कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन आपका एक सख्त नियम है: आप किसी भी व्यक्ति का इंटरव्यू लेने के लिए केवल तीन सवाल ही पूछ सकते हैं। यदि आप किशोरों के एक समूह, सेवानिवृत्त लोगों के एक समूह और कार्यालय कर्मियों के एक समूह का साक्षात्कार ले रहे हैं, तो जो तीन सवाल किशोरों के लिए सबसे अच्छा काम करेंगे, वे सेवानिवृत्त लोगों के लिए समझ से बाहर हो सकते हैं। यह मशीन लर्निंग की दैनिक संघर्ष है, जो विज्ञान की एक ऐसी शाखा है जहाँ कंप्यूटर डेटा में पैटर्न खोजकर भविष्यवाणियां करना सीखते हैं। आमतौर पर, इन कंप्यूटर प्रोग्रामों को सभी लोगों के मिले-जुले विशाल डेटा ढेर पर प्रशिक्षित किया जाता है। लेकिन वास्तविक दुनिया में, सभी लोग एक जैसे नहीं होते। "औसत" लोगों पर प्रशिक्षित मॉडल अधिकांश लोगों के लिए तो बहुत अच्छा काम कर सकता है, लेकिन छोटे या अलग समूहों के लिए बुरी तरह विफल हो सकता है, जैसे कि एक ऐसा नक्शा जो अधिकांश ड्राइवरों के लिए स्पष्ट सड़क दिखाता है लेकिन कुछ को दलदल में ले जाता है। बड़ा सवाल यह है: हम एक ही, सीमित सेट के सवाल (या "फीचर्स") कैसे चुनें जो सभी के लिए अच्छा काम करे, भले ही हर कोई अलग हो, बिना प्रत्येक समूह के लिए एक अलग, महंगी प्रश्नावली की आवश्यकता के?

यह ठीक वही पहेली है जिसे कार्नेगी मेलन यूनिवर्सिटी के शोधकर्ताओं द्वारा लिखे गए एक नए पेपर "पॉपुलेशन-रोबस्ट फीचर सिलेक्शन वाया जनरलाइज्ड वेलफेयर ऑप्टिमाइजेशन" (Population-Robust Feature Selection via Generalized Welfare Optimization) में हल किया गया है। वे PopFS नामक एक स्मार्ट तरीका पेश करते हैं। PopFS को एक विशाल विश्वकोश के लिए एक अत्यंत बुद्धिमान, निष्पक्ष संपादक के रूप में समझें। आमतौर पर, संपादक शामिल करने के लिए सबसे लोकप्रिय विषयों को चुनते हैं, जो किताब को बहुमत के लिए तो महान बनाता है लेकिन विशिष्ट पाठकों के लिए महत्वपूर्ण विवरणों को छोड़ देता है। हालाँकि, PopFS एक विशेष "वेलफेयर डायल" (जिसे कल्याण उद्देश्य कहा जाता है) का उपयोग करता है जो संपादक को यह तय करने की अनुमति देता है कि वह कम सेवा प्राप्त समूहों की जरूरतों को कितनी प्राथमिकता देता है। यदि आप इस डायल को ऊपर घुमाते हैं, तो संपादक यह सुनिश्चित करता है कि उन समूहों को भी, जिन्हें आमतौर पर सबसे खराब भविष्यवाणियां मिलती हैं, एक उचित अवसर मिले, बिना बाकी सभी के लिए चीज़ों को खराब किए।

शोधकर्ताओं ने पाया कि PopFS एक गेम-चेंजर है। एक ऐसा मॉडल खोजने की कोशिश करने के बजाय जो सभी के लिए एकदम सही हो (जो अक्सर असंभव होता है) या ऐसे फीचर्स चुनने के बजाय जो औसत रूप से सबसे अच्छे हों, PopFS एक साझा सेट के "सवाल" चुनता है जो प्रत्येक समूह को अपना स्वयं का कस्टम "उत्तर कुंजी" बनाने की अनुमति देता है। आठ अलग-अलग समूहों में छह वास्तविक दुनिया के कार्यों (जैसे आय की भविष्यवाणी करना या रक्त में सीसा (lead) के स्तर को ट्रैक करना) के परीक्षणों में, PopFS ने मौजूदा तरीकों को लगातार पछाड़ दिया। इसने न केवल औसत मामले में मदद की; बल्कि इसने सबसे खराब स्थिति वाले समूहों के प्रदर्शन को अन्य तरीकों की तुलना में 22% तक बढ़ाया।

