कृत्रिम बुद्धिमत्ता (एआई): परिचय और प्रकार

आर्टिफिशियल इंटेलिजेंस (AI) क्या है?

AI (कृत्रिम बुद्धिमत्ता) कृत्रिम बुद्धिमत्ता (AI) किसी मशीन की वह क्षमता है जिसके द्वारा वह मनुष्यों की तरह संज्ञानात्मक कार्य कर सकती है, जैसे कि समझना, सीखना, तर्क करना और समस्याओं को हल करना। कृत्रिम बुद्धिमत्ता का मानक तर्क, वाक् और दृष्टि के मामले में मानव स्तर है।

इस आर्टिफिशियल इंटेलिजेंस ��्यूटोरियल में, आप नीचे दिए गए अनुभागों में शामिल एआई की बुनियादी बातें सीखेंगे।

एआई किस प्रकार व्यावसायिक मूल्य सृजित करता है

आज, कृत्रिम बुद्धिमत्ता (AI) का उपयोग लगभग सभी उद्योगों में किया जाता है, जिससे बड़े पैमाने पर इसे अपनाने वाली कंपनियों को तकनीकी बढ़त मिलती है। मैकिन्से के अनुसार, AI में खुदरा क्षेत्र में 600 अरब डॉलर का मूल्य सृजित करने और बैंकिंग क्षेत्र में अन्य विश्लेषणात्मक तकनीकों की तुलना में 50% अधिक मूल्यवर्धन करने की क्षमता है। परिवहन और लॉजिस्टिक्स में, राजस्व में 89% तक की वृद्धि की संभावना है।

उदाहरण के लिए, यदि कोई संगठन अपनी मार्केटिंग टीम के लिए AI का उपयोग करता है, तो यह नीरस और दोहराव वाले कार्यों को स्वचालित कर सकता है, जिससे बिक्री प्रतिनिधि संबंध बनाने और संभावित ग्राहकों को आकर्षित करने पर ध्यान केंद्रित कर सकें। गोंग नामक एक कंपनी वार्तालाप-बुद्धि सेवा प्रदान करती है: जब भी कोई बिक्री प्रतिनिधि कॉल करता है, मशीन बातचीत को रिकॉर्ड करती है, लिखती है और उसका विश्लेषण करती है, और प्रबंधक AI विश्लेषण और सुझावों का उपयोग करके एक सफल रणनीति तैयार करते हैं।

संक्षेप में, कृत्रिम बुद्धिमत्ता (AI) जटिल डेटा को संभालने के लिए अत्याधुनिक तकनीक प्रदान करती है जिसे मनुष्य अकेले संसाधित नहीं कर सकता। यह अनावश्यक कार्यों को स्वचालित करती है ताकि कर्मचारी उच्च-मूल्य वाले कार्यों पर ध्यान केंद्रित कर सकें, और बड़े पैमाने पर लागू होने पर यह लागत कम करती है और राजस्व बढ़ाती है।

आर्टिफिशियल इंटेलिजेंस का इतिहास

आज कृत्रिम बुद्धिमत्ता एक चर्चित शब्द है, लेकिन यह शब्द नया नहीं है। 1956 में, विभिन्न क्षेत्रों के विशेषज्ञों ने एआई पर एक ग्रीष्मकालीन अनुसंधान परियोजना का आयोजन किया। चार प्रतिभाशाली व्यक्तियों ने इसका नेतृत्व किया: जॉन मैकार्थी (डार्टमाउथ कॉलेज), मार्विन मिंस्की (हार्वर्ड विश्वविद्यालय), नथानिएल रोचेस्टर (IBM), और क्लाउड शैनन (बेल टेलीफोन लेबोरेटरीज)। यहाँ कृत्रिम बुद्धिमत्ता का संक्षिप्त इतिहास दिया गया है।

साल	मील का पत्थर / नवाचार
1923	कैरल चापेक के नाटक "रोसम्स यूनिवर्सल रोबो��्स" ने अंग्रेजी भाषा में "रोबोट" शब्द को पेश किया।
1943	Foundationन्यूरल नेटवर्क के लिए आधार तैयार किए गए थे।
1945	कोलंबिया विश्वविद्यालय के पूर्व छात्र इसहाक असिमोव ने "रोबोटिक्स" शब्द का प्रयोग किया था।
1956	जॉन मैकार्थी ने सबसे पहले "कृत्रिम बुद्धिमत्ता" शब्द का प्रयोग किया और पहला कार्यशील एआई प्रोग्राम प्रदर्शित किया गया।
1964	डैनी बोब्रो के एमआईटी स्थित शोध प्रबंध ने दिखाया कि कंप्यूटर प्राकृतिक भाषा को कैसे समझ सकते हैं।
1969	स्टैनफोर्ड रिसर्च इंस्टीट्यूट ने शेकी नामक एक रोबोट विकसित किया है, जिसमें चलने-फिरने और समस्याओं को हल करने की क्षमता है।
1979	दुनिया का पहला कंप्यूटर-नियंत्रित स्वायत्त वाहन, स्टैनफोर्ड कार्ट, बनाया गया।
1990	मशीन लर्निंग में महत्वपूर्ण प्रदर्शन।
1997	डीप ब्लू शतरंज प्रोग्राम ने विश्व चैंपियन गैरी कास्पारोव को हरा दिया।
2000	इंटरैक्टिव रोबोट पालतू जानवर व्यावसायिक रूप से उपलब्ध हो गए; एमआईटी ने प्रदर्शित किया Kismetएक रोबोट जो भावनाओं को व्यक्त करता है।
2006	एआई ने व्यापार जगत में प्रवेश किया; फेसबुक जैसी कंपनियां, Netflixऔर ट्विटर ने इसका इस्तेमाल करना शुरू कर दिया।
2012	गूगल ने "गूगल नाउ" लॉन्च किया Android भविष्यवाणियां करने की सुविधा।
2018	IBM“प्रोजेक्ट डिबेटर” के प्रतिभागी ने अनुभवी वाद-विवादकर्ताओं के साथ जटिल विषयों पर बहस की और असाधारण रूप से अच्छा प्रदर्शन किया।

आर्टिफिशियल इंटेलिजेंस के लक्ष्य

कृत्रिम बुद्धिमत्ता के मुख्य लक्ष्य निम्नलिखित हैं:

• विशिष्ट कार्यों को पूरा करने के लिए आवश्यक समय को कम करें।
• मनुष्यों के लिए मशीनों के साथ बातचीत करना आसान बनाएं।
• मानव-कंप्यूटर के बीच ���धिक स्वाभाविक और कुशल अंतःक्रिया को सुगम बनाना।
• चिकित्सा निदान की सटीकता और गति में सुधार करें।
• लोगों को नई जानकारी अधिक तेज़ी से सीखने में मदद करें।
• मनुष्यों और मशीनों के बीच संचार को बेहतर बनाना।

कृत्रिम बुद्धिमत्ता के उपक्षेत्र

कृत्रिम बुद्धिमत्ता के महत्वपूर्ण उपक्षेत्र निम्नलिखित हैं।

मशीन लर्निंग: उदाहरणों और अनुभव से सीखने वाले एल्गोरिदम का अध्ययन करने की कला। यह डेटा में पैटर्न की पहचान करने और भविष्यवाणियों के लिए उनका उपयोग करने पर आधारित है। पहले से तय नियमों के विपरीत, मशीन स्वयं नियम सीखती है।

गहरी सीख: मशीन लर्निंग की एक उप-शाखा जो डेटा से सीखने के लिए कई परतों का उपयोग करती है। मॉडल की गहराई उसमें मौजूद परतों की संख्या होती है; उदाहरण के लिए, गूगल के इमेज रिकग्निशन के लिए LeNet मॉडल में 22 परतें हैं।

प्राकृतिक भाषा प्रसंस्करण (एनएलपी): कृत्रिम बुद्धिमत्ता (एआई) की वह शाखा जो मशीनों को मानव भाषा को पढ़ने, समझने और उत्पन्न करने में सक्षम बनाती है। यह चैटबॉट, अनुवाद, भावना विश्लेषण और वाक् पहचान जैसे अनुप्रयोगों को शक्ति प्रदान करती है।

विशेषज्ञ प्रणालियां: एक संवादात्मक, विश्वसनीय कंप्यूटर-आधारित निर्णय लेने की प्रणाली जो तथ्यों और अनुमानों का उपयोग करके एक विशिष्ट क्षेत्र के भीतर जटिल समस्याओं को हल करती है। इसका उद्देश्य उस क्षेत्र में सबसे कठिन समस्याओं को हल करना है।

