शुरुआती मूल बातें

machine learning की भाषा बोलना सीखें .

Jacob Andreas AI व्याख्यात्मकता उपकरण बनाता है जो ML मॉडल को उनके सीखने की व्याख्या करते हैं, उच्च दांव वाली प्रणालियों में सटीकता और मजबूती में सुधार करते हैं।

machine learning की भाषा बोलना सीखें .

मुख्य जानकारी

  • Jacob Andreas व्याख्यात्मकता विधियों का विकास करता है AI जो मशीन-लर्निंग मॉडल को यह समझाने की अनुमति देता है कि उन्होंने मानव भाषा में क्या सीखा।
  • उनके काम का उद्देश्य deep learning प्रणालियों को उच्च दांव वाले अनुप्रयोगों के लिए अधिक सटीक, मजबूत और समझने योग्य बनाना है।
  • उनका एमआईटी समूह दो मुख्य क्षेत्रों पर केंद्रित हैः यह व्याख्या करना कि large language models कैसे अर्थ का प्रतिनिधित्व करता है, और प्रशिक्षण विधियों और व्यवहार की भविष्यवाणी में सुधार।
  • एंड्रियास का शोध natural language processing , मशीन अनुवाद और computer vision में उनकी पृष्ठभूमि पर आधारित है।
  • वह जोर देते हैं कि AI तेजी से बदलता है, लचीली अनुसंधान प्रयोगशालाओं और लगातार अद्यतन शिक्षण की आवश्यकता होती है।

मेटा विवरण: Jacob Andreas व्याख्यात्मकता विधियों को विकसित करता है AI ताकि मॉडल मानव भाषा में अपनी सीखने की व्याख्या कर सकें, सटीक, मजबूत मशीन-लर्निंग सिस्टम का समर्थन करते हैं।

Learn how to speak the language of machine learning .

टैगः AI व्याख्यात्मकता, machine learning , Jacob Andreas, natural language processing , computer vision

विशेष रुप से प्रदर्शित छवि: भाषण बुलबुले से जुड़े neural network नोड्स का अमूर्त, मैत्रीपूर्ण चित्रण, नरम नीले और हरे रंग के आकारों का उपयोग करके; कोई वास्तविक लोग नहीं हैं, कोई लोगो नहीं है, कोई पाठ नहीं है।

Jacob Andreas के विभाग में एक नए पदस्थ एसोसिएट प्रोफेसर Electrical Engineering और Computer Science Massachusetts Institute की प्रौद्योगिकी और एक सदस्य के Computer Science और Artificial Intelligence Laboratory, विकसित करता है AI व्याख्यात्मकता तकनीकों कि मशीन-लर्निंग मॉडल का वर्णन करते हैं, मानव भाषा में, वे अपने training data से क्या सीखा. उनका काम मायने रखता है क्योंकि deep learning सिस्टम तेजी से उच्च दांव सेटिंग्स में उपयोग किया जाता है, और लोगों को न केवल यह जानने की जरूरत है कि कोई मॉडल अच्छा प्रदर्शन करता है या नहीं, बल्कि ऐसा व्यवहार क्यों करता है।

AI मॉडल खुद के बारे में बात करते हैं

एंड्रियास का केंद्रीय विचार बाहरी निरीक्षण उपकरणों की आवश्यकता को कम करना है। शोधकर्ताओं से प्रशिक्षण के बाद आंतरिक प्रसंस्करण नोड्स के एक जटिल नेटवर्क को उजागर करने के लिए कहने के बजाय, वह मॉडल को खुद को सटीक रूप से समझाने के लिए प्रशिक्षित करते हैं। उन्होंने इसे पुरानी डिबगिंग आदतों से आगे बढ़ने के रूप में वर्णित किया, जहां लोग मापदंडों को देखते थे कि क्या वे समझ में आए, "मन-पढ़ने वाले उपकरण" जो जटिल तंत्रिका गणना को भाषा में अनुवाद कर सकते हैं जिसे मनुष्य समझ सकता है।

लक्ष्य व्यावहारिक हैः अधिक सटीक और मजबूत deep learning मॉडल जो उनके इच्छित अनुप्रयोगों के लिए फिट होते हैं। उनका समूह अध्ययन करता है कि कैसे मशीनें भाषा को समझती हैं और उन प्रणालियों की ओर काम करती हैं जो मानव मार्गदर्शन से सीख सकती हैं और मानवीय सहयोगियों के साथ संवाद कर सकती हैं। यह प्रशिक्षण को अधिक प्राकृतिक और कुशल बनाने का भी प्रयास करता है, मानव सीखने के करीब।

