कल्पना कीजिए कि आप एक आदर्श केक बनाने की कोशिश कर रहे हैं। "बिग डेटा" की दुनिया में, आपके पास एक विशाल गोदाम है जो दुनिया के हर कोने से आए लाखों केकों से भरा हुआ है। आप उन सभी को आपस में मिला सकते हैं, हजारों नमूनों का स्वाद ले सकते हैं, और वह औसत रेसिपी खोज सकते हैं जो हर किसी के लिए काम करती है। यह शक्तिशाली है, लेकिन इसमें एक अंधा बिंदु (blind spot) है: यह उस व्यक्ति की विशिष्ट आवश्यकताओं को चूक सकता है जिसे किसी बहुत दुर्लभ सामग्री से एलर्जी है, या इसे यह नहीं पता होगा कि एक बहुत ही छोटे, अद्वितीय किचन के लिए केक कैसे बनाया जाए। यहीं पर "स्मॉल डेटा" (Small Data) काम आता है। स्मॉल डेटा को केवल बची हुई कतरनों के छोटे ढेर के रूप में न देखें, बल्कि एक आवर्धक लेंस (magnifying glass) के रूप में देखें। यह उन चुनि few सामग्रियों या एक एकल, अद्वितीय रेसिपी के साथ शानदार अनुमान लगाने और स्मार्ट निर्णय लेने की कला है। यह इस बारे में है कि आपके पास जो है उसका उपयोग कैसे किया जाए—जैसे यह जानना कि एक चॉकलेट केक एक ब्राउनी के समान है, या एक विशिष्ट एलर्जी नियम एक छोटे समूह पर लागू होता है—ताकि जब बड़ी तस्वीर गायब हो, तो आप खाली जगहों को भर सकें। यह केवल गणित के बारे में नहीं है; यह निष्पक्षता के बारे में है। यदि हम केवल लाखों लोगों की बात सुनते हैं, तो हम कुछ ही लोगों को भूल सकते हैं, और व्यक्तिगत चिकित्सा, कस्टम तकनीक और निष्पक्ष नीतियों की दुनिया में, कुछ लोगों को भूल जाने का अर्थ है उन्हें पीछे छोड़ देना।

यह शोध पत्र, जिसे वैज्ञानिकों और नीति विशेषज्ञों की एक टीम द्वारा लिखा गया है, एक मित्रवत मार्गदर्शिका की तरह है जो कहती है, "हे, आपको स्मार्ट AI बनाने के लिए डेटा का गोदाम भरने की आवश्यकता नहीं है!" लेखक तर्क देते हैं कि जबकि बिग डेटा सामान्य रुझानों को पहचानने के लिए महान है, यह अक्सर तब विफल हो जाता है जब हमें विशिष्ट लोगों, दुर्लभ बीमारियों या अनूठी स्थितियों के लिए समस्याओं को हल करने की आवश्यकता होती है। वे सुझाव देते हैं कि सांख्यिकी (जिसने लंबे समय से कम संख्याओं के साथ काम करना अच्छा किया है) की पुरानी परंपरा को आर्टिफिशियल इंटेलिजेंस की नई महाशक्तियों के साथ जोड़कर, हम ऐसी प्रणालियाँ बना सकते हैं जो अधिक स्मार्ट, निष्पक्ष और सभी के लिए अधिक सहायक हों, न कि केवल बहुमत के लिए।

मुख्य विचार: क्यों "छोटा" होना "कम" होना नहीं है

पेपर एक आम मिथक को तोड़ते हुए शुरू होता है: कि बहुत सारा डेटा होना हमेशा बेहतर होता है। लेखक समझाते हैं कि एक डेटासेट आकार में बहुत बड़ा हो सकता है लेकिन फिर भी "छोटा" महसूस कर सकता है यदि इसमें उस विशिष्ट प्रश्न के लिए सही जानकारी नहीं है जो आप पूछ रहे हैं। कल्पना कीजिए कि आपके पास दस लाख किताबों वाला एक पुस्तकालय (बिग डेटा) है, लेकिन आपको एक विशिष्ट, दुर्लभ प्रकार की काई (moss) के बारे में एक किताब ढूंढनी है जो केवल आपके पिछवाड़े के एक पत्थर पर उगती है। भले ही पुस्तकालय विशाल है, लेकिन आवश्यक जानकारी प्रभावी रूप से "छोटी" है क्योंकि यह इतनी दुर्लभ और विशिष्ट है।

पेपर इस बात पर प्रकाश डालता है कि "स्मॉल डेटा" केवल कम संख्या होने के बारे में नहीं है। यह संदर्भ (context) के बारे में है। उदाहरण के लिए, छह मानव रोगियों के साथ एक क्लिनिकल अध्ययन को "छोटा" माना जा सकता है क्योंकि मनुष्य एक-दूसरे से बहुत भिन्न होते हैं। लेकिन छह आनुवंशिक रूप से समान चूहों के साथ एक प्रयोग को छोटा नहीं माना जा सकता है, क्योंकि वे चूहे लगभग क्लोन हैं। प्रश्न की जटिलता भी मायने रखती है। कहानियाँ लिखने के लिए एक विशाल AI को प्रशिक्षित करने के लिए लाखों दस्तावेजों की आवश्यकता होती है, लेकिन एक विशिष्ट डॉक्टर को दुर्लभ बीमारी का इलाज करने में मदद करने के लिए एक AI को सिखाने के लिए केवल कुछ दर्जन रोगी रिकॉर्ड की आवश्यकता हो सकती है।

स्मॉल डेटा की तीन महाशक्तियाँ

इन पेचीदा स्थितियों को समझने के लिए, लेखक हमें तीन मुख्य विषयों पर ध्यान केंद्रित करने का सुझाव देते हैं, जिन्हें वे स्मॉल डेटा का "बिग थ्री" कहते हैं: समानता (Similarity), ट्रांसफर (Transfer), और अनिश्चितता (Uncertainty)।

1. समानता (The "Look-Alike" Trick - "एक जैसा दिखने वाला" तरीका):
   कल्पना कीजिए कि आप एक केस सुलझाने की कोशिश कर रहे हैं एक जासूस हैं, लेकिन आपके पास केवल एक गवाह है। आप अकेले इसे हल नहीं कर सकते, इसलिए आप अन्य गवाहों को देखते हैं जो आपके एक गवाह की तरह दिखते या व्यवहार करते हैं। पेपर में, यह उन लोगों या डेटा बिंदुओं को खोजने के बारे में है जो उस एक व्यक्ति के "समान" हैं जिसकी आप परवाह करते हैं। यदि एक डॉक्टर के पास एक दुर्लभ बीमारी वाला नया मरीज है, तो वे अन्य रोगियों के डेटाबेस को देख सकते हैं ताकि उन लोगों को खोज सकें जो उम्र, लक्षणों या इतिहास में सबसे अधिक समान हैं। भले ही वे सटीक मिलान न हों, यह जानना कि कौन करीब है, डॉक्टर को बेहतर अनुमान लगाने में मदद करता है।

2. ट्रांसफर (The "Hand-Me-Down" Knowledge - "विरासत में मिली" जानकारी):
   यह साइकिल चलाना सीखने जैसा है। यदि आप पहले से ही एक साइकिल चलाना जानते हैं, तो स्कूटर चलाना सीखना बहुत आसान है क्योंकि आप अपने संतुलन कौशल को "ट्रांसफर" कर सकते हैं। पेपर बताता है कि हम एक विशाल डेटासेट (जैसे मेडिकल रिकॉर्ड का एक विशाल पुस्तकालय) से ज्ञान ले सकते हैं और एक बहुत छोटे डेटासेट (जैसे एक अकेले रोगी की फाइल) की मदद करने के लिए उसे "ट्रांसफर" कर सकते हैं। यह अक्सर "फाउंडेशन मॉडल्स" नामक उन्नत AI टूल का उपयोग करके किया जाता है। ये उन सुपर-स्मार्ट छात्रों की तरह हैं जिन्होंने दुनिया की लगभग हर चीज़ पढ़ ली है। यदि आप उन्हें किसी विशिष्ट समस्या के बारे में एक छोटा सा संकेत देते हैं, तो वे अपने विशाल पृष्ठभूमि ज्ञान का उपयोग उस समस्या को हल करने में कर सकते हैं, भले ही उन्होंने पहले कभी उस सटीक समस्या को न देखा हो।

