कृत्रिम बुद्धिमत्ता क्या है?

आर्टिफिशियल इंटेलिजेंस (AI) एक ऐसी तकनीक है जो कंप्यूटर और मशीनों को मानवीय सीखने, समझने, समस्या-समाधान, निर्णय लेने, रचनात्मकता और स्वायत्तता की नकल करने में सक्षम बनाती है।

आर्टिफिशियल इंटेलिजेंस (AI) से लैस एप्लिकेशन और उपकरण चीजों को देख और पहचान सकते हैं। वे मानवीय भाषा को समझ सकते हैं और उस पर प्रतिक्रिया दे सकते हैं। साथ ही, वे नई जानकारी और अनुभवों से सीख सकते हैं और उपयोगकर्ताओं तथा विशेषज्ञों को विस्तृत सुझाव दे सकते हैं। वे स्वतंत्र रूप से कार्य कर सकते हैं, जिससे मानवीय बुद्धि या हस्तक्षेप की आवश्यकता समाप्त हो जाती है (इसका एक उत्कृष्ट उदाहरण 'सेल्फ-ड्राइविंग कार' है)।

लेकिन 2024 में, आर्टिफिशियल इंटेलिजेंस (AI) के अधिकांश शोधकर्ता, इस क्षेत्र में काम करने वाले लोग और इससे जुड़ी अधिकतर चर्चाएँ 'जेनरेटिव AI' (Gen AI) में हो रही प्रगति पर केंद्रित हैं। यह एक ऐसी तकनीक है जो मूल (original) टेक्स्ट, चित्र, वीडियो और अन्य प्रकार की सामग्री तैयार कर सकती है। जेनरेटिव AI को पूरी तरह से समझने के लिए, सबसे पहले उन तकनीकों को समझना ज़रूरी है जिन पर इसके टूल्स आधारित हैं, और वे हैं: मशीन लर्निंग (ML) और डीप लर्निंग।

मशीन लर्निंग

आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) के बारे में सोचने का एक सरल तरीका इसे परस्पर जुड़ी या एक-दूसरे से निकली उन अवधारणाओं की एक श्रृंखला के रूप में देखना है, जो 70 से अधिक वर्षों की अवधि में सामने आई हैं:

आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) के दायरे में ही 'मशीन लर्निंