AIDE: Automated Instruction via Distilled Expertise for Reference-Free Motor Skill Coaching
यह शोध पत्र AIDE को प्रस्तुत करता है, जो एक नवीन फ्रेमवर्क है जो केवल प्रशिक्षण के दौरान विशेषज्ञ प्रदर्शनों का लाभ उठाकर विशेषज्ञता को एक संदर्भ-मुक्त (reference-free) मॉडल में संकुचित (distill) करता है, जो अनुमान (inference) के समय केवल शिक्षार्थी के पोज़ अनुक्रम (pose sequence) से ही प्राकृतिक भाषा में मोटर कौशल कोचिंग फीडबैक उत्पन्न करने में सक्षम 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
एक ऐसी दुनिया की कल्पना करें जहाँ एक नया कौशल सीखना—जैसे बास्केटबॉल शॉट लेना, सॉकर खेलना, या यहाँ तक कि कार का इंजन ठीक करना—के लिए आपके पास पास खड़ा होने वाले किसी मानव कोच की आवश्यकता नहीं है। सदियों से, सीखने का सबसे अच्छा तरीका किसी उस्ताद को देखना, खुद प्रयास करना और सुधार के लिए एक हल्के (या कभी-कभी कठोर) संकेत प्राप्त करना रहा है। लेकिन यहाँ एक पेंच है: असली विशेषज्ञ दुर्लभ होते हैं, महंगे होते हैं, और एक समय में केवल कुछ ही लोगों को देख सकते हैं। यह लाखों शिक्षार्थियों को अंधेरे में छोड़ देता है, जो केवल अंदाज़ा लगाते रहते हैं कि वे क्या गलत कर रहे हैं।
यहाँ आर्टिफिशियल इंटेलिजेंस की दुनिया आती है, विशेष रूप से एक ऐसी शाखा जो कंप्यूटर को यह सिखाने की कोशिश करती है कि मानव गति को कैसे "देखना" और "समझना" है। वैज्ञानिक ऐसे सिस्टम बना रहे हैं जो किसी व्यक्ति की गति का वीडियो देखकर उसे एक स्कोर दे सकें, जैसे ओलंपिक में एक जज देता है। लेकिन एक स्कोर केवल एक संख्या है; यह आपको यह नहीं बताता कि अपनी तकनीक को कैसे ठीक किया जाए। वास्तविक सलाह पाने के लिए, कंप्यूटर को आमतौर पर एक ही तरह की हरकत करते हुए एक शिक्षार्थी और एक आदर्श विशेषज्ञ को अगल-बगल देखने की आवश्यकता होती है ताकि उनकी तुलना की जा सके। यह लैब में बहुत अच्छा काम करता है, लेकिन वास्तविक दुनिया में, आप हर बार कुछ नया सीखने की कोशिश करते समय अपने पास एक आदर्श विशेषज्ञ को खड़ा नहीं पा सकते। बड़ा सवाल यह है: क्या हम कंप्यूटर को विशेषज्ञ के ज्ञान का उपयोग करते हुए केवल प्रशिक्षण के दौरान सिखा सकते हैं, ताकि बाद में, वह केवल शिक्षार्थी को देखकर ही बेहतरीन सलाह दे सके?
यह ठीक वही है जिसे Hitachi, Ltd. के योशिकी इतो का एक नया शोध पत्र (पेपर) तलाश रहा है। शोधकर्ता एक सिस्टम पेश करते हैं जिसे AIDE (ऑटोमेटेड इंस्ट्रक्शन वाया डिस्टिल्ड एक्सपर्टाइज़) कहा जाता है। AIDE को एक छात्र कोच की तरह समझें जिसे एक विश्व-स्तरीय गुरु के साथ कुछ समय के लिए अध्ययन करने का मौका मिलता है, लेकिन फिर उसे गुरु की अनुपस्थिति में अपने दम पर कोचिंग करनी पड़ती है।
यहाँ यह जादू कैसे होता है। पहले चरण में, कंप्यूटर ( "शिक्षक") एक शिक्षार्थी और एक मिलान करने वाले विशेषज्ञ द्वारा एक ही हरकत (जैसे बास्केटबॉल का जंप शॉट) करने के हजारों वीडियो देखता है। यह सूक्ष्म अंतरों को पहचानने के लिए सीखता है और एक कोचिंग रिपोर्ट लिखता है। महत्वपूर्ण बात यह है कि यह "शिक्षार्थी की गतिविधियों" को "शिक्षार्थी और विशेषज्ञ के बीच के अंतर" से अलग करना सीखता है। यह ऐसा है जैसे शिक्षक एक साथ दो चीजें सीख रहा हो: "यहाँ छात्र ने क्या किया," और "यहाँ छात्र ने प्रो (विशेषज्ञ) की तुलना में कहाँ चूक की।"