3. अनिश्चितता (The "I'm Not 100% Sure" Factor - "मैं 100% निश्चित नहीं हूँ" वाला कारक):
   जब आपके पास बहुत अधिक डेटा होता है, तो आप अपने उत्तरों के प्रति बहुत आश्वस्त हो सकते हैं। लेकिन जब आपके पास कम डेटा होता है, तो आपको इस बात के प्रति ईमानदार होना चाहिए कि आप क्या नहीं जानते हैं। पेपर इस बात पर जोर देता है कि स्मॉल डेटा विधियाँ बेहतरीन हैं क्योंकि वे हमें यह स्वीकार करने के लिए मजबूर करती हैं कि हम अनुमान लगा रहे हैं। उत्तर जानने का ढोंग करने के बजाय, ये विधियाँ यह गणना करती हैं कि हम कितने "अनिश्चित" हैं। चिकित्सा संबंधी निर्णयों या नीति निर्धारण जैसे कार्यों के लिए यह अत्यंत महत्वपूर्ण है। यह कहना बेहतर है कि, "हमें लगता है कि यह दवा काम करेगी, लेकिन हम पूरी तरह से सुनिश्चित नहीं हैं क्योंकि हमारे पास केवल कुछ ही उदाहरण हैं," बजाय इसके कि हम सब कुछ जानने का दिखावा करें।

यह वास्तविक जीवन में कहाँ मायने रखता है

लेखक यह दिखाने के लिए कई मजेदार, वास्तविक दुनिया के उदाहरणों का उपयोग करते हैं कि यह क्यों महत्वपूर्ण है:

• दुर्लभ बीमारियाँ: कल्पना कीजिए कि एक डॉक्टर एक बहुत ही दुर्लभ आनुवंशिक विकार वाले बच्चे का इलाज कर रहा है। दुनिया में उसी स्थिति वाले केवल कुछ ही बच्चे हो सकते हैं। बिग डेटा यहाँ अधिक मदद नहीं कर सकता क्योंकि पैटर्न खोजने के लिए पर्याप्त डेटा नहीं है। लेकिन स्मॉल डेटा विधियाँ समान बीमारियों को देख सकती हैं, अन्य क्षेत्रों से ज्ञान को ट्रांसफर कर सकती हैं, और सर्वोत्तम उपचार का पता लगाने के लिए डॉक्टर की विशेषज्ञता का उपयोग कर सकती हैं।
• वियरेबल टेक (Wearable Tech): बुजुर्गों के गिरने का पता लगाने वाले स्मार्टवॉच के बारे में सोचें। घड़ी के पास केवल एक व्यक्ति का डेटा है। यह नहीं जानता कि आप कैसे चलते हैं, केवल यह जानता है कि पहनने वाला व्यक्ति कैसे चलता है। स्मॉल डेटा विधियाँ घड़ी को आपके चलने के विशिष्ट तरीके को जल्दी से सीखने में मदद करती हैं, भले ही उसके पास केवल कुछ दिनों का डेटा हो, ताकि वह आपके अनूठे तरीके से भ्रमित न हो।
• फेयर AI (Fair AI): कभी-कभी, AI सिस्टम को विशाल डेटासेट पर प्रशिक्षित किया जाता है जिनमें मुख्य रूप से युवा, स्वस्थ और तकनीक-प्रेमी लोग शामिल होते हैं। यदि हम उस AI का उपयोग किसी बुजुर्ग व्यक्ति या विकलांग व्यक्ति की मदद करने के लिए करने का प्रयास करते हैं, तो यह विफल हो सकता है क्योंकि इसने उनके पर्याप्त उदाहरण नहीं देखे हैं। स्मॉल डेटा दृष्टिकोण हमें इसे ठीक करने में मदद करते हैं क्योंकि वे विशेष रूप से उन "लापता" समूहों को देखते हैं और यह सुनिश्चित करते हैं कि AI उनसे भी सीखे।

हम वास्तव में इसे कैसे करेंगे?

