Toward Machine Learning with the Unit as a Primitive: Learning from Unit-Linked Events
यह शोध पत्र "इकाई" (unit) को एक मौलिक अर्थपूर्ण इकाई के रूप में स्पष्ट रूप से पेश करके मशीन लर्निंग को औपचारिक रूप देने का प्रस्ताव करता है, जिसमें पर्यवेक्षित शिक्षण (supervised learning) को टोकेनाइज़र-जनित यूनिट टोकन पर आधारित एक साझा रिस्पॉन्स लॉ (response law) के अनुमान के रूप में परिभाषित किया गया है ताकि सजातीय (homogeneous) और विषम (heterogeneous) विश्व मॉडलों के बीच अंतर किया जा सके।
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
मशीन लर्निंग की दुनिया में, कंप्यूटर को अक्सर डेटा की पंक्तियों को देखकर सिखाया जाता है, ठीक वैसे ही जैसे एक छात्र फ्लैशकार्ड के ढेर की समीक्षा करता है। प्रत्येक कार्ड में एक प्रश्न और एक उत्तर होता है, और कंप्यूटर का काम उस पैटर्न को खोजना है जो उन्हें जोड़ता है। दशकों से, यह तरीका कई कार्यों के लिए उल्लेखनीय रूप से सफल रहा है, जैसे चेहरे पहचानने से लेकर मौसम की भविष्यवाणी करने तक। हालाँकि, यह दृष्टिकोण प्रत्येक कार्ड को एक अलग घटना के रूप में मानता है, जो वास्तविक दुनिया के एक मौलिक सत्य की अनदेखी करता है: इनमें से कई कार्ड वास्तव में एक ही व्यक्ति, जानवर या उपकरण के होते हैं। जब कंप्यूटर किसी रोगी के चिकित्सा इतिहास, किसी उपयोगकर्ता की खरीदारी की आदतों या किसी सेंसर की रीडिंग से सीखता है, तो वह अक्सर एक ही निरंतर व्यक्ति के कई स्नैपशॉट देख रहा होता है। मानक तरीके इन स्नैपशॉट को अलग, असंबंधित प्रविष्टियों के रूप में देखते हैं, या वे छिपी हुई धारणाओं पर भरोसा करते हैं कि कंप्यूटर केवल अनुमान लगा रहा है। यह एक दृष्टि दोष (blind spot) पैदा करता है। यदि कंप्यूटर यह अंतर नहीं कर पाता कि कोई पैटर्न किसी विशिष्ट व्यक्ति का है या वह एक ऐसा पैटर्न है जो सभी के लिए सामान्य है, तो वह एक नई स्थिति में उस व्यक्ति के साथ क्या होगा, इसकी भविष्यवाणी करने में विफल हो सकता है, या वह किसी एक व्यक्ति की अनूठी विशेषता को एक सार्वभौमिक नियम समझ सकता है।
एक नया शोध पत्र इस बात का प्रस्ताव देता है कि इन सीखने के कार्यों को परिभाषित करने के आधार को बदलकर इसे कैसे ठीक किया जाए। रिकॉर्ड की एक सूची से शुरू करने के बजाय, शोधकर्ता सुझाव देते हैं कि "इकाई" (unit) की अवधारणा से शुरुआत करें—वह निरंतर व्यक्ति जिससे वह डेटा संबंधित है। कल्पना कीजिए कि एक पुस्तकालय में, जहाँ केवल पुस्तकों को सूचीबद्ध करने के बजाय, लाइब्रेरियन पहले उस विशिष्ट पाठक की पहचान करता है जिसने उन्हें उधार लिया है। इस नए ढांचे में, कंप्यूटर को पहले बताया जाता है कि व्यक्ति कौन है, या कम से कम यह तय करने के लिए एक स्पष्ट नियम दिया जाता है कि कब दो डेटा एक ही व्यक्ति के हैं। यह सरल बदलाव कंप्यूटर को यह समझने की अनुमति देता है कि जबकि घटनाएं (प्रश्न और उत्तर) बदलती रहती हैं, अंतर्निहित व्यक्ति वही रहता है। शोधकर्ता दिखाते हैं कि इस "इकाई" को समस्या का एक स्पष्ट हिस्सा बनाकर, मशीनें नियमों का एक साझा सेट सीख सकती हैं जो सभी पर लागू होता है, जबकि वे प्रत्येक व्यक्ति के अद्वितीय अंतरों का सम्मान भी करती हैं।
इस खोज का मूल एक दो-चरणीय प्रक्रिया है जिसका उपयोग कंप्यूटर दुनिया को समझने के लिए करता है। पहले, यह एक अनुवादक के रूप में कार्य करता है, जो किसी व्यक्ति के बारे में कच्चे साक्ष्य—जैसे उनका पिछला व्यवहार या शारीरिक विशेषताएं—लेता है और उन्हें एक संक्षिप्त सारांश में परिवर्तित करता है, जिसे लेखक "टोकन" (token) कहते हैं। इस टोकन को उस विशिष्ट व्यक्ति का प्रतिनिधित्व करने के लिए कंप्यूटर द्वारा बनाया गया एक अनूठा आईडी कार्ड समझें। दूसरा, कंप्यूटर उस आईडी कार्ड को पढ़ने और यह भविष्यवाणी करने के लिए नियमों के एक एकल, साझा सेट का उपयोग करता है कि आगे क्या होगा। यह एक महत्वपूर्ण अंतर है। पुराने तरीकों में, कंप्यूटर हर उस व्यक्ति के लिए अलग नियमों का एक सेट याद करने की कोशिश कर सकता है जिससे वह मिलता है, जो कि असंभव है यदि वह किसी ऐसे व्यक्ति से मिलता है जिसे उसने पहले कभी नहीं देखा है। इस नए दृष्टिकोण में, कंप्यूटर एक सार्वभौमिक नियम पुस्तिका सीखता है। यह बस आईडी कार्ड (टोकन) को देखता है कि वह विशिष्ट व्यक्ति सामान्य पैटर्न में कैसे फिट बैठता है। यह सिस्टम को सामान्यीकरण (generalize) करने की अनुमति देता है: यह एक ऐसे नए व्यक्ति के लिए सटीक भविष्यवाणियां कर सकता है जिससे वह कभी नहीं मिला है, बस उनके लिए एक टोकन बनाकर जो उसके पास उपलब्ध साक्ष्य हैं, और फिर उन्हीं साझा नियमों को लागू करके जो उसने सभी से सीखे हैं।