भाषा अनुसंधान से लेकर एक नई प्रयोगशाला दिशा तक

एंड्रियास का मार्ग भाषा और कंप्यूटर के शुरुआती प्यार से शुरू हुआ। San Francisco Bay Area में बढ़ते हुए, उन्होंने व्यापक रूप से पढ़ा, और एक पारिवारिक मित्र द्वारा पारित की गई पुस्तक में एक महत्वपूर्ण दृश्य था जहां मुख्य चरित्र ने दिन को बचाने के लिए एक कंप्यूटर सिस्टम में हैक किया। उस दृश्य ने कंप्यूटिंग में उनकी रुचि जगाई। कुछ साल बाद, उनके पिता घर पर एक साधारण programming इंजन लाए जो वह अपने होम कंप्यूटर पर चला सकते थे, जिसने उन्हें programming में ले जाया।

Learn how to speak the language of machine learning .

कंप्यूटर विज्ञान में स्नातक के रूप में, उन्होंने एआई से संबंधित विषयों पर काम करने वाले संकाय को ईमेल किया और पहली बार natural language processing शोधकर्ताओं के साथ जुड़ गए। Michael Collins की प्रयोगशाला में, विक्रम एस. Pandit Professor Computer Science Columbia University में, एंड्रियास ने मशीन अनुवाद पर एक स्नातक थीसिस पूरा किया। परियोजना ने अर्थ का प्रतिनिधित्व करने के लिए मौजूदा सांख्यिकीय तकनीकों को AI सिस्टम में अनुकूलित किया जो पाठ के मार्गों का अनुवाद कर सकते हैं।

कैम्ब्रिज में, उन्होंने कम्प्यूटेशनल अनुवाद समस्याओं पर काम करते हुए भाषा सीखने के बारे में सवालों को आकर्षित किया। बर्कले प्रोफेसर ऑफ कंप्यूटर साइंस की प्रयोगशाला में, वह एक ऐसी अवधि में प्रवेश कर गए जब natural language processing सांख्यिकीय तरीकों से deep learning में स्थानांतरित हो रहा था।

सांख्यिकीय विधियां पाठ का विश्लेषण करने के लिए पारदर्शी गणितीय सूत्रों का उपयोग करती हैं, जबकि deep learning तकनीकें बड़ी मात्रा में टेक्स्ट डेटा से जटिल अर्थ सीखने के लिए अपारदर्शी algorithms का उपयोग करते हैं। एंड्रियास ने कहा है कि जब यह अभी भी नया था तब आधुनिक टूलकिट बनाने में मदद करना रोमांचक था। उन्होंने computer vision शोधकर्ताओं के साथ काम किया, भाषा और दृष्टि को जोड़ने के लिए एक सामान्य तरीके के रूप में neural networks का उपयोग करके। उनकी थीसिस तंत्रिका मॉड्यूल नेटवर्क पर केंद्रित थी, जो neural networks के छोटे टुकड़े थे जो विशिष्ट कार्यों को पूरा करते हैं, जैसे वस्तुओं या तार्किक तर्क को स्थानीयकृत करना, एक बड़े सिस्टम AI के भीतर। अधिक सट्टा कार्य उसने इसके साथ-साथ किया, जिसमें व्याख्यात्मकता और मॉडल की आंतरिक स्थितियों के प्राकृतिक भाषा विवरण शामिल थे, प्रौद्योगिकी Massachusetts Institute में अपने समूह का ध्यान केंद्रित हो गया।

startup Semantic Machines में एक साल के बाद, जो अपनी बर्कले लैब से बाहर निकल गया था, एंड्रियास 2004 में प्रौद्योगिकी संकाय Massachusetts Institute में शामिल हो गए। उन्होंने इसे आधुनिक machine learning बनने का आकार देते हुए अग्रणी AI अनुसंधान वातावरण में काम करने का मौका माना।

दो क्षेत्र: व्याख्या और प्रशिक्षण

उनका समूह अब दो मुख्य क्षेत्रों पर ध्यान केंद्रित करता है। पहला large language models का विज्ञान हैः इन मॉडलों का अध्ययन करना जब वे सीखते हैं और जानकारी संसाधित करते हैं, और ऐसे उपकरण बनाते हैं जो शोधकर्ताओं को भविष्यवाणी करने में मदद करते हैं कि एक प्रशिक्षित मॉडल वास्तविक दुनिया में कैसे व्यवहार करेगा।

तकनीकों का एक परिवार large language models को यह समझाने के लिए प्रशिक्षित करता है कि किसी व्यक्ति द्वारा पढ़ी जा सकने वाली भाषा में अन्य neural networks के अंदर क्या हो रहा है। ये विधियां एक बड़े नेटवर्क में सूचना-प्रसंस्करण नोड से प्राकृतिक भाषा विवरण संलग्न कर सकती हैं। उदाहरण के रूप में, एक वर्णन उस नोड की पहचान कर सकता है जो इनपुट छवियों में "जानवरों के पास घास के पैच" का पता लगाता है। एंड्रियास इसे उच्च स्तरीय प्रश्नों के लिए प्रारंभिक बिंदु के तौर पर प्रस्तुत करते हैं कि कैसे मॉडल अर्थ का प्रतिनिधित्व करते हैं।

Learn how to speak the language of machine learning .