सबसे रोमांचक हिस्सा इसकी लचीलापन है। COVID-19 लक्षणों को 43 अमेरिकी राज्यों में ट्रैक करने वाले एक केस स्टडी में, शोधकर्ताओं ने दिखाया कि केवल अपने "फेयरनेस डायल" (निष्पक्षता डायल) का उपयोग करके, वे उन राज्यों के लिए भविष्यवाणियों में सुधार कर सकते हैं जो सबसे अधिक संघर्ष कर रहे थे, और इसमें प्रदर्शन में लगभग कोई गिरावट नहीं आई जो राज्य पहले से ही अच्छा कर रहे थे। यह एक रेडियो को ट्यून करने जैसा है ताकि कमरे के दूर कोने में बैठे श्रोता के लिए शोर (static) खत्म हो जाए, बिना उस व्यक्ति के संगीत को खराब किए जो स्पीकर के बिल्कुल पास बैठा है। यह विधि अविश्वसनीय रूप से तेज़ भी है, जो 15 मिनट से कम समय में हजारों संभावित सवालों को छाँट सकती है, जिससे यह वास्तविक दुनिया के उपयोग के लिए व्यावहारिक बन जाती है।

समस्या: एक आकार सबके लिए उपयुक्त नहीं होता

कल्पना कीजिए कि आप एक डॉक्टर हैं जिसे मरीजों का निदान करने की आवश्यकता है, लेकिन आपके पास लक्षणों की एक छोटी, निश्चित चेकलिस्ट है जिसके बारे में आप पूछ सकते हैं। आपके पास पूरे देश के मरीज हैं: कुछ युवा और स्वस्थ हैं, कुछ पुरानी बीमारियों वाले बुजुर्ग हैं, और कुछ विभिन्न पर्यावरणीय जोखिमों वाले क्षेत्रों में रहते हैं। यदि आप उन तीन लक्षणों को चुनते हैं जो "औसत" रोगी के लिए सबसे अच्छा काम करते हैं, तो आप बुजुर्गों या युवाओं के लिए महत्वपूर्ण संकेतों को चूक सकते हैं।

यही फीचर सिलेक्शन (विशेषता चयन) की मूल समस्या है। मशीन लर्निंग में, "फीचर्स" वे डेटा बिंदु या प्रश्न हैं जिन्हें आप कंप्यूटर में फीड करते हैं (जैसे "आयु", "आय", या "क्या उसे बुखार है?")। आमतौर पर, वैज्ञानिक उन फीचर्स को चुनते हैं जो कंप्यूटर को सबसे बड़े समूह के लिए सबसे स्मार्ट बनाते हैं। लेकिन यह छोटे या अलग समूहों को पीछे छोड़ देता है।

कुछ पिछले तरीकों ने एक विशाल, सुपर-रोबस्ट मॉडल बनाने की कोशिश की जो सभी के लिए काम करने की कोशिश करता है। लेकिन यह एक टॉडलर (छोटे बच्चे), एक बास्केटबॉल खिलाड़ी और एक दादी के लिए बिल्कुल फिट होने वाले जूतों का एक जोड़ा बनाने जैसा है—जो लगभग असंभव है। अन्य लोगों ने प्रत्येक समूह के लिए एक अलग मॉडल बनाने की कोशिश की, लेकिन इसके लिए प्रत्येक समूह के लिए एक अलग, महंगी चेकलिस्ट की आवश्यकता होती है, जो मूल उद्देश्य को ही विफल कर देता है।

समाधान: PopFS और फेयरनेस डायल

इस पेपर के लेखक, रुइकी ल्यू, एलिस्टेयर टुरकन और ब्रायन वाइल्डर, एक बीच का रास्ता प्रस्तावित करते हैं। वे एक साझा चेकलिस्ट के फीचर्स चाहते हैं जिनका उपयोग हर कोई करता है, लेकिन फिर वे प्रत्येक समूह को उस चेकलिस्ट के आधार पर अपना कस्टम मॉडल (अपनी स्वयं की "उत्तर कुंजी") बनाने की अनुमति देते हैं।

इसे करने के लिए, उन्होंने PopFS का आविष्कार किया। यह इस प्रकार काम करता है, एक सरल उपमा का उपयोग करते हुए:

1. शिक्षक और छात्र: कल्पना करें कि एक मास्टर टीचर ( "शिक्षक") है जिसके पास दुनिया की सारी जानकारी है। यह शिक्षक जानता है कि प्रत्येक छात्र के लिए सटीक उत्तर क्या होगा। PopFS पहले इस शिक्षक से सभी डेटा को देखने और हर समूह के लिए "परफेक्ट" भविष्यवाणी क्या होगी, यह निर्धारित करने के लिए कहता है।
2. कंप्रेशन टेस्ट: अब, शोधकर्ता पूछते हैं: "यदि हम छात्रों को केवल k प्रश्नों (फीचर्स) की एक छोटी, साझा सूची देते हैं, तो क्या वे अभी भी शिक्षक के उत्तर का अनुमान लगा सकते हैं?" वे यह देखने के लिए प्रश्नों की विभिन्न सूचियों का परीक्षण करते हैं कि कौन सी सूची छात्रों को शिक्षक के ज्ञान के सबसे करीब पहुँचने की अनुमति देती है।
3. फेयरनेस डायल (वेलफेयर ऑब्जेक्टिव): यही जादू वाला हिस्सा है। शोधकर्ताओं ने महसूस किया कि केवल उस सूची को चुनने से कि कौन सा उच्चतम औसत स्कोर प्राप्त करता है, निष्पक्षता नहीं आती। इसलिए, उन्होंने एक ट्यूनेबल डायल जोड़ा जिसे वेलफेयर पैरामीटर (जिसे ग्रीक अक्षर अल्फा, $\alpha$ द्वारा दर्शाया जाता है) कहा जाता है।
   • यदि आप डायल को 1 पर सेट करते हैं, तो सिस्टम मुख्य रूप से सभी के संयुक्त स्कोर (औसत) की परवाह करता है।
   • यदि आप डायल को 0 या यहाँ तक कि -1 तक नीचे घुमाते हैं, तो सिस्टम उन छात्रों के बारे में बहुत अधिक परवाह करने लगता है जिन्हें वर्तमान में सबसे कम स्कोर मिल रहा है। यह चयन को ऐसे प्रश्न चुनने के लिए मजबूर करता है जो संघर्ष कर रहे समूहों की मदद करते हैं, भले ही इसका मतलब यह हो कि शीर्ष प्रदर्शन करने वाले समूहों को थोड़ा कम मदद मिले।

उन्होंने इसे तेज़ कैसे बनाया

आप सोच सकते हैं, "रुको, यदि हजारों संभावित प्रश्न हैं, और हमें दर्जनों अलग-अलग समूहों पर उनका परीक्षण करना है, तो इसमें बहुत समय लगेगा!" और आप सही हैं। प्रश्नों के हर संभावित संयोजन का परीक्षण करना एक ऐसी रेसिपी बुक के हजारों पन्नों में मौजूद हर संभव सामग्री के संयोजन को आज़माने जैसा है; इसमें एक जीवन बीत जाएगा।

PopFS इस दो-चरणीय ट्रिक का उपयोग करके इसे हल करता है:

1. द बिग स्क्रीन: सबसे पहले, यह सभी हजारों फीचर्स को जल्दी से स्कैन करता है और उन फीचर्स को हटा देता है जो स्पष्ट रूप से बेकार हैं, केवल सबसे आशाजनक उम्मीदवारों की एक "शॉर्टलिस्ट" रखता है। यह एक टैलेंट शो जज की तरह है जो जल्दी से उन लोगों को बाहर कर देता है जो बिल्कुल भी नहीं गा सकते, ताकि उन्हें दुनिया के हर व्यक्ति को सुनना न पड़े।
2. द स्मार्ट स्वैप: फिर, हर संयोजन का परीक्षण करने के बजाय, यह एक अच्छी सूची से शुरू करता है और एक बार में एक प्रश्न को बदलने (swap) की कोशिश करता है। यह यह देखने के लिए एक तेज़ "अनुमान लगाने वाले खेल" (एक गणितीय शॉर्टकट जिसे 'सरोगेट' कहा जाता है) का उपयोग करता है कि कौन से बदलाव सबसे अच्छा काम करेंगे। यह केवल सबसे अच्छे उम्मीदवारों पर ही पूर्ण, धीमा और महंगा परीक्षण करता है। यह इसे हजारों विकल्पों के साथ भी 15 मिनट से कम समय में परफेक्ट लिस्ट खोजने में सक्षम बनाता है।

उन्होंने क्या पाया

शोधकर्ताओं ने वास्तविक दुनिया के डेटा पर PopFS का परीक्षण किया, जिसमें शामिल हैं:

• आय भविष्यवाणी (ACS और UCI Adult डेटासेट का उपयोग करके)।
• स्वास्थ्य जोखिम (बच्चों और वयस्कों में रक्त के सीसे के स्तर और HELOC से क्रेडिट रिस्क के लिए NHANES का उपयोग करके)।
• COVID-19 ट्रैकिंग (लक्षणों की खोज के आधार पर 43 अमेरिकी राज्यों में अस्पताल में भर्ती होने की भविष्यवाणी करना)।

लगभग हर परीक्षण में, PopFS ने अन्य तरीकों को पछाड़ दिया।

• सभी के लिए बेहतर: इसने सभी समूहों के लिए औसत प्रदर्शन में सुधार किया।
• संघर्ष करने वालों के लिए बेहतर: सबसे महत्वपूर्ण बात यह है कि इसने उन समूहों के प्रदर्शन को काफी बढ़ा दिया जिन्हें आमतौर पर सबसे खराब भविष्यवाणियां मिलती हैं। कुछ मामलों में, इसने मानक तरीकों की तुलना में "सबसे खराब स्थिति" वाले समूह के प्रदर्शन को 22% तक सुधारा।
• COVID-19 केस स्टडी: जब उन्होंने इसे 43 राज्यों में COVID-19 अस्पताल में भर्ती होने की भविष्यवाणी करने के लिए लागू किया, तो उन्होंने पाया कि यह वास्तव में दिलचस्प था। अपने फेयरनेस डायल को उन राज्यों को प्राथमिकता देने के लिए घुमाकर जो सबसे अधिक संघर्ष कर रहे थे, उन्होंने उन राज्यों के लिए भविष्यवाणी सटीकता में लगभग 40% का सुधार किया, जबकि सभी राज्यों के लिए औसत सटीकता में शायद ही कोई बदलाव आया।

उन्होंने यह भी देखा कि PopFS द्वारा चुने गए फीचर्स डायल के आधार पर बदल जाते हैं। जब उन्होंने संघर्ष कर रहे राज्यों को प्राथमिकता दी, तो सिस्टम ने अलग लक्षण (जैसे बुखार का विशिष्ट समय या स्वाद का जाना) चुनना शुरू कर दिया जो केवल सबसे सामान्य लक्षणों के बजाय उन विशिष्ट क्षेत्रों के लिए बेहतर थे। यह सुझाव देता है कि विधि वास्तव में केवल सबसे लोकप्रिय उपकरण चुनने के बजाय, सही काम के लिए सही उपकरण ढूंढ रही है।

यह क्यों मायने रखता है

यह पेपर यह दावा नहीं करता है कि इसने दुनिया की हर समस्या को हल कर दिया है। लेखक सावधानी बरतते हुए कहते हैं कि उनकी विधि प्रारंभिक "टीचर" मॉडल की गुणवत्ता पर निर्भर करती है और यह गणितीय रूप से पूर्ण उत्तर खोजने के बजाय स्मार्ट शॉर्टकट्स (heuristics) का उपयोग करती है। हालाँकि, कई अलग-अलग प्रकार के डेटा में परिणाम मजबूत और सुसंगत हैं।

मुख्य बात यह है कि हमें "बहुमत के लिए अच्छा" और "सभी के लिए निष्पक्ष" के बीच चयन करने की आवश्यकता नहीं है। PopFS के साथ, हम प्रश्नों का एक एकल, तैनात करने योग्य सेट रख सकते हैं जो सभी के लिए अच्छा काम करता है, और हम इसे यह सुनिश्चित करने के लिए ट्यून कर सकते हैं कि जिन्हें सबसे अधिक मदद की आवश्यकता है उन्हें वह मिले, बिना पूरे सिस्टम की गुणवत्ता को नुकसान पहुँचाए। यह मशीन लर्निंग को न केवल स्मार्ट, बल्कि दुनिया की जटिल और विविध वास्तविकता के प्रति निष्पक्ष और अनुकूल बनाने की दिशा में एक कदम है।