शोधकर्ताओं ने यह भी पता लगाया कि क्या होता है जब कंप्यूटर को ठीक से पता नहीं होता कि व्यक्ति कौन है। कभी-कभी, डेटा अधूरा होता है, या दो रिकॉर्ड के बीच का संबंध अनिश्चित होता है। इन मामलों में, कंप्यूटर केवल किसी डेटाबेस में नाम खोजने का काम नहीं कर सकता। इसके बजाय, यह व्यक्ति की पहचान के बारे में सबसे अच्छा अनुमान लगाने के लिए उपलब्ध साक्ष्य का उपयोग करता है, एक ऐसा टोकन बनाता है जो इस अनिश्चितता को दर्शाता है। शोध पत्र यह सिद्ध करता है कि इस तरह के अनुमान के साथ भी, सिस्टम प्रभावी ढंग से सीख सकता है, बशर्ते कि व्यक्ति की पहचान करने के कार्य को परिणाम की भविष्यवाणी करने के कार्य से अलग रखा जाए। अध्ययन दर्शाता है कि यदि आप केवल एकल, अलग रिकॉर्ड को देखते हैं बिना यह जाने कि वे किसके हैं, तो आप एक ऐसी दुनिया और एक ऐसी दुनिया के बीच अंतर नहीं कर सकते जहाँ हर कोई बिल्कुल एक जैसा है और एक ऐसी दुनिया के बीच जहाँ हर कोई अलग है लेकिन औसतन एक जैसा दिखता है। हालाँकि, यदि आप कई रिकॉर्ड को निश्चितता के साथ एक ही व्यक्ति से जोड़ सकते हैं, तो कंप्यूटर व्यक्तियों के बीच छिपे अंतरों का पता लगा सकता है। यह निष्कर्ष महत्वपूर्ण है क्योंकि यह निर्धारित करता है कि क्या संभव है: एक मशीन व्यक्तिगत अंतरों के बारे में नहीं सीख सकती यदि उसे केवल प्रत्येक व्यक्ति का एक स्नैपशॉट दिखाया जाता है और उन्हें उनके स्रोत से जोड़ने का कोई तरीका नहीं दिया जाता है।
यह कार्य यह भी स्पष्ट करता है कि हमें सफलता को कैसे मापना चाहिए। कई वर्तमान प्रणालियों में, हम एक मॉडल का मूल्यांकन इस आधार पर करते हैं कि वह सभी डेटा बिंदुओं पर औसत परिणाम कितनी अच्छी तरह से भविष्यवाणी करता है। लेखक बताते हैं कि यह भ्रामक हो सकता है। यदि कुछ लोग डेटा में कई बार दिखाई देते हैं और अन्य केवल एक बार, तो एक साधारण औसत बार-बार आने वाले उपयोगकर्ताओं द्वारा प्रभावित हो सकता है, जिससे दुर्लभ लोगों की अनूठी आवश्यकताओं की अनदेखी होती है। शोध पत्र सुझाव देता है कि हमें मॉडलों का मूल्यांकन केवल रिकॉर्ड के आधार पर नहीं, बल्कि व्यक्ति के आधार पर करना चाहिए। इसका अर्थ है यह जांचना कि क्या मॉडल एक नई स्थिति में एक विशिष्ट व्यक्ति के साथ क्या होगा, इसकी भविष्यवाणी कर सकता है, न कि केवल समग्र सांख्यिकी को सही करना। शोधकर्ता इन परीक्षणों को ठीक से डिजाइन करने के लिए एक चेकलिस्ट प्रदान करते हैं, यह सुनिश्चित करते हुए कि हम अनजाने में कंप्यूटर को पैटर्न सीखने के बजाय नाम याद करने के लिए मजबूर न कर दें।
अंततः, यह शोध पत्र बुद्धिमान प्रणालियों को बनाने का एक अधिक ईमानदार तरीका प्रदान करता है। यह स्वीकार करता है कि दुनिया निरंतर व्यक्तियों से बनी है, न कि केवल विच्छेदित घटनाओं की एक धारा से। कंप्यूटर को अनुमान लगाना शुरू करने से पहले यह घोषित करने के लिए मजबूर करके कि वह किसके बारे में सीख रहा है, सिस्टम अधिक मजबूत और वास्तविक जीवन की जटिलताओं को संभालने में अधिक सक्षम हो जाता है। यह दावा नहीं करता है कि इसने आर्टिफिशियल इंटेलिजेंस की हर समस्या को हल कर दिया है, लेकिन यह समझने के लिए एक ठोस, तार्किक ढांचा प्रदान करता है कि मशीनें लोगों से सीखते समय उनकी पहचान को कैसे बनाए रख सकती हैं। परिणाम एक ऐसी विधि है जो न केवल गणितीय रूप से सुदृढ़ है, बल्कि वैचारिक रूप से भी स्पष्ट है, जो मानव डेटा की अव्यवस्थित वास्तविकता और मशीन लर्निंग के संरचित तर्क के बीच के अंतर को पाटती 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।