उपकरण समीक्षाएँ

अकादमी में AI के लिए इष्टतम आगे की राह पर तीन प्रश्न

AI अनुसंधान में तेजी लाकर, क्रेडिट को चुनौती देकर और प्रशिक्षण को प्रभावित करके अकादमिक जगत को बदल रहा है; विश्वविद्यालयों को मानकों और साझा बुनियादी ढांचे की आवश्यकता है।

अकादमी में AI के लिए इष्टतम आगे की राह पर तीन प्रश्न

मुख्य जानकारी

  • AI तेजी से अकादमिक अनुसंधान को आकार दे रहा है, विशेष रूप से गणित और इंजीनियरिंग में, क्योंकि मशीन-सत्यापित प्रमाण और परीक्षण योग्य software तेज प्रतिक्रिया और पुनरावर्ती सुधार की अनुमति देते हैं।
  • एक पॉलिश पांडुलिपि शोधकर्ता के ज्ञान का कमज़ोर संकेत बनती जा रही है, इसलिए विश्वविद्यालयों को इस बात पर पुनर्विचार करना चाहिए कि वे मजबूत प्रश्न पूछने, अध्ययन की नकल करने और डेटा साझा करने जैसे योगदान को कैसे श्रेय देते हैं।
  • स्नातक प्रशिक्षण को अभी भी उत्पादक संघर्ष की आवश्यकता हैः छात्रों को समस्या निर्माण, परिणाम जांच और निर्णय जैसे मूल कौशल बनाए रखना चाहिए, भले ही AI अधिक नियमित कार्य संभालता हो।
  • विश्वविद्यालयों को प्रयोगशालाओं को जोड़ने, गुप्त ज्ञान और असफल प्रयोगों को संरक्षित करने और दीर्घकालिक, खुले, स्वतंत्र अनुसंधान का समर्थन करने के लिए साझा एआई-संचालित वैज्ञानिक बुनियादी ढांचे का निर्माण करना चाहिए।

मेटा विवरण: एमआईटी के Sasha Rakhlin बताता है कि कैसे AI स्नातक अनुसंधान, क्रेडिट, प्रशिक्षण और गणित और इंजीनियरिंग के लिए विश्वविद्यालय विज्ञान बुनियादी ढांचे को फिर से आकार दे रहा है।

Three Questions on the Optimal Way Forward for AI in Academia

टैगः AI अकादमिक क्षेत्र में, स्नातक अनुसंधान, एमआईटी Sasha Rakhlin, वैज्ञानिक अवसंरचना

![विश्वविद्यालय प्रयोगशालाओं, समीकरणों, कोड और अनुसंधान ग्राफ को जोड़ने वाले AI उपकरणों का सार मैत्रीपूर्ण चित्रण, बिना लोगों, लोगो या पाठ के]

डेटा, सिस्टम्स एंड सोसाइटी, आईडीएसएस और ब्रेन एंड Cognitive Sciences में MIT Statistics और Data Science Center और Distinguished Professor के निदेशक द्वारा एक नया निबंध समझाता है कि कैसे AI अकादमिक क्षेत्र स्नातक अनुसंधान और शिक्षा को बदल रहा है। यह इस गर्मी में प्रकाशित एमआईटी की रिपोर्ट का अनुसरण करता है और गणित, सांख्यिकी, machine learning , और इंजीनियरिंग पर केंद्रित है।

क्यों गणित परिवर्तन की गति को दर्शाता है

रक्लिन गणित की ओर इशारा करते हैं क्योंकि यह परिवर्तन की गति को देखना आसान बनाता है। पिछले साल, एक मॉडल ने International Mathematical Olympiad में स्वर्ण पदक-स्तरीय प्रदर्शन हासिल किया था। JUST इसके एक वर्ष बाद, मॉडल नए शोध परिणामों का उत्पादन कर रहे हैं, जिसमें हाल ही में सुप्रसिद्ध अनसुलझे गणितीय चुनौतियों के एक सेट Millennium Prize Problems का प्रस्तावित समाधान भी शामिल है। ऐसे कार्य जो कभी उन्नत गणितीय क्षमता दिखाते थे उन्हें AI द्वारा तेजी से संभाला जा सकता है।

केंद्रीय शर्त, उनका तर्क है कि कितनी तेजी से और कैसे मज़बूती से काम की जांच की जा सकती है। एक औपचारिक भाषा में लिखे गए प्रमाण को एक मशीन द्वारा सत्यापित किया जा सकता है, जबकि software निष्पादित और परीक्षण किए जा सकते हैं। जब प्रतिक्रिया तेज और भरोसेमंद होती है, तो सिस्टम उम्मीदवार बना सकते हैं, परिणामों से सीख सकते हैं और सुधार कर सकते हैं. यह लूप स्वयं के विकास पर भी लागू होता हैः बेहतर मॉडल प्रशिक्षण प्रक्रियाओं और उपकरणों को बेहतर बनाने में मदद कर सकते हैंः