अस्पष्ट तर्क: एक बहु-मूल्यवान तर्क जिसमें सत्य मान 0 और 1 के बीच कोई भी वास्तविक संख्या हो सकता है। यह उन स्थितियों के लिए आंशिक सत्य की अवधारणा को संभालता है जहां कोई कथन न तो पूरी तरह सत्य होता है और न ही पूरी तरह असत्य।

आर्टिफिशियल इंटेलिजेंस के प्रकार

कृत्रिम बुद्धिमत्ता को दो तरीकों से वर्गीकृत किया जा सकता है - क्षमता के आधार पर और तकनीक के आधार पर।

क्षमता के आधार पर:

• संकीर्ण एआई: यह किसी एक विशिष्ट कार्य को बुद्धिमत्तापूर्वक निष्पादित करता है, जैसे कि इमेज टैगिंग या वॉयस असिस्टेंट।
• सामान्य एआई: यह किसी भी बौद्धिक कार्य को मनुष्य के समान कुशलता से कर सकता है (हालांकि यह अभी सैद्धांतिक है)।
• सुपर एआई: एक काल्पनिक स्तर जहां मशीनें मानव बुद्धि से आगे निकल जाती हैं।

तकनीक के अनुसार:

• नियम-आधारित एआई: यह इनपुट डेटा सेट पर पूर्वनिर्धारित नियमों का एक समूह लागू करता है ताकि उससे संबंधित आउटपुट प्राप्त हो सके।
• निर्णय वृक्ष एआई: नियम-आधारित एआई के समान, लेकिन शाखाओं और खोज की अनुमति देता हैping विभिन्न विकल्पों पर विचार करना।
• तंत्रिका - तंत्र: मानव मस्तिष्क से प्रेरित स्तरित मॉडल जो डेटा से जटिल पैटर्न सीखते हैं, और तर्क, योजना और सीखने की क्षमताओं के साथ रोबोटिक्स को आधार प्रदान करते हैं।

एआई बनाम मशीन लर्निंग

कृत्रिम बुद्धिमत्ता (AI) और मशीन लर्निंग का प्रयोग अक्सर एक दूसरे के स्थान पर किया जाता है, लेकिन ये दोनों एक समान नहीं हैं। AI मशीनों को मानवीय कार्यों को करने के लिए प्रशिक्षित करने का विज्ञान है; यह शब्द 1950 के दशक में गढ़ा गया था। मशीन लर्निंग, AI का एक उपसमूह है जिसमें मशीन को स्पष्ट रूप से प्रोग्राम करने के बजाय डेटा से पैटर्न सीखने की प्रक्रिया शामिल होती है।

पहलू	Artificial Intelligence	मशीन लर्निंग
विस्तार	मानव बुद्धि की नकल करने का व्यापक विज्ञान	कृत्रिम बुद्धिमत्ता का एक उपसमूह जो डेटा से सीखने पर केंद्रित है
लक्ष्य	मानव तर्क और निर्णय लेने की प्रक्रिया का अनुकरण करें	पैटर्न ढूंढें और भविष्यवाणियां करें
दृष्टिकोण	नियम, तर्क और सीखने का संयोजन	उदाहरणों सहित डेटा-आधारित प्रशिक्षण
उदाहरण	एक स्व-चालित कार प्रणाली	इसके अंदर मौजूद छवि पहचान मॉडल

आप इनके बीच का अंतर भी पढ़ सकते हैं। डीप लर्निंग, मशीन लर्निंग और एआई.

एआई का उपयोग कहाँ होता है? उदाहरण

कृत्रिम बुद्धिमत्ता के विभिन्न उद्योगों में व्यापक अनुप्रयोग हैं।

• दोहराव वाले कार्यों को समाप्त करना: कृत्रिम बुद्धिमत्ता बिना थके लगातार किसी कार्य को दोहरा सकती है और वह अपने द्वारा किए जाने वाले कार्य के प्रति उदासीन रहती है।
• मौजूदा उत्पादों में सुधार करना: कंपनियां उत्पाद की कार्यक्षमता बढ़ाने के लिए AI का उपयोग करती हैं, न कि इसे शुरू से बनाने के लिए। उदाहरण के लिए, फेसबुक में पहले तस्वीरों को मैन्युअल रूप से टैग करना पड़ता था; आज AI स्वचालित रूप से टैग करने के लिए मित्रों के सुझाव देता है।

मार्केटिंग और सप्लाई चेन से लेकर वित्त और खाद्य प्रसंस्करण तक, हर उद्योग में एआई का उपयोग होता है। मैकिन्से के एक सर्वेक्षण के अनुसार, वित्तीय सेवाएं और उच्च-तकनीकी संचार एआई को अपनाने में सबसे आगे हैं।

एआई में इस समय इतनी तेजी से वृद्धि क्यों हो रही है?

यान लेकुन के मौलिक शोध पत्र के बाद से 1990 के दशक से ही न्यूरल नेटवर्क ���स्तित्व में हैं, लेकिन वे 2012 के आसपास प्रसिद्ध हुए। आज के एआई उछाल के पीछे तीन महत्वपूर्ण कारक हैं।

हार्डवेयर

पिछले दो दशकों में, सीपीयू की शक्ति में जबरदस्त वृद्धि हुई है, जिससे उपयोगकर्ता लैपटॉप पर छोटे डीप-लर्निंग मॉडल को प्रशिक्षित कर सकते हैं। हालांकि, कंप्यूटर विज़न और बड़े डीप-लर्निंग मॉडल को अधिक शक्ति की आवश्यकता होती है। एनवीडिया और एएमडी के निवेश के बदौलत, जीपीयू (ग्राफिकल प्रोसेसिंग यूनिट) की एक नई पीढ़ी समानांतर गणना क��� अनुमति देती है, जिससे गणनाओं को गति देने के लिए कई जीपीयू में काम को विभाजित किया जा सकता है। उदाहरण के लिए, एक एनवीडिया टाइटन एक्स एक इमेजनेट मॉडल को दो दिनों में प्रशिक्षित कर सकता है, जबकि एक पारंपरिक सीपीयू पर इसमें कई सप्ताह लगते हैं, और बड़ी कंपनियां डेटा-सेंटर लागत को कम करने और प्रदर्शन को बेहतर बनाने के लिए एनवीडिया टेस्ला के80 जैसे जीपीयू क्लस्टर का उपयोग करती हैं।

जानकारी

डीप लर्निंग मॉडल की संरचना है, और डेटा वह तरल पदार्थ है जो इसे जीवंत बनाता है। डेटा के बिना कुछ भी संभव नहीं है। आधुनिक भंडारण तकनीक डेटा सेंटर में भारी मात्रा में डेटा को सुरक्षित रखना आसान बनाती है, और इंटरनेट मशीन लर्निंग एल्गोरिदम को डेटा प्रदान करने के लिए डेटा संग्रह और वितरण की सुविधा उपलब्ध कराता है।

जैसे ऐप्स Flickr और Instagram इसमें लाखों टैग की गई तस्वीरें होती हैं जो एक न्यूरल नेटवर्क को मैन्युअल लेबलिंग के बिना वस्तुओं को पहचानने के लिए प्रशिक्षित कर सकती हैं। डेटा के साथ कृत्रिम बुद्धिमत्ता ही नया सोना है: जिस कंपनी के पास सबसे अधिक डेटा होता है, उसे प्रतिस्पर्धात्मक लाभ मिलता है। दुनिया प्रतिदिन लगभग 2.2 एक्सबाइट्स (2.2 बिलियन गीगाबाइट्स) डेटा उत्पन्न करती है, और विभिन्न डेटा स्रोत मॉडलों को पैटर्न खोजने और बड़े पैमाने पर सीखने में मदद करते हैं।

कलन विधि

हार्डवेयर पहले से कहीं अधिक शक्तिशाली है और डेटा आसानी से उपलब्ध है, लेकिन अधिक सटीक एल्गोरिदम न्यूरल नेटवर्क को विश्वसनीय बनाते हैं। शुरुआती न्यूरल नेटवर्क गहन सांख्यिकीय गुणों के बिना सरल मैट्रिक्स गुणन थे; 2010 के बाद से, उल्लेखनीय खोजों ने उनमें सुधार किया है। कृत्रिम बुद्धिमत्ता प्रगतिशील शिक्षण एल्गोरिदम का उपयोग करती है जो डेटा को प्रोग्रामिंग करने देती है, इसलिए एक कंप्यूटर विसंगतियों का पता लगाने या चैटबॉट के रूप में कार्य करने जैसे कार्यों को स्वयं ही सीख सकता है।

अक्सर पूछे जाने वाले प्रश्न