AI નિયમ-આધારિત પ્રણાલીઓની મર્યાદાઓને કેવી રીતે દૂર કરે છે અને મનુષ્ય જે રીતે શીખે છે તેની નકલ કરે છે?

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) એ પ્રારંભિક નિયમ-આધારિત પ્રણાલીઓની મર્યાદાઓને દૂર કરી છે અને ભાષા અનુવાદ અને ઑબ્જેક્ટ ઓળખ જેવા વિવિધ ક્ષેત્રોમાં નવીન સમસ્યાઓ ઉકેલવા માટે નવા અભિગમો સાથે માનવીય શિક્ષણની નકલ કરી છે. આ પ્રક્રિયામાં, AI ડેટામાંથી શીખે છે અને નિયમોને વ્યાખ્યાયિત કર્યા વિના કાર્યક્ષમ અને સચોટ પરિણામો આપે છે. ભવિષ્યમાં, AI આપણા રોજિંદા જીવનને વધુ અનુકૂળ અને સમૃદ્ધ બનાવવાની ક્ષમતા ધરાવે છે.

 

એવું કહેવામાં કોઈ અતિશયોક્તિ નથી કે વૈશ્વિક સ્તરે માનવ સભ્યતાની સુવિધા એન્જિનિયરિંગના વિકાસ દ્વારા શક્ય બની છે, પરંતુ આમાંની કેટલીક એન્જિનિયરિંગ તકનીકો પ્રકૃતિની નકલ કરીને શક્ય બની છે. જે રીતે એરોપ્લેન ઉડવા માટે લિફ્ટનો ઉપયોગ કરે છે તે રીતે પક્ષીઓ જે રીતે ઉડે છે તેની નકલ કરે છે અને જે રીતે સબમરીન સમુદ્રના તળિયાને શોધવા માટે ધ્વનિ તરંગોનો ઉપયોગ કરે છે તે રીતે ચામાચીડિયા અવરોધોને ટાળવા અલ્ટ્રાસાઉન્ડનો ઉપયોગ કરે છે. આ કુદરતી મિમિક્રીના ઉદાહરણો આપણી આસપાસ જોવા મળે છે. ઉદાહરણ તરીકે, સફાઈ રોબોટ્સ કીડીઓની સામૂહિક વર્તણૂકની નકલ કરે છે જેથી જગ્યાને અસરકારક રીતે સાફ કરવામાં આવે, અને માનવ ત્વચાની હીલિંગ પ્રક્રિયાની નકલ કરવા માટે સ્વ-હીલિંગ કોંક્રિટ વિકસાવવામાં આવી હતી. વાસ્તવમાં, જીવંત વસ્તુઓએ જીવવા માટે જે પદ્ધતિઓ પસંદ કરી છે તે એવી પદ્ધતિઓ છે જે ઉત્ક્રાંતિના લાખો વર્ષોમાં સૌથી વધુ શ્રેષ્ઠ છે, તેથી તે એન્જિનિયરિંગ માટે તેમની પાસેથી વિચારો ઉછીના લેવાની ખૂબ જ અસરકારક રીત છે. કોમ્પ્યુટરના ક્ષેત્રમાં, એક એવું ક્ષેત્ર છે જે જીવનની કેટલીક સમાન લાક્ષણિકતાઓની નકલ કરે છે: કૃત્રિમ બુદ્ધિ, જે માનવ બુદ્ધિની નકલ કરે છે.
