Continual Visual and Verbal Learning Through a Child's Egocentric Input
यह शोध पत्र BabyCL को प्रस्तुत करता है, जो एक निरंतर बहुविध शिक्षण (continual multimodal learning) ढांचा है जो शब्द-संदर्भ मैपिंग (word-referent mappings) को प्रभावी ढंग से सीखने के लिए बाल-केंद्रित वीडियो डेटा को एक एकल कालानुक्रमिक पास (single chronological pass) में संसाधित करता है, जो ऑफलाइन प्रशिक्षण के साथ प्रदर्शन के अंतर को काफी कम करता है और साथ ही एक बच्चे के स्वाभाविक सीखने के अनुभव की बेहतर नकल करता 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
कल्पना कीजिए कि एक बच्चा बोलना सीख रहा है। वह फ्लैशकार्ड के साथ किसी कक्षा में नहीं बैठता, न ही वह एक ही पन्ने को दस बार पढ़ने के लिए अपनी पाठ्यपुस्तक के पन्ने पलटता है। इसके बजाय, वह जीवन की एक निरंतर, अराजक धारा में जीता है। वह एक कुत्ता देखता है, "डॉग" सुनता है, एक बिल्ली देखता है, "कैट" सुनता है, और फिर से एक कुत्ता देखता है, और यह सब घर की आवाजों, हवा और उसके अपने बबले (babbling) के साथ मिला हुआ होता है।
लंबे समय तक, कंप्यूटर वैज्ञानिकों ने एआई (AI) को शब्दों को उसी तरह सिखाने की कोशिश की जैसे इंसान सीखते हैं: उसे बच्चों के वीडियो खिलाकर। लेकिन एक समस्या थी। कंप्यूटर को सिखाने के लिए, शोधकर्ता उस वीडियो को ताश के पत्तों की तरह शफल (shuffle) कर देते थे और कंप्यूटर को उन्हीं शफल किए गए क्लिप्स को सैकड़ों बार दिखाते थे। यह एक भाषा सीखने जैसा है जहाँ शब्द रैंडम क्रम में हैं, और आपको पूरी किताब 400 बार पढ़नी पड़ती है। यह कंप्यूटर के लिए काम तो करता है, लेकिन यह वास्तव में इस बात की नकल नहीं करता कि एक मानव शिशु कैसे सीखता है।
एंट्री बेबीसीएल (BabyCL): द "वन-पास" लर्नर
इस पेपर के शोधकर्ताओं ने बेबीसीएल (BabyCL) नामक एक नया सिस्टम बनाया है। बेबीसीएल को एक ऐसे छात्र के रूप में सोचें जिसे केवल एक बार एक फिल्म देखने की अनुमति है, शुरू से अंत तक, बिना "रिवाइंड" या "शफल" बटन दबाए। लक्ष्य यह देखना था कि क्या एक कंप्यूटर केवल वीडियो को ठीक उसी क्रम में देखकर शब्दों का अर्थ सीख सकता है जैसा कि एक बच्चा अनुभव करता है।
यहाँ बताया गया है कि उन्होंने इसे कैसे काम करने के योग्य बनाया, कुछ सरल रूपकों (metapulors) का उपयोग करते हुए:
1. "इवेंट" ऑर्गनाइज़र (टेम्पोरल सेगमेंटेशन)
एक बच्चे का दिन हलचल का एक धुंधला सा अहसास है। यदि आप केवल कंप्यूटर को फ्रेम-दर-फ्रेम दिखाते हैं, तो वह भ्रमित हो जाता है। क्या वह एक नई वस्तु है, या सिर्फ कैमरा हिल रहा है?