Three Questions on the Optimal Way Forward for AI in Academia

अनुभवी शोधकर्ताओं के लिए, यह उन सवालों का रास्ता खोलता है जिनका पीछा करना पहले बहुत कठिन था। लेकिन रक्लिन ने चेतावनी दी कि उत्तर प्राप्त करना यह समझाने के समान नहीं है कि यह क्यों काम करता है, क्या स्थानांतरित होता है या अगला प्रश्न चुनना है। उनका कहना है कि विश्वविद्यालयों को निकट भविष्य की तैयारी करनी चाहिए जिसमें AI बौद्धिक कार्य के कई क्षेत्रों में मनुष्यों से अधिक बुद्धिमान हो सकते हैं।

क्यों एक पॉलिश पांडुलिपि अब पर्याप्त नहीं है

अधिक से अधिक क्षेत्रों में, उनका कहना है कि एक पॉलिश पांडुलिपि किसी व्यक्ति के ज्ञान का कम विश्वसनीय संकेत बन रही है। विभागों को अब यह पुनर्विचार करना शुरू कर देना चाहिए कि मूल्यवान छात्रवृत्ति के रूप में क्या मायने रखता है। उनके विचार में, इसका उत्तर मूल्यवान काम को परिभाषित नहीं करना है जो कुछ भी AI अभी तक नहीं कर सकता है। इसके बजाय, विश्वविद्यालयों को अच्छे प्रश्न पूछने, अध्ययन दोहराने, विचारों को एक साथ लाने, परिणाम की रिपोर्ट करने और साझा करने के लिए अधिक मान्यता देने की आवश्यकता हो सकती है datasets

मूल्यांकन को यह भी स्पष्ट करना चाहिए कि एक शोधकर्ता ने वास्तव में क्या योगदान दिया है और वे कौन सी बौद्धिक जिम्मेदारी ले रहे हैं। जब किसी परियोजना के बड़े हिस्से AI की सहायता से उत्पादित किए जाते हैं तो यह विशेष रूप से महत्वपूर्ण हो जाता है। रक्लिन का कहना है कि इन मानकों को भर्ती, पदोन्नति और वित्तपोषण निर्णयों का मार्गदर्शन करना चाहिए। उन्हें पहले से ही डॉक्टरेट कार्यक्रमों में छात्रों और शुरू करने वाले लोगों के लिए भी स्पष्ट किया जाना चाहिए।

स्नातक प्रशिक्षण कठिन चरणों को क्यों नहीं छोड़ सकता है

प्रशिक्षण कठिन समस्या है। रक्लिन बौद्धिक कौशल की तुलना मांसपेशियों से करते हैं जो बार-बार प्रयास के माध्यम से बढ़ते हैं। साधारण गणना, programming , मृत अंत और छोटी जीत ने लंबे समय तक छात्रों को अंतर्ज्ञान और निर्णय बनाने में मदद की है। AI इस काम का कुछ हिस्सा हटा सकता है, जिससे छात्र अधिक महत्वाकांक्षी परियोजनाओं का प्रयास कर सकते हैं। जोखिम यह है कि यह उन अनुभवों को भी हटा देता है जिनके माध्यम से विशेषज्ञता बनती है।

उनके विचार में, विभागों को उत्पादक संघर्ष से अनावश्यक घर्षण को अलग करने की आवश्यकता है। छात्रों को अभी भी समस्याओं को स्पष्ट रूप से व्यक्त करना सीखना चाहिए, जांचें कि कौन से मॉडल उत्पन्न होते हैं, प्रकाशित निष्कर्षों को दोहराएं और अपने फैसलों का औचित्य साबित करें। जैसे-जैसे उपकरण अधिक शक्तिशाली हो जाते हैं, मूल बातें अधिक मूल्यवान बन सकती हैं, कम नहीं, क्योंकि वे शोधकर्ताओं को उन उपकरणों का अच्छी तरह से उपयोग करने की अनुमति देते हैं।

विश्वविद्यालयों को क्या बनाना चाहिए: साझा वैज्ञानिक बुनियादी ढांचा

रक्लिन एमआईटी और अन्य विश्वविद्यालयों के लिए एक अवसर देखता है जो बुनियादी ढांचा बनाने में मदद करता है विज्ञान अपनी शर्तों पर आगे बढ़ें। लक्ष्य, वह कहते हैं कि विश्वविद्यालयों को लंबे समय तक क्षितिज पर प्रश्नों पर काम करना चाहिए, परिणाम खुले तौर पर प्रकाशित करें, और स्वतंत्र रूप से दावों का आकलन करें। उद्योग साझेदारी मायने रखेगी, लेकिन वाणिज्यिक प्राथमिकताएं विज्ञान की पूरी चौड़ाई को कवर नहीं कर सकतीं या समय के साथ अकादमिक जरूरतों के अनुरूप नहीं रह सकती हैं। इसलिए कुछ तकनीकी स्वतंत्रता आवश्यक है।