વાસ્તવમાં, પરંપરાગત અર્થમાં કૃત્રિમ બુદ્ધિનો અભ્યાસ કમ્પ્યુટરના જન્મથી પાછો જાય છે. 1947માં એનિયાકના જન્મ પછી, કોમ્પ્યુટીંગ ટેક્નોલોજીના ઝડપી વિકાસથી કોમ્પ્યુટર વૈજ્ઞાનિકોએ કૃત્રિમ બુદ્ધિમત્તા માટે ઉજ્જવળ ભવિષ્યની કલ્પના કરી, એવી આગાહી કરી કે 10 થી 20 વર્ષની અંદર, વિચાર મશીનો મનુષ્યને મદદ કરી શકશે. જો કે, તેમની આશાઓથી વિપરીત, વિદ્વાનોએ કોમ્પ્યુટરનો ઉપયોગ કરીને પ્રાકૃતિક ભાષા (કોરિયન અને અંગ્રેજી જેવી માનવીઓ દ્વારા વાતચીત કરવા માટે વપરાતી ભાષાઓ) અને ઑબ્જેક્ટ ઓળખ જેવી સમસ્યાઓ ઉકેલવાનો પ્રયાસ કર્યો હોવાથી, તેઓ સમજી ગયા કે કમ્પ્યુટરને મૂળભૂત બાબતો આપવી લગભગ અશક્ય છે. બાળકની સ્વતંત્ર વિચારશીલતા. આ મર્યાદાઓનો સામનો કરીને, આર્ટિફિશિયલ ઇન્ટેલિજન્સનું ક્ષેત્ર 90 ના દાયકા સુધી, જ્યારે તે ફરીથી વિકસિત થવાનું શરૂ થયું ત્યાં સુધી કોઈ મોટી પ્રગતિ વિના સ્થિર રહ્યું હતું અને તાજેતરમાં તેણે ઘણી સિદ્ધિઓ દર્શાવી છે. iPhone ની Siri અને Google ની ભાષા અનુવાદ પ્રણાલી, જેનો આપણે વારંવાર ઉપયોગ કરીએ છીએ, તે AI માં તાજેતરના વિકાસ દ્વારા શક્ય બન્યું છે.
તો, તેના સ્થિરતા પછી AI ના પુનરુત્થાનનું કારણ શું છે? આ સમજવા માટે, પરંપરાગત કોમ્પ્યુટર ટેકનોલોજી અને AI માં સમસ્યાઓ માટે તાજેતરના અભિગમ વચ્ચેના તફાવતને ઓળખવું મહત્વપૂર્ણ છે. કમ્પ્યુટર એ ટ્યુરિંગ મશીન નામના અમૂર્ત મશીનનું ભૌતિક અમલીકરણ છે, જેની શોધ એલન ટ્યુરિંગ નામના ગણિતશાસ્ત્રી દ્વારા 1936 માં કરવામાં આવી હતી. ટ્યુરિંગ મશીનને એક મશીન તરીકે પ્રસ્તાવિત કરવામાં આવ્યું હતું, જે મૂલ્યના ઇનપુટને ધ્યાનમાં રાખીને, માનવ દ્વારા નિર્ધારિત ગાણિતિક અલ્ગોરિધમ અનુસાર કાર્ય કરે છે જે એક પછી એક નિયમો અને પ્રક્રિયાઓને વ્યાખ્યાયિત કરે છે, અને યોગ્ય પરિણામ આપે છે. તેથી, કમ્પ્યુટરના પરિપ્રેક્ષ્યમાં જે ટ્યુરિંગ મશીનનું ભૌતિક અમલીકરણ છે, કૃત્રિમ બુદ્ધિ એ ફક્ત અલ્ગોરિધમ્સની પ્રક્રિયા છે: જ્યારે કોઈ સમસ્યાને ઉકેલવા માટે આપવામાં આવે છે, ત્યારે કમ્પ્યુટર સમસ્યા શું છે તે સમજવાની પ્રક્રિયામાંથી પસાર થતું નથી, પરંતુ સંગ્રહિત અલ્ગોરિધમ્સનો ઉપયોગ કરીને અલ્ગોરિધમ વર્બેટીમ કરીને તેને હલ કરવાનો પ્રયાસ કરે છે. આ અભિગમને નિયમ-આધારિત સિસ્ટમ તરીકે ઓળખવામાં આવે છે, અને તમામ પ્રારંભિક AIએ તેનો ઉપયોગ કર્યો હતો.
