निर्माण दल के लिए बेकार था क्योंकि वे उस सटीक आकार की ट्यूब नहीं खरीद सकते थे। यह शुद्ध डेटा-संचालित अनुकूलन (ऑप्टिमाइज़ेशन) के एक महत्वपूर्ण दोष को उजागर करता है: सख्त नियमों के बिना कि वास्तव में क्या उपलब्ध और निर्माण योग्य है, कंप्यूटर ऐसे समाधान बना सकता है जो केवल स्क्रीन पर मौजूद होते हैं।
तीसरा और शायद सबसे भ्रमित करने वाला विरोधाभास 'राशोमोन प्रभाव' (Rashomon effect) के रूप में जाना जाता है, जिसका नाम एक फिल्म के नाम पर रखा गया है जहाँ अलग-अलग गवाह एक ही घटना के बारे में परस्पर विरोधी कहानियाँ सुनाते हैं। इस संदर्भ में, शोध पत्र दिखाता है कि मशीन लर्निंग मॉडल ने निर्णय कैसे लिया, यह समझाने के लिए उपयोग किए जाने वाले दो अलग-अलग तरीके पूरी तरह से विपरीत उत्तर दे सकते हैं। एक तरीका कह सकता है कि स्टील की मजबूती बढ़ाने से कॉलम अधिक सुरक्षित होता है, जबकि दूसरा तरीका, उसी डेटा को देखते हुए, यह सुझाव दे सकता है कि मजबूत स्टील इसे कम सुरक्षित बनाता है। दोनों तरीके गणितीय रूप से वैध हैं, फिर भी वे एक-दूसरे का खंडन करते हैं और कभी-कभी भौतिकी के बुनियादी नियमों का भी खंडन करते हैं। यह एक खतरनाक स्थिति पैदा करता है जहाँ एक इंजीनियर मॉडल के स्पष्टीकरण पर भरोसा नहीं कर सकता, भले ही मॉडल की भविष्यवाणी सही लग रही हो।
इन खतरों से निपटने के लिए, शोध पत्र तर्क देता है कि इंजीनियरिंग का भविष्य एक हाइब्रिड (मिश्रित) दृष्टिकोण में निहित है। लेखक का सुझाव है कि मशीन लर्निंग को इंजीनियर के अंतर्ज्ञान या भौतिकी के मौलिक नियमों को बदलने के बजाय, उनके साथ मिलकर काम करना चाहिए। इसका अर्थ है कि डेटा विश्लेषण के भारी काम को संभालने के लिए कंप्यूटरों का उपयोग करना, जबकि यह सुनिश्चित करना कि परिणामों की ज्ञात भौतिक सिद्धांतों और व्यावहारिक निर्माण सीमाओं के विरुद्ध जांच की जाए। शोध पत्र निष्कर्ष निकालता है कि मशीन लर्निंग को इंजीनियरिंग टूलकिट का एक विश्वसनीय हिस्सा बनने के लिए, इस पेशे को विकसित होना होगा। इंजीनियरों को इन जटिल मॉडलों की व्याख्या करना सीखना होगा, और मॉडलों को स्वयं भौतिक दुनिया के नियमों का सम्मान करने के लिए डिज़ाइन किया जाना होगा। लक्ष्य मानव निर्णय और कृत्रिम बुद्धिमत्ता के बीच चयन करना नहीं है, बल्कि एक ऐसा तरीका खोजना है जिससे वे एक साथ काम कर सकें, यह सुनिश्चित करते हुए कि भविष्य की इमारतें न केवल सुरक्षित होने की भविष्यवाणी की गई हों, बल्कि उन्हें आत्मविश्वास के साथ समझा और बनाया भी जा सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।