दूसरे चरण में, असली परीक्षा शुरू होती है। कंप्यूटर एक "छात्र" मॉडल बनाता है। यह छात्र शिक्षक के मस्तिष्क (विशेष रूप से उस हिस्से को जो शिक्षार्थी की गतिविधियों को पढ़ने को समझता है) को विरासत में पाता है, लेकिन विशेषज्ञ को देखने की क्षमता खो देता है। विशेषज्ञ को देखने और अंतर की गणना करने की क्षमता के बिना, छात्र को केवल शिक्षार्थी की गतिविधियों के आधार पर यह अनुमान लगाना पड़ता है कि "अंतर" वाला हिस्सा कैसा दिखना चाहिए। यहीं पर वह चतुर तरकीब काम करती है: छात्र शिक्षक के नोट्स की शब्द-दर-शब्द नकल करने की कोशिश नहीं करता है। इसके बजाय, वह अपने स्वयं के "कोचिंग सलाह" का एक संस्करण तैयार करना सीखता है जो उसी पैटर्न में फिट बैठता है, और उस ज्ञान का उपयोग करता है जो उसने विशेषज्ञ के साथ प्रशिक्षण के दौरान अवशोषित किया था।
शोध से पता चलता है कि यह दृष्टिकोण आश्चर्यजनक रूप से अच्छा काम करता है। बास्केटबॉल और सॉकर डेटा पर परीक्षण किए जाने पर, AIDE वास्तविक कोचिंग सत्र के दौरान विशेषज्ञ की उपस्थिति की आवश्यकता वाले सिस्टम के लगभग समान फीडबैक देने में सक्षम था। इसने उन सिस्टमों को भी पीछे छोड़ दिया जिन्होंने कभी विशेषज्ञ को देखा ही नहीं था। शोधकर्ता सुझाव देते हैं कि छात्र मॉडल को विशेषज्ञ के ज्ञान को "डिस्टिल" (निचोड़ने) करने देकर, उसने अच्छी तकनीक के नियमों को इतनी अच्छी तरह से आत्मसात कर लिया कि उसे अब विशेषज्ञ को देखने की आवश्यकता नहीं रही।
दिलचस्प बात यह है कि पेपर कुछ सामान्य विचारों का खंडन करता है। यह सुझाव देता है कि आपको छात्र को शिक्षक की आंतरिक गणनाओं की सटीक नकल करने के लिए मजबूर करने की आवश्यकता नहीं है (एक प्रक्रिया जिसे स्पष्ट डिस्टिलेशन कहा जाता है)। वास्तव में, छात्र को शिक्षक के "अंतर" वाले नोट्स की हूबहू नकल करने के लिए मजबूर करने से स्थिति और खराब हो गई। छात्र तब सबसे अच्छा काम करता था जब वह शिक्षक के मस्तिष्क ढांचे से शुरू करते हुए, समस्या का वर्णन करने का अपना खुद का तरीका खोजने के लिए स्वतंत्र था। लेखक यह भी दिखाता है कि यह केवल इसलिए नहीं था क्योंकि छात्र एक बड़ा, अधिक शक्तिशाली कंप्यूटर था; उन्होंने साबित किया कि विशेषज्ञ प्रशिक्षण के बिना एक सरल संस्करण समान काम नहीं कर सका, भले ही उसका आकार समान था।
हालाँकि परिणाम आशाजनक हैं, पेपर सावधानीपूर्वक नोट करता है कि यह अभी भी एक प्रगतिशील कार्य है। यह सिस्टम बास्केटबॉल पर बहुत अच्छा काम करता है और सॉकर पर भी आशा जगाता है, लेकिन जब प्रशिक्षण डेटा कम था तो इसे सॉकर पर थोड़ा संघर्ष करना पड़ा। शोधकर्ता यह भी बताते हैं कि उन्होंने अभी तक इसका परीक्षण मनुष्यों पर नहीं किया है—केवल फीडबैक के कंप्यूटर सिमुलेशन पर किया है। इसलिए, भले ही AIDE एक ऐसे भविष्य की ओर इशारा करता है जहाँ किसी को भी अपने फोन से विशेषज्ञ-स्तर की कोचिंग मिल सकती है, हम अभी वहाँ नहीं पहुँचे हैं। लेकिन यह विशेषज्ञ की बुद्धिमत्ता को हर किसी के लिए, हर समय, कहीं भी उपलब्ध कराने की दिशा में एक बड़ा कदम 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।