જો કે, નિયમ આધારિત સિસ્ટમો બે નિર્ણાયક સમસ્યાઓથી પીડાય છે. પહેલું એ છે કે કોમ્પ્યુટરમાં નવા પ્રકારની સમસ્યાઓને હેન્ડલ કરવાની ક્ષમતા નથી જે એલ્ગોરિધમમાં નથી, તેથી જ્યારે પણ નવી પ્રકારની સમસ્યા રજૂ કરવામાં આવે છે, ત્યારે એલ્ગોરિધમને લંબાવવી પડે છે જેથી તે નવા પર સારી કામગીરી કરી શકે. સમસ્યાનો પ્રકાર. જો કે, આ સમસ્યા જીવલેણ નથી, કારણ કે AI સિસ્ટમ વિકસાવવાનો હેતુ અમુક પૂર્વનિર્ધારિત સમસ્યાઓ (ભાષા અનુવાદ, ઑબ્જેક્ટ ઓળખ વગેરે) ઉકેલવામાં મદદ કરવાનો છે, જે મનુષ્યની જેમ બધી સમસ્યાઓ હલ કરવામાં સક્ષમ નથી. તેના બદલે, બીજી સમસ્યા નિયમ આધારિત સિસ્ટમોની મોટી નબળાઈ છે. બીજી સમસ્યા એ છે કે જો કોઈ સમસ્યા માણસ માટે હલ કરવી ખૂબ જ સરળ હોય, તો પણ તેને નિયમ-આધારિત સિસ્ટમના સ્વરૂપમાં અલ્ગોરિધમમાં બનાવવા માટે, તમારે સમસ્યા માટેના તમામ નિયમોની ગણતરી કરવાની જરૂર છે. ઉદાહરણ તરીકે, ચાલો કહીએ કે આપણે કોઈ ઑબ્જેક્ટને જોવા માટે અને તે સફરજન છે કે નહીં તે જણાવવા માટે કમ્પ્યુટર માટે અલ્ગોરિધમ લખવા માંગીએ છીએ. પ્રથમ, અમે સફરજનને વ્યાખ્યાયિત કરતી ઘણી વિશેષતાઓ શોધીશું (તે લાલ છે, તે ગોળ છે, તેની ટોચ છે, તેનો ચોક્કસ સ્વાદ છે), અને પછી અલ્ગોરિધમ કમ્પ્યુટર દ્વારા અવલોકન કરેલ ઑબ્જેક્ટ સામે આ દરેક સુવિધાઓને તપાસશે, જે ખૂબ જ સમય બિનકાર્યક્ષમ હશે અને જરૂરી નથી કે ચોક્કસ.
બીજી બાજુ, વર્તમાન AI સિસ્ટમ્સ દ્વારા લેવામાં આવેલ અભિગમ એ નિયમ-આધારિત સિસ્ટમોની સમસ્યાઓને ઉકેલવાની એક નવીન રીત છે: તે માનવીઓના વિચાર અને તેમના મગજ સાથે તર્ક કરવાની રીતની નકલ કરે છે. લોકો રોજિંદા પરિસ્થિતિઓમાં દરેક બાબતમાં નિયમો લાગુ કરીને નિર્ણય લેતા નથી, સિવાય કે ખાસ પરિસ્થિતિઓ કે જેમાં તાર્કિક પ્રવાહની જરૂર હોય, જેમ કે ગણિત. માનવીઓ કેવી રીતે વિચારે છે તે સમજવા માટે, ચાલો જેફ હોકિન્સના પુસ્તક “ઓન ઈન્ટેલિજન્સ” (ધ થિંકિંગ બ્રેઈન, ધ થિંકિંગ મશીન)માંથી ઉદાહરણ લઈએ. જે પ્રક્રિયા દ્વારા આપણે કુરકુરિયું જોઈએ છીએ અને તેને કૂતરા તરીકે ઓળખીએ છીએ તેનો વિચાર કરો: પ્રથમ, જ્યારે આપણે ગલુડિયાને જોઈએ છીએ, ત્યારે આપણા ઓપ્ટિક ચેતા તંતુઓ ચોક્કસ પેટર્નને ઓળખે છે, જે આપણા મગજમાં અમુક મગજના કોષોને ફાયર કરે છે જે ગલુડિયાના અમૂર્ત ખ્યાલને સંગ્રહિત કરે છે, અને અમે એક કૂતરા વિશે વિચારીએ છીએ. મગજના કોષો કે જે કૂતરાના આ ખ્યાલને સંગ્રહિત કરે છે તે પણ આગ લાગશે જ્યારે આપણે કૂતરાની છાલ સાંભળીએ અથવા કૂતરાને સ્પર્શ કરીએ. આનું કારણ એ છે કે શ્રવણ, ગંધ, દૃષ્ટિ વગેરે દ્વારા આપણે જે દાખલાઓ લઈએ છીએ તે આ ચેતાકોષો સાથે સંકળાયેલા છે. બીજા શબ્દોમાં કહીએ તો, આપણી વિચારવાની પ્રક્રિયા એ હકીકત પર આધારિત છે કે આપણે બાળપણથી જ ઘણી બધી પેટર્નના સંપર્કમાં આવ્યા છીએ અને તે પેટર્ન સાથે સંકળાયેલ ખ્યાલો શીખ્યા છીએ, અને જ્યારે આપણે નવી પેટર્નના સંપર્કમાં આવીએ છીએ, ત્યારે આપણે શોધીએ છીએ. પેટર્ન જે આપણે પહેલેથી જ શીખ્યા છીએ અને તેની સાથે સંકળાયેલ ખ્યાલને ઓળખીએ છીએ તે પેટર્ન સાથે સૌથી વધુ સમાન છે. આ શીખવાની પ્રક્રિયા માત્ર વિઝ્યુઅલ પેટર્ન વિશે જ નથી, પરંતુ ભાવનાત્મક પ્રતિભાવો, સામાજિક પરિસ્થિતિઓની ધારણાઓ અને વધુ વિશે પણ છે. ઉદાહરણ તરીકે, બાળક તેના માતાપિતાના ચહેરાના હાવભાવ જોઈને લાગણીઓ શીખે છે તે પ્રક્રિયામાં પેટર્ન ઓળખનો સમાવેશ થાય છે. આ રીતે અમલમાં મુકવામાં આવેલી AI સિસ્ટમો નિયમ-આધારિત સિસ્ટમો કરતાં ખૂબ ઓછા સમયમાં સમસ્યાઓનું નિરાકરણ લાવી શકે છે, અને એલ્ગોરિધમ ડિઝાઇન કરવાની જરૂર નથી, પરંતુ કમ્પ્યુટરને તાલીમ આપવા માટે માત્ર ડેટા તૈયાર કરવાનો ફાયદો છે. એલ્ગોરિધમ્સનું પ્રદર્શન પણ નિયમ-આધારિત સિસ્ટમો કરતાં ઘણું સારું છે.
ગયા વર્ષે આ સમયની આસપાસ, IBM દ્વારા બનાવવામાં આવેલ “વોટસન” નામની સિસ્ટમ એ જ્યારે લોકપ્રિય અમેરિકન ક્વિઝ શોમાં જેનિંગ્સ અને રિટર, જેઓપાર્ડીના બે સર્વકાલીન વિજેતાઓને હરાવ્યા ત્યારે હેડલાઇન્સ બની. “વોટસન” એ એક મોટી નિયમ-આધારિત સિસ્ટમ છે જેને બનાવવામાં IBM ટીમે વર્ષો વિતાવ્યા છે જે વાસ્તવમાં કોઈપણ ખ્યાલોને સમજી શકતી નથી. "વોટસન" એ લખાણમાં ઉલ્લેખિત બિનકાર્યક્ષમ નિયમ-આધારિત પ્રણાલીનો ઉપયોગ કર્યો હોવા છતાં, તે કમ્પ્યુટરના શસ્ત્ર: ઝડપી પ્રક્રિયા ઝડપને કારણે માનવોને હરાવવામાં સક્ષમ હતું. માનવ મગજની નકલ કરતી આર્ટિફિશિયલ ઇન્ટેલિજન્સ હજુ પણ પ્રારંભિક અવસ્થામાં છે, પરંતુ જ્યારે તેને વધુ વિકસિત કરવામાં આવશે અને કમ્પ્યુટરની ઝડપી પ્રક્રિયાની ગતિ સાથે જોડવામાં આવશે ત્યારે ભવિષ્ય કેવું દેખાશે. ઉદાહરણ તરીકે, AI બીમારીને રોકવા અને વ્યક્તિગત સારવાર સૂચવવા માટે વાસ્તવિક સમયમાં વ્યક્તિના સ્વાસ્થ્ય પર નજર રાખવામાં સક્ષમ હશે. AI શિક્ષણમાં પણ ક્રાંતિ લાવી શકે છે. તે વિદ્યાર્થીઓની શીખવાની પદ્ધતિનું પૃથ્થકરણ કરી શકશે અને તેમના શિક્ષણને મહત્તમ કરવા માટે તેમને વ્યક્તિગત શિક્ષણ યોજનાઓ પ્રદાન કરશે. કદાચ આપણે એવા યુગમાં જીવીશું જ્યાં આપણે વધુ સર્જનાત્મક અને જટિલ સમસ્યાઓ ઉકેલવા માટે કમ્પ્યુટર્સ સાથે નજીકથી કામ કરીશું.