From inference to prediction: how machine learning is reconfiguring science
4.9 मिलियन प्रकाशनों का विश्लेषण करके, यह अध्ययन प्रकट करता है कि कैसे मशीन लर्निंग अनुसंधान की मूल-परिधि संरचना को बदलकर और विशेष रूप से स्वास्थ्य एवं सामाजिक विज्ञानों में पारंपरिक अनुमानात्मक विधियों को तेजी से अपारदर्शी भविष्य कहने वाले मॉडलों द्वारा विस्थापित करने वाली दोहरी लहरों को संचालित करके वैज्ञानिक ज्ञान उत्पादन को पुनर्गठित कर रही 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
विज्ञान की दुनिया की कल्पना एक विशाल, हलचल भरी लाइब्रेरी के रूप में करें जहाँ शोधकर्ता रहस्यों को सुलझाने की कोशिश कर रहे हैं। दशकों तक, पुस्तकालयाध्यक्षों (वैज्ञानिकों) का एक सुनहरा नियम था: रहस्य को सुलझाने के लिए, आपको यह समझाना होगा कि आपने उत्तर कैसे खोजा। यदि आप अपना काम नहीं दिखा सकते थे, तो वह उत्तर मान्य नहीं होता था। यह "अनुमान" (Inference) का युग था, जहाँ लक्ष्य ब्रह्मांड की आंतरिक कार्यप्रणाली को समझना था, जैसे कि कोई विशिष्ट रसायन क्यों प्रतिक्रिया करता है या कोई बीमारी कैसे फैलती है।
लेकिन हाल ही में, मशीन लर्निंग (ML) नामक एक नया, सुपर-स्मार्ट रोबोट सहायक लाइब्रेरी में आया है। यह रोबोट उत्तरों का अनुमान लगाने में अविश्वसनीय है। यह लाखों सुरागों को देखता है और कहता है, "मुझे 99% यकीन है कि उत्तर X है!" समस्या यह है कि रोबोट अक्सर यह नहीं समझा पाता कि उसे ऐसा क्यों लगता है। वह बस जानता है। यह "भविष्यवाणी" (Prediction) का युग है।
यह शोध पत्र, जिसने 1990 से 2025 तक के लगभग 4.9 मिलियन वैज्ञानिक प्रकाशनों का अध्ययन किया है, एक जासूस की तरह काम करता है जो यह पता लगाने की कोशिश कर रहा है कि यह रोबोट लाइब्रेरी को कैसे बदल रहा है। उन्होंने क्या पाया, यहाँ बिना किसी तकनीकी शब्दावली के बताया गया है।
रोबोट के मस्तिष्क का मानचित्र
शोधकर्ताओं ने रोबोट के ज्ञान का एक विशाल मानचित्र बनाया। उन्होंने पाया कि रोबोट का "मस्तिष्क" एक केंद्र और एक परिधि वाला है, जो एक शहर की तरह है।
- केंद्र (भौतिक विज्ञान): रोबोट के मस्तिष्क का हृदय कंप्यूटर विज्ञान और इंजीनियरिंग में है। यहीं पर रोबोट बनाया गया था और यहीं यह रहता है। रोबोट का लगभग 28% काम यहीं होता है।
- मुख्य पड़ोस (स्वास्थ्य विज्ञान): रोबोट चिकित्सा (Medicine) में सबसे अधिक लोकप्रिय है, जो कुल काम का 15% है। यह वह सबसे बड़ा स्थान है जहाँ वास्तव में वास्तविक दुनिया की समस्याओं को हल करने के लिए रोबोट का उपयोग किया जाता है।
- बाहरी इलाके: सामाजिक विज्ञान और जीवन विज्ञान जैसे अन्य क्षेत्र धीरे-धीरे रोबोट को अपना रहे हैं, लेकिन वे अभी तक मुख्य केंद्र नहीं बने हैं।
महान बदलाव: "क्यों" से "क्या" तक
यहाँ वह बड़ा मोड़ है जो इस शोध पत्र ने खोजा। लंबे समय तक, चिकित्सा और सामाजिक विज्ञान के वैज्ञानिक पुराने जमाने के उपकरणों जैसे लीनियर और लॉजिस्टिक रिग्रेशन पर निर्भर थे। इन्हें स्पष्ट, कांच की दीवारों वाले कैलकुलेटर की तरह समझें। आप उनके अंदर हर नंबर और कदम देख सकते थे। यदि कोई डॉक्टर इनका उपयोग करता, तो वह कह सकता था, "मुझे पता है कि मरीज को बीमारी है क्योंकि इन तीन विशिष्ट कारकों ने मिलकर यह परिणाम दिया।"
लेकिन लगभग 2015 से शुरू होकर, डीप लर्निंग (और बाद में, लार्ज लैंग्वेज मॉडल्स) नामक उपकरणों की एक नई लहर ने कब्जा करना शुरू कर दिया। ये ब्लैक बॉक्स की तरह हैं। ये सही उत्तर का अनुमान लगाने में अविश्वसनीय रूप से अच्छे हैं, अक्सर कांच के कैलकुलेटरों से भी बेहतर, लेकिन आप इनके अंदर नहीं देख सकते।
शोध पत्र ने पाया कि उन क्षेत्रों में जहाँ पारदर्शिता की मांग की जाती थी (जैसे स्वास्थ्य और सामाजिक विज्ञान), पुराने कांच के कैलकुलेटर सिकुड़ रहे हैं। 2015 से, इन पारदर्शी उपकरणों का उपयोग शेष विज्ञान की तुलना में धीमी गति से बढ़ रहा है, जबकि ब्लैक बॉक्स की लोकप्रियता में विस्फोट हुआ है। वास्तव में, कुछ क्षेत्रों में, पुराने उपकरण वास्तव में अपनी पकड़ खो रहे हैं।
ब्लैक बॉक्स की दो लहरें
शोध पत्र सुझाव देता है कि यह परिवर्तन दो अलग-अलग लहरों में हुआ, जैसे दो अलग-अलग प्रकार का कोहरा छा गया हो।
लहर 1 (2015–2021): "डू-इट-योरसेल्फ" (स्वयं करें) कोहरा
इस पहली लहर में, वैज्ञानिकों ने अपने स्वयं के ब्लैक बॉक्स बनाए (जैसे कन्वोल्यूशनल न्यूरल नेटवर्क)। वे अभी भी नियंत्रण में थे। वे अपने डेटा पर रोबोट को प्रशिक्षित कर सकते थे, अपने शोध पत्रों में लिख सकते थे कि उन्होंने इसे कैसे किया, और अन्य वैज्ञानिक सैद्धांतिक रूप से उनके काम की जांच कर सकते थे। यह अपारदर्शी (अंदर देखना कठिन) था, लेकिन वैज्ञानिक अभी भी कप्तान था।
लहर 2 (पोस्ट-2022): "मिस्ट्री बॉक्स" (रहस्यमय बॉक्स) कोहरा
फिर, 2022 के बाद, चीजें बदल गईं। अब सबसे तेजी से बढ़ने वाले उपकरण लार्ज लैंग्वेज मॉडल्स (जैसे वे जो निबंध लिखते हैं या आपसे चैट करते हैं) हैं। ये वैज्ञानिकों द्वारा नहीं बनाए जाते; ये बड़ी कंपनियों द्वारा बनाए जाते हैं।
- पकड़: वैज्ञानिक प्रशिक्षण डेटा (training data) को नहीं देख सकते। वे कोड नहीं देख सकते। वे 'वेट्स' (रोबोट की "मस्तिष्क" सेटिंग्स) को नहीं देख सकते। वे बस एक प्रश्न (एक "प्रॉम्प्ट") टाइप करते हैं और उत्तर प्राप्त करते हैं।
- परिणाम: शोध पत्र सुझाव देता है कि यह एक नए प्रकार का "बौद्धिक ऋण" (intellectual debt) पैदा करता है। वैज्ञानिक उन प्रणालियों का उपयोग कर रहे हैं जिनका तर्क उनके लिए पूरी तरह से अज्ञात है। नियंत्रण वैज्ञानिक से हटकर उस कंपनी के पास चला गया है जो उस मॉडल का स्वामित्व रखती है।
इसका विज्ञान के लिए क्या अर्थ है
शोध पत्र का तर्क है कि यह केवल एक तकनीकी अपग्रेड नहीं है; यह इस बात में बदलाव है कि विज्ञान क्या "सत्य" है, यह कैसे तय करता है।
- पहले: सत्य समझने के बारे में था। "मुझे कदम दिखाओ, और फिर मैं तुम पर विश्वास करूँगा।"
- अब: सत्य तेजी से सटीकता के बारे में होता जा रहा है। "मुझे सही उत्तर दो, भले ही मैं देख न सकूँ कि तुमने इसे कैसे प्राप्त किया।"
लेखक बताते हैं कि यह एक तनाव पैदा करता है। विज्ञान ने हमेशा खुला और पारदर्शी होने का वादा किया है ("ओपन साइंस" का आदर्श), लेकिन ये नए उपकरण अक्सर गुप्त और मालिकाना हक वाले होते हैं। शोध पत्र सुझाव देता है कि जबकि विज्ञान चीजों की भविष्यवाणी करने में बेहतर हो रहा है, यह उन्हें समझाने की अपनी क्षमता खो सकता है, विशेष रूप से उन क्षेत्रों में जहाँ "क्यों" को समझना हमेशा से सबसे महत्वपूर्ण रहा है।
निचोड़
शोध पत्र यह नहीं कहता कि यह एक आपदा है, बल्कि यह कहता है कि यह एक बहुत बड़ा बदलाव है। हम एक ऐसी दुनिया से एक ऐसी दुनिया में जा रहे हैं जहाँ वैज्ञानिक खेल के नियमों को समझाते थे, और अब वे बस खेल जीतने के लिए एक शक्तिशाली, रहस्यमय उपकरण का उपयोग करते हैं। शोध पत्र का सुझाव है कि जबकि यह विज्ञान की क्षमताओं का विस्तार करता है, यह मौलिक रूप से इस बात को बदल देता है कि ज्ञान कैसे बनाया, प्रमाणित और विश्वसनीय बनाया जाता है। पुराने कांच के कैलकुलेटर खत्म नहीं हुए हैं, लेकिन कई जगहों पर उन्हें ब्लैक बॉक्स द्वारा प्रतिस्थापित किया जा रहा है जो बेहतर काम करते हैं, लेकिन अपने रहस्य छिपा कर रखते हैं।
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।