पेपर "कैसे करें" वाले भाग में गहराई से उतरता है, यह समझाते हुए कि विभिन्न वैज्ञानिक अपने स्वयं के अलग-अलग क्षेत्रों (silos) में काम कर रहे थे। गणितज्ञों और सांख्यिकीविदों ने लंबे समय से "नॉलेज-ड्रिवन" (ज्ञान-आधारित) विधियों का उपयोग किया है, जहाँ वे अंतराल को भरने के लिए नियमों और तर्क का उपयोग करते हैं। दूसरी ओर, कंप्यूटर वैज्ञानिकों ने "डेटा-ड्रिवन" (डेटा-आधारित) AI विधियों जैसे कि "फ्यू-शॉट लर्निंग" (कुछ उदाहरणों से सीखना) और "मेटा-लर्निंग" (सीखना कैसे है, यह सीखना) को विकसित किया है।

लेखक सुझाव देते हैं कि भविष्य इन दोनों दुनियाओं को मिलाने में निहित है। वे फाउंडेशन मॉडल्स (विशाल, प्री-ट्रेन्ड AI) को आधार के रूप में उपयोग करने का प्रस्ताव देते हैं। ये मॉडल पहले से ही बहुत कुछ जानते हैं। फिर, हम उन्हें एक विशिष्ट कार्य के लिए एकदम सही बनाने के लिए थोड़े से विशिष्ट डेटा (स्मॉल डेटा) के साथ "फाइन-ट्यून" कर सकते हैं। यह एक मास्टर शेफ को लेने जैसा है जो दुनिया के हर व्यंजन को पकाना जानता है और फिर उससे एक ऐसे ग्राहक के लिए एक विशिष्ट व्यंजन बनाने के लिए कहना है जिसे एक बहुत ही विशिष्ट एलर्जी है। शेफ अपने विशाल ज्ञान का उपयोग करता है लेकिन प्रदान किए गए छोटे, विशिष्ट विवरणों के आधार पर रेसिपी को समायोजित करता है।

पेपर खतरों के बारे में भी चेतावनी देता है। यदि हम सावधान नहीं रहे, तो हम डेटा को "ओवरफिट" कर सकते हैं, जिसका अर्थ है कि AI वास्तविक नियमों को सीखने के बजाय अपने पास मौजूद कुछ उदाहरणों को रट लेता है। यह उस छात्र की तरह है जो तीन अभ्यास परीक्षाओं के उत्तर रट लेता है लेकिन वास्तविक परीक्षा में विफल हो जाता है क्योंकि उसने अवधारणाओं को नहीं समझा था। लेखक जोर देते हैं कि हमें वैलिडेशन (यह सुनिश्चित करना कि हमारे मॉडल नए, अनदेखे डेटा पर काम करते हैं) के प्रति सावधान रहने की आवश्यकता है और हमें अनिश्चितता के बारे में ईमानदार होने की आवश्यकता है।

आगे क्या है?

पेपर एक आह्वान (call to action) के साथ समाप्त होता है। यह सुझाव देता है कि हमें एक "साझा भाषा" की आवश्यकता है ताकि सांख्यिकीविद, कंप्यूटर वैज्ञानिक और नीति निर्माता एक-दूसरे से भ्रमित हुए बिना बात कर सकें। वे तर्क देते हैं कि हमें केवल अधिक डेटा आने का इंतजार नहीं करना चाहिए; इसके बजाय, हमें उन तरीकों को सक्रिय रूप से विकसित करना चाहिए जो उस डेटा के साथ अच्छी तरह से काम करते हैं जो हमारे पास पहले से ही है, विशेष रूप से उन लोगों और समूहों के लिए जिन्हें अक्सर पीछे छोड़ दिया जाता है।

लेखक सुझाव देते हैं कि समानता, ट्रांसफर, और अनिश्चितता पर ध्यान केंद्रित करके, हम एक ऐसा भविष्य बना सकते हैं जहाँ तकनीक सभी के लिए काम करे, न कि केवल बहुमत के लिए। उनका मानना है कि पुरानी परंपरा के ज्ञान और नए ज़माने के AI के सही मिश्रण के साथ, हम उन समस्याओं को हल कर सकते हैं जो पहले असंभव लगती थीं। यह सबसे बड़ी लाइब्रेरी होने के बारे में नहीं है; यह यह जानने के बारे में है कि सही किताब कैसे पढ़ी जाए, भले ही वह शेल्फ पर एकमात्र किताब क्यों न हो।