- रूपक: कल्पना करें कि वीडियो स्ट्रीम एक लंबी, अटूट नदी है। बेबीसीएल छोटे "बांध" बनाकर "पूल" या "इवेंट्स" बनाता है। यह लगभग तीन मिनट के वीडियो को एक एकल "सीन" (जैसे खेल का सत्र या भोजन का समय) के रूप में एक साथ समूहित करता है।
- ट्रिक: यह सुनिश्चित करता है कि जब कोई माता-पिता एक शब्द (जैसे "बॉल") कहते हैं, तो वह शब्द इन "पूलों" में से एक के भीतर रहे। यह शब्द को अलग-अलग दृश्यों में कटने नहीं देता। इससे कंप्यूटर को यह समझने में मदद मिलती है कि "बॉल" इस विशिष्ट समय के हिस्से से संबंधित है।
2. दोहरी मेमोरी बास्केट (रिप्ले बफर्स)
चूंकि कंप्यूटर केवल एक बार वीडियो देख सकता है, इसलिए वह जो पाँच मिनट पहले देखा था, उसे जल्दी ही भूल जाएगा। लेकिन बच्चे केवल भूलते नहीं हैं; वे उन चीजों को याद रखते हैं जो हाल ही में हुई थीं और उन चीजों को भी जो कुछ समय पहले हुई थीं।
- रूपक: बेबीसीएल यादों को रखने के लिए दो विशेष टोकरियों (baskets) का उपयोग करता है:
- "रीसेंट" बास्केट (शॉर्ट-टर्म): इसमें पिछले कुछ मिनटों का वीडियो होता है। यह एक स्टिकी नोट की तरह है जिसे आप अपने डेस्क पर रखते हैं।
- "हिस्ट्री" बास्केट (लॉन्ग-टर्म): इसमें दिन के पहले के पुराने, महत्वपूर्ण क्षण होते हैं।
- यह कैसे मदद करता है: जब कंप्यूटर सीख रहा होता है, तो वह केवल वर्तमान फ्रेम को नहीं देखता। वह इन बास्केट्स से "रीसेंट" और "हिस्ट्री" का मिश्रण लेता है ताकि अभ्यास कर सके। यह कंप्यूटर को नए शब्द सीखते समय पुराने शब्दों को भूलने से रोकता है।
3. तीन-भाग वाला वर्कआउट (ट्रेनिंग ऑब्जेक्टिव्स)
प्रभावी ढंग से सीखने के लिए, बेबीसीएल एक साथ तीन चीजें करता है, जैसे एक ट्रायएथलीट तीन अलग-अलग आयोजनों के लिए प्रशिक्षण लेता है:
- विजुअल जिम: यह चित्रों को देखता है और बिना किसी शब्दों के केवल देखकर यह सीखना सीखता है कि "डॉग" और "कैट" के बीच अंतर कैसे किया जाए।
- टाइम जिम: यह सीखता है कि समय में पास-पास होने वाली चीजें आपस में संबंधित हैं (उदाहरण के लिए, कटोरे से चम्मच टकराने की आवाज "खाने" के इवेंट का हिस्सा है)।
- वर्ड-लिंक जिम: यह देखे जा रहे चित्र को सुनी गई शब्द के साथ मिलाने की कोशिश करता है। यदि वह एक बॉल देखता है और "बॉल" सुनता है, तो उसे एक "हाई फाइव" (पॉजिटिव स्कोर) मिलता है। यदि वह एक बॉल देखता है लेकिन "कैट" सुनता है, तो उसे एक "करेक्शन" (नेगेटिव स्कोर) मिलता है।
परिणाम: क्या यह काम आया?
शोधकर्ताओं ने बेबीसीएल का परीक्षण "4-चॉइस टेस्ट" नामक एक खेल पर किया। उन्होंने कंप्यूटर को चार चित्र दिखाए (एक बॉल, एक बिल्ली, एक सोफा और एक कार) और पूछा, "बॉल कहाँ है?"
- पुराना तरीका (शफल/ऑफलाइन): यदि आप कंप्यूटर को रैंडम क्रम में 400 बार वीडियो देखने देते हैं, तो वह लगभग 57% सही होता है। यह "गोल्ड स्टैंडर्ड" है लेकिन यह वास्तविक नहीं है कि इंसान कैसे सीखते हैं।
- नाइव तरीका (वन-पास, बिना मेमोरी के): यदि आप कंप्यूटर को बिना किसी मेमोरी बास्केट के केवल एक बार वीडियो देखने देते हैं, तो वह लगभग 27% सही होता है। यह मूल रूप से केवल अनुमान लगा रहा है।
- बेबीसीएल (वन-पास विद मेमोरी): "इवेंट" ऑर्गनाइज़र और "दोहरी बास्केट" का उपयोग करके, बेबीसीएल ने लगभग 43-45% सही प्राप्त किया।
बड़ी सीख
बेबीसीएल "शफल/400-बार" वाले तरीके तक तो नहीं पहुँच सका, लेकिन यह उम्मीद से कहीं अधिक करीब पहुँच गया। इसने साबित कर दिया कि आपको शब्दों के अर्थ सीखने के लिए डेटा को शफल करने या एक वीडियो को सैकड़ों बार देखने की आवश्यकता नहीं है। आप एक एकल, निरंतर धारा के रूप में अनुभव करके प्रभावी ढंग से सीख सकते हैं, ठीक वैसे ही जैसे एक बच्चा करता है।
पेपर यह निष्कर्ष निकालता है कि हालांकि सुधार की अभी भी गुंजाइश है, लेकिन यह दृष्टिकोण दिखाता है कि एआई (AI) ग्राउंडेड लैंग्वेज (शब्दों को वास्तविक वस्तुओं से जोड़ना) को उस तरह से सीख सकता है जो पिछले तरीकों की तुलना में मानव विकास के बहुत अधिक समान है।
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।