Three Questions on the Optimal Way Forward for AI in Academia

वह तर्क देते हैं कि अकादमिकों की सबसे मूल्यवान संपत्तियों में से एक प्रयोगशालाओं के भीतर आयोजित ज्ञान है, प्रकाशित पत्रों में नहीं। पेपर चयनात्मक होते हैं। असफल प्रयोग, दिशाएं जो गिरा दी गई थीं और स्पष्टीकरण क्यों कुछ काम नहीं किया था वे अक्सर सार्वजनिक रिकॉर्ड से अनुपस्थित रहते हैं। वैज्ञानिक और इंजीनियर भी चुपके ज्ञान या कठिन-से-लिखने वाले जानकारियां रखते हैं कि क्या विफल होने की संभावना है और क्यों। यह लापता संदर्भ यह समझाने में मदद कर सकता है कि AI मॉडल वर्तमान में कुछ डोमेन में संघर्ष करते हैं, विशेष रूप से अनुभवजन्य विज्ञान, परिणामों का अनुमान लगाने के लिए जो विशेषज्ञों के लिए स्पष्ट हैं। ये सीमाएँ अस्थायी हो सकती हैं, और नकारात्मक परिणामों और विशेषज्ञ व्याख्याओं को कैप्चर करने से वैज्ञानिक अन्वेषण पर बेहतर मॉडल बन सकते हैं।

वह एमआईटी की प्रयोगशालाओं को एक कनेक्टेड, विकसित वैज्ञानिक प्रणाली के रूप में काम करने की कल्पना करता है, जो साझा AI अनुसंधान अवसंरचना के माध्यम से जुड़ा हुआ है। एक उदाहरण में, एक न्यूरोसाइंस लैब माइक्रोस्कोप छवियों में न्यूरॉन्स को अलग करने के लिए बेहतर उपकरण चाहता है। AI सहायक computer vision टीम से एक उपयोगी विकास देख सकता है, समूहों का परिचय दे सकते हैं, मूल्यांकन परीक्षण सुझा सकते हैं और बार-बार सुधार का मार्गदर्शन कर सकते हैं। यह छात्रों और संकाय के लिए अनसुलझे सवालों को भी सतह पर ला सकता है जबकि एक प्रयोगशाला में सीखे गए सबक को दूसरों के लिए उपलब्ध कराता है।

उस भविष्य के निर्माण के लिए, विश्वविद्यालयों को वर्कफ़्लोज़ की आवश्यकता होती है जो कैप्चर करते हैं कि क्या प्रस्तावित किया गया था, क्या बदला गया, क्या हुआ, क्या विफल रहा और विशेषज्ञ परिणाम कैसे पढ़ते हैं। साझा प्रणालियों को उन वर्कफ़्लो को कनेक्ट करना चाहिए ताकि AI एजेंट उपयुक्त अनुमतियों के तहत प्रयोगशालाओं में उपकरण और जानकारी का उपयोग कर सकें। इसके लिए आज कंप्यूटिंग क्षमता, संरक्षित डेटा सिस्टम और अनुकूलन और पोस्ट-प्रशिक्षण AI मॉडल में कुशल लोगों के लिए बड़े सार्वजनिक और विश्वविद्यालय द्वारा वित्त पोषित समर्थन की आवश्यकता होगी, जिसका अर्थ है प्रारंभिक प्रशिक्षण के बाद उन्हें अपनाना।

शोधकर्ताओं और छात्रों के लिए आगे क्या है

इस कार्य को ट्रैक करने की प्रक्रिया विचारों के वंशावली को भी संरक्षित कर सकती है। यह स्नातक छात्रों सहित योगदानों को पहचानना आसान बना सकता है। सहमति और क्रेडिट के लिए सहमत नियमों के साथ, शोधकर्ता अधिक खुले तौर पर सहयोग कर सकते हैं, अधिक विश्वास के साथ कि उनके काम को मान्यता दी जाएगी। जो बदले में, एआई-सहायता प्राप्त अनुसंधान वातावरण में बौद्धिक योगदान को कैसे पहचाना जाए और पुरस्कृत किया जाए, इसकी पहले की समस्या को हल करने में मदद करेगा।

रक्लिन का व्यापक बिंदु यह है कि AI सिस्टम पहले से ही किसी भी व्यक्तिगत शोधकर्ता को अवशोषित करने की तुलना में अधिक जानकारी एकत्र और तर्क कर सकते हैं, और उपयोगी कनेक्शन बनाने की उनकी क्षमता में सुधार जारी रखना चाहिए। विश्वविद्यालयों को कठिन वैज्ञानिक और इंजीनियरिंग समस्याओं के आसपास लोगों को एक साथ लाने के लिए उस क्षमता का उपयोग करना चाहिए, जिससे शोधकर्ताओं को एक-दूसरे की ताकत और अंतर्दृष्टि पर निर्माण किया जा सके। वह जो दिशा रेखांकित करता है वह JUST उपकरण का उपयोग करने के बारे में नहीं है।AI यह तय करने के بارے میں ہے کہ یونیورسٹیاں کس چیز کی حفاظت کرنا چاہتی ہیں ، وہ کیا ماپنا چاہتے ہیں اور انہیں اب کیا تعمیر کرنے کی ضرورت ہے۔

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.