സാം ആൾട്ട്മാന്റെ സമീപകാല തൊഴിൽ കഥയും ഓപ്പൺഎഐയുടെ തകർപ്പൻ ക്യു * മോഡലിനെക്കുറിച്ചുള്ള ഊഹാപോഹങ്ങളും ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസിന്റെ (എജിഐ) സാധ്യതകളിലും അപകടസാധ്യതകളിലും പൊതുജന താൽപ്പര്യം പുതുക്കി.
എജിഐക്ക് മനുഷ്യരുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ബൗദ്ധിക ജോലികൾ പഠിക്കാനും നടപ്പിലാക്കാനും കഴിയും. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലെ ദ്രുതഗതിയിലുള്ള മുന്നേറ്റങ്ങൾ, പ്രത്യേകിച്ച് ആഴത്തിലുള്ള പഠനത്തിൽ, എജിഐയുടെ ആവിർഭാവത്തെക്കുറിച്ച് ശുഭാപ്തിവിശ്വാസവും ആശങ്കയും ഉണർത്തി. ഓപ്പൺ എഐ, എലോൺ മസ്കിന്റെ എക്സ്എഐ എന്നിവയുൾപ്പെടെ നിരവധി കമ്പനികൾ എജിഐ വികസിപ്പിക്കാൻ ലക്ഷ്യമിടുന്നു. ഇത് ചോദ്യം ഉയർത്തുന്നു: നിലവിലെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംഭവവികാസങ്ങൾ എജിഐയിലേക്ക് നയിക്കുന്നുണ്ടോ?
ഇല്ലായിരിക്കാം.
ആഴത്തിലുള്ള പഠനത്തിന്റെ പരിമിതികൾ
കൃത്രിമ ന്യൂറൽ നെറ്റ് വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു മെഷീൻ ലേണിംഗ് (എം എൽ) രീതിയായ ഡീപ് ലേണിംഗ് ചാറ്റ് ജിപിടിയിലും സമകാലിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലും ഉപയോഗിക്കുന്നു. വ്യത്യസ്ത ഡാറ്റ തരങ്ങൾ കൈകാര്യം ചെയ്യാനുള്ള കഴിവും പ്രീ-പ്രോസസ്സിംഗിന്റെ ആവശ്യകതയും മറ്റ് ആനുകൂല്യങ്ങൾക്കൊപ്പം കുറവായതിനാൽ ഇത് ജനപ്രീതി നേടി. ആഴത്തിലുള്ള പഠനം തുടർന്നും മുന്നേറുമെന്നും എജിഐ കൈവരിക്കുന്നതിൽ നിർണായക പങ്ക് വഹിക്കുമെന്നും പലരും വിശ്വസിക്കുന്നു.
ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ആപ്ലിക്കേഷനുകളുടെ അപകടസാധ്യതകളും പ്രതിഫലങ്ങളും എങ്ങനെ സന്തുലിതമാക്കാമെന്ന് ചർച്ച ചെയ്യാൻ മൈക്രോസോഫ്റ്റുമായി സഹകരിച്ച് ഫെബ്രുവരി 29 ന് ഞങ്ങൾ ന്യൂയോർക്കിലെത്തും. ചുവടെയുള്ള എക്സ്ക്ലൂസീവ് ഇവന്റിലേക്ക് ഒരു ക്ഷണം അഭ്യർത്ഥിക്കുക. ഒരു ക്ഷണം അഭ്യർത്ഥിക്കുക
എന്നിരുന്നാലും, ആഴത്തിലുള്ള പഠനത്തിന് പരിമിതികളുണ്ട്. പരിശീലന ഡാറ്റ പ്രതിഫലിപ്പിക്കുന്ന മോഡലുകൾ സൃഷ്ടിക്കാൻ വലിയ ഡാറ്റാസെറ്റുകളും ചെലവേറിയ കമ്പ്യൂട്ടേഷണൽ റിസോഴ്സുകളും ആവശ്യമാണ്. ഈ മോഡലുകൾ യഥാർത്ഥ ലോക പ്രതിഭാസങ്ങളെ പ്രതിഫലിപ്പിക്കുന്ന സ്റ്റാറ്റിസ്റ്റിക്കൽ നിയമങ്ങൾ ഉത്പാദിപ്പിക്കുന്നു. പ്രതികരണങ്ങൾ സൃഷ്ടിക്കുന്നതിന് നിലവിലെ യഥാർത്ഥ ലോക ഡാറ്റയിലേക്ക് ആ നിയമങ്ങൾ പ്രയോഗിക്കുന്നു.
അതിനാൽ, ആഴത്തിലുള്ള പഠന രീതികൾ പ്രവചനത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന ഒരു യുക്തി പിന്തുടരുന്നു; പുതിയ പ്രതിഭാസങ്ങൾ നിരീക്ഷിക്കുമ്പോൾ അവ പുതുക്കിയ നിയമങ്ങൾ പുനർനിർമ്മിക്കുന്നു. പ്രകൃതി ലോകത്തിന്റെ അനിശ്ചിതത്വത്തോടുള്ള ഈ നിയമങ്ങളുടെ സംവേദനക്ഷമത അവയെ എജിഐ സാക്ഷാത്കരിക്കുന്നതിന് അനുയോജ്യമല്ലാതാക്കുന്നു. 2022 ജൂണിൽ ഒരു ക്രൂയിസ് റോബോട്ടാക്സിയുടെ അപകടത്തിന് കാരണം വാഹനത്തിന് പരിശീലനത്തിന്റെ അഭാവമുള്ള ഒരു പുതിയ സാഹചര്യത്തെ അഭിമുഖീകരിക്കുകയും ഉറപ്പോടെ തീരുമാനങ്ങൾ എടുക്കാൻ കഴിവില്ലാത്തതുമാണ്.
‘എങ്കിൽ’ പ്രശ്നം
എജിഐയുടെ മാതൃകകളായ മനുഷ്യർ യഥാർത്ഥ ലോക സംഭവങ്ങൾക്ക് സമഗ്രമായ നിയമങ്ങൾ സൃഷ്ടിക്കുന്നില്ല. സാഹചര്യങ്ങൾ, സന്ദർഭം, തീരുമാനങ്ങളെ സ്വാധീനിച്ചേക്കാവുന്ന മറ്റേതെങ്കിലും ആകസ്മിക ഘടകങ്ങൾ എന്നിവ മനസിലാക്കാൻ നിലവിലുള്ള പ്രാതിനിധ്യങ്ങളെ ആശ്രയിച്ചുകൊണ്ട് മനുഷ്യർ സാധാരണയായി ലോകവുമായി ഇടപഴകുന്നു. ഓരോ പുതിയ പ്രതിഭാസത്തിനും നിയമങ്ങൾ നിർമ്മിക്കുന്നതിനുപകരം, നിലവിലുള്ള നിയമങ്ങൾ പുനർനിർമ്മിക്കുകയും ഫലപ്രദമായ തീരുമാനമെടുക്കുന്നതിന് ആവശ്യമായ രീതിയിൽ അവ പരിഷ്കരിക്കുകയും ചെയ്യുന്നു.
ഉദാഹരണത്തിന്, നിങ്ങൾ ഒരു വനപാതയിലൂടെ കാൽനടയായി നടക്കുമ്പോൾ നിലത്ത് ഒരു സിലിണ്ടർ ആകൃതിയിലുള്ള വസ്തുവിനെ കാണുകയും ആഴത്തിലുള്ള പഠനം ഉപയോഗിച്ച് നിങ്ങളുടെ അടുത്ത ഘട്ടം തീരുമാനിക്കാൻ ആഗ്രഹിക്കുകയും ചെയ്യുന്നുവെങ്കിൽ, സിലിണ്ടർ ആകൃതിയിലുള്ള വസ്തുവിന്റെ വിവിധ സവിശേഷതകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ ശേഖരിക്കുകയും അതിനെ ഒരു സാധ്യതയുള്ള ഭീഷണി (പാമ്പ്) അല്ലെങ്കിൽ ഭീഷണിയില്ലാത്ത (ഒരു കയറ്) ആയി തരംതിരിക്കുകയും ഈ വർഗ്ഗീകരണത്തെ അടിസ്ഥാനമാക്കി പ്രവർത്തിക്കുകയും വേണം.
നേരെമറിച്ച്, ഒരു മനുഷ്യൻ ദൂരെ നിന്ന് വസ്തുവിനെ വിലയിരുത്താനും വിവരങ്ങൾ തുടർച്ചയായി അപ്ഡേറ്റ് ചെയ്യാനും മുമ്പത്തെ സമാന സാഹചര്യങ്ങളിൽ ഫലപ്രദമാണെന്ന് തെളിയിക്കപ്പെട്ട പ്രവർത്തനങ്ങളുടെ “വിതരണ”ത്തിൽ നിന്ന് എടുത്ത ശക്തമായ തീരുമാനം തിരഞ്ഞെടുക്കാനും തുടങ്ങും. ഈ സമീപനം ഭാവി പ്രവചിക്കുന്നതിനുപകരം ആഗ്രഹിക്കുന്ന ഫലങ്ങളുമായി ബന്ധപ്പെട്ട് ബദൽ പ്രവർത്തനങ്ങളെ തരംതിരിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു – സൂക്ഷ്മവും എന്നാൽ സവിശേഷവുമായ വ്യത്യാസം.
പ്രവചനം പ്രായോഗികമല്ലാത്തപ്പോൾ എജിഐ കൈവരിക്കുന്നതിന് പ്രവചന കിഴിവുകളിൽ നിന്ന് ഒരു ഇൻഡക്റ്റീവ് “എങ്കിൽ..?” ശേഷി വർദ്ധിപ്പിക്കുന്നതിന് ആവശ്യമായി വന്നേക്കാം.
ആഴത്തിലുള്ള അനിശ്ചിതത്വത്തിൽ തീരുമാനമെടുക്കുന്നത് മുന്നോട്ടുള്ള വഴിയാണോ?
ശക്തമായ തീരുമാനമെടുക്കൽ പോലുള്ള ആഴത്തിലുള്ള അനിശ്ചിതത്വത്തിൽ (ഡിഎംഡിയു) തീരുമാനമെടുക്കൽ തിരഞ്ഞെടുപ്പുകളേക്കാൾ എജിഐ യുക്തി സാക്ഷാത്കരിക്കുന്നതിന് ഒരു ആശയപരമായ ചട്ടക്കൂട് നൽകിയേക്കാം. പുതിയ ഡാറ്റയിൽ നിരന്തരമായ പുനർപരിശീലനം ആവശ്യമില്ലാതെ വിവിധ ഭാവി സാഹചര്യങ്ങളിലുടനീളം സാധ്യതയുള്ള ബദൽ തീരുമാനങ്ങളുടെ ദുർബലത ഡിഎംഡിയു രീതികൾ വിശകലനം ചെയ്യുന്നു. മുൻകൂട്ടി നിശ്ചയിച്ച ഫല മാനദണ്ഡങ്ങൾ നിറവേറ്റുന്നതിൽ പരാജയപ്പെടുന്ന പ്രവർത്തനങ്ങളിൽ പൊതുവായ നിർണായക ഘടകങ്ങൾ ചൂണ്ടിക്കാണിച്ചാണ് അവർ തീരുമാനങ്ങളെ വിലയിരുത്തുന്നത്.
വൈവിധ്യമാർന്ന ഭാവികളിലുടനീളം മികച്ച പ്രകടനം നടത്താനുള്ള കഴിവ് – കരുത്ത് പ്രകടമാക്കുന്ന തീരുമാനങ്ങൾ തിരിച്ചറിയുക എന്നതാണ് ലക്ഷ്യം. പല ആഴത്തിലുള്ള പഠന സമീപനങ്ങളും അപ്രതീക്ഷിത വെല്ലുവിളികളെ അഭിമുഖീകരിക്കുമ്പോൾ പരാജയപ്പെടാനിടയുള്ള ഒപ്റ്റിമൈസ്ഡ് പരിഹാരങ്ങൾക്ക് മുൻഗണന നൽകുമ്പോൾ (കോവിഡ്-19 ന്റെ പശ്ചാത്തലത്തിൽ ഒപ്റ്റിമൈസ്ഡ് ജസ്റ്റ്-ഇൻ-ടൈം വിതരണ സംവിധാനങ്ങൾ പോലുള്ളവ), ഡിഎംഡിയു രീതികൾ ശക്തമായ ബദലുകൾക്ക് മുൻഗണന നൽകുന്നു. യഥാർത്ഥ ലോക അനിശ്ചിതത്വങ്ങളെ നാവിഗേറ്റുചെയ്യാൻ കഴിയുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് വികസിപ്പിക്കുന്നതിനുള്ള മൂല്യവത്തായ ആശയപരമായ ചട്ടക്കൂട് ഡിഎംഡിയു രീതികൾ വാഗ്ദാനം ചെയ്യുന്നു.
പൂർണ്ണമായും സ്വയംഭരണ വാഹനം (എവി) വികസിപ്പിക്കുന്നത് നിർദ്ദിഷ്ട രീതിശാസ്ത്രത്തിന്റെ പ്രയോഗത്തെ പ്രകടമാക്കും. വൈവിധ്യമാർന്നതും പ്രവചനാതീതവുമായ യഥാർത്ഥ ലോക സാഹചര്യങ്ങളെ നാവിഗേറ്റുചെയ്യുന്നതിലാണ് വെല്ലുവിളി, അങ്ങനെ ഡ്രൈവ് ചെയ്യുമ്പോൾ മനുഷ്യന്റെ തീരുമാനമെടുക്കൽ കഴിവുകൾ അനുകരിക്കുന്നു. പൂർണ്ണ സ്വയംഭരണത്തിനായി ആഴത്തിലുള്ള പഠനം പ്രയോജനപ്പെടുത്തുന്നതിന് ഓട്ടോമോട്ടീവ് കമ്പനികൾ ഗണ്യമായ നിക്ഷേപം നടത്തിയിട്ടുണ്ടെങ്കിലും, ഈ മോഡലുകൾ പലപ്പോഴും അനിശ്ചിതമായ സാഹചര്യങ്ങളിൽ പോരാടുന്നു. സാധ്യമായ എല്ലാ സാഹചര്യങ്ങളും മാതൃകയാക്കുന്നതിന്റെയും പരാജയങ്ങൾ കണക്കിലെടുക്കുന്നതിന്റെയും അപ്രായോഗികത കാരണം, എവി വികസനത്തിലെ അപ്രതീക്ഷിത വെല്ലുവിളികളെ അഭിസംബോധന ചെയ്യുന്നത് തുടരുകയാണ്.
ശക്തമായ തീരുമാനം
ശക്തമായ തീരുമാന സമീപനം സ്വീകരിക്കുന്നത് ഒരു സാധ്യതയുള്ള പരിഹാരമാണ്. ഒരു നിർദ്ദിഷ്ട ട്രാഫിക് സാഹചര്യത്തിൽ ത്വരിതപ്പെടുത്തൽ, പാതകൾ മാറ്റൽ, ബ്രേക്കിംഗ് തുടങ്ങിയ വിവിധ തീരുമാനങ്ങളുടെ ഉചിതത വിലയിരുത്തുന്നതിന് എവി സെൻസറുകൾ തത്സമയ ഡാറ്റ ശേഖരിക്കും.
നിർണായക ഘടകങ്ങൾ അൽഗോരിതം മനഃപാഠ പ്രതികരണത്തെക്കുറിച്ച് സംശയങ്ങൾ ഉയർത്തുകയാണെങ്കിൽ, നൽകിയ സന്ദർഭത്തിൽ ബദൽ തീരുമാനങ്ങളുടെ ദുർബലത സിസ്റ്റം വിലയിരുത്തുന്നു. ഇത് വലിയ ഡാറ്റാസെറ്റുകളിൽ വീണ്ടും പരിശീലനം നൽകേണ്ടതിന്റെ അടിയന്തിര ആവശ്യകത കുറയ്ക്കുകയും യഥാർത്ഥ ലോക അനിശ്ചിതത്വങ്ങളുമായി പൊരുത്തപ്പെടാൻ പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്യും. തികഞ്ഞ പ്രവചനങ്ങൾ കൈവരിക്കുന്നതിൽ നിന്ന് പ്രവർത്തനത്തിനായി ഒരു എവി എടുക്കേണ്ട പരിമിതമായ തീരുമാനങ്ങൾ വിലയിരുത്തുന്നതിലേക്ക് ശ്രദ്ധ തിരിച്ചുവിടുന്നതിലൂടെ അത്തരമൊരു മാതൃകാ മാറ്റം എവി പ്രകടനം വർദ്ധിപ്പിക്കും.
തീരുമാന സന്ദർഭം എജിഐ മുന്നോട്ട് കൊണ്ടുപോകും
ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് വികസിക്കുമ്പോൾ, ആഴത്തിലുള്ള പഠന മാതൃകയിൽ നിന്ന് മാറി എജിഐയിലേക്ക് മുന്നേറുന്നതിന് തീരുമാന സന്ദർഭത്തിന്റെ പ്രാധാന്യം ഊന്നിപ്പറയേണ്ടതുണ്ട്. ആഴത്തിലുള്ള പഠനം പല ആപ്ലിക്കേഷനുകളിലും വിജയകരമാണ്, പക്ഷേ എജിഐ യാഥാർത്ഥ്യമാക്കുന്നതിന് പോരായ്മകളുണ്ട്.
യഥാർത്ഥ ലോകത്തിലെ അനിശ്ചിതത്വങ്ങൾ കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന ശക്തമായ, തീരുമാനമെടുക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് രീതികളിലേക്ക് സമകാലിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മാതൃകയെ നയിക്കുന്നതിനുള്ള പ്രാരംഭ ചട്ടക്കൂട് ഡിഎംഡിയു രീതികൾ നൽകിയേക്കാം.
പാർദി റാൻഡ് ഗ്രാജുവേറ്റ് സ്കൂളിലെ പിഎച്ച്ഡി വിദ്യാർത്ഥിയും ലാഭേച്ഛയില്ലാത്ത റാൻഡ് കോർപ്പറേഷനിലെ അസിസ്റ്റന്റ് പോളിസി ഗവേഷകനുമാണ് സ്വാപ്തിക് ചൗധരി.
സ്റ്റീവൻ പോപ്പർ റാൻഡ് കോർപ്പറേഷനിലെ മുതിർന്ന സാമ്പത്തിക വിദഗ്ധനും ടെക്നോലോജിക്കോ ഡി മോണ്ടെറിയിലെ ഡിസിഷൻ സയൻസസ് പ്രൊഫസറുമാണ്.