दूसरे क्षेत्र में मशीन-लर्निंग मॉडल को प्रशिक्षित करने और भविष्यवाणी करने के लिए नए algorithms शामिल हैं कि विशिष्ट datasets या उदाहरण मॉडल व्यवहार को कैसे प्रभावित करेंगे। एंड्रियास ने नोट किया कि इस क्षेत्र में अभी भी एक मजबूत वैज्ञानिक सिद्धांत का अभाव है जब कोई मॉडल किसी विशेष dataset पर प्रशिक्षित होता है, जो एक बड़ी चुनौती बनी हुई है।

तेजी से बदलते क्षेत्र के साथ तालमेल बिठाना

एंड्रियास के लिए, गति सबसे बड़ी चुनौतियों में से एक है। AI उनका कहना है कि क्षेत्र हर तीन से पांच साल में पूरी तरह से बदलता प्रतीत होता है, इसलिए उनकी प्रयोगशाला को चुस्त और नई विधियों को सीखने के लिए तैयार रहना चाहिए।

यह दबाव उन natural language processing स्नातक और स्नातकोत्तर पाठ्यक्रमों को भी प्रभावित करता है जो वह सह-शिक्षित करते हैं, 6.461 तथा 6.861. वे और उनके साथी प्रशिक्षक हर साल नए विकास को प्रतिबिंबित करने के लिए पाठ्यक्रम का पुनर्गठन करते हैं। एक कठिन शिक्षण प्रश्न यह है कि तकनीकी मशीन-लर्निंग कार्य का आकलन कैसे किया जाए जब large language models कई असाइनमेंट पूरा कर सकता है। एंड्रियास छात्रों को समझाने की कोशिश करता है कि प्रौद्योगिकी कैसे काम करती है इसकी गहरी नींव इसे समझने और ऐसी दुनिया में बाहर खड़े होने का सबसे अच्छा तरीका है जहां सभी कोडिंग एजेंट तक पहुंच हो सकती है।

भरोसेमंद के लिए आगे क्या है AI

एंड्रियास की उम्मीद है कि व्याख्यात्मकता अधिक महत्वपूर्ण हो जाएगी क्योंकि शोधकर्ता उन्नत प्रणालियों का निर्माण करते हैं जैसे AI एजेंट जो उच्च दांव वाली स्थितियों में उपयोग किए जा सकते हैं। जब मॉडल को वैज्ञानिक खोजों की सहायता के लिए डिज़ाइन किया जाता है तो चुनौती बढ़ जाती है। इन प्रणालियों को बड़ी मात्रा में कच्चे प्रयोगशाला डेटा पर प्रशिक्षित किया जा सकता है जिसे वैज्ञानिक अभी तक पूरी तरह से समझ नहीं पाते हैं।

उनके विचार में, प्रमुख अवसर मॉडल को उन चीजों के बारे में छिपे हुए ज्ञान को शब्दबद्ध करने की अनुमति दे रहा है जिनके बारे में लोगों ने कभी स्पष्ट रूप से नहीं लिखा है। पाठकों के लिए, टेकवे सरल हैः अगले उपयोगी AI सिस्टम उत्तर का उत्पादन नहीं कर सकते हैं; उन्हें उन उत्तरों के पीछे के ज्ञान की व्याख्या करने की भी आवश्यकता हो सकती है।

एंड्रियास लंबी पैदल यात्रा और बैकपैकिंग के साथ अनुसंधान को संतुलित करता है, ऐसी गतिविधियाँ जिनका वह अपने कैलिफ़ोर्निया बचपन से आनंद लेते हैं। वह हर गर्मियों में कम से कम एक या दो बैकपैक ट्रिप लेता है और न्यू हैम्पशायर के सभी 4,000-फुट की चोटियों पर धीमी लेकिन स्थिर प्रगति करने के लिए गणित विभाग में एक सहयोगी के साथ काम कर रहा है। अब जब उसने कार्यकाल अर्जित किया है, तो वह एक चैम्बर गाना बजानेवालों में गायन में लौटने के लिए भी उत्सुक है, जो कैंब्रिज में उनके समय से जुड़ा हुआ शौक है, जहां उन्हें चैपल कोरल और घंटी बजाने में दिलचस्पी हो गई थी।

Comments (0)

  1. No comments yet. Be the first to share what worked for you.

Leave a comment

Comments are reviewed before they appear. Your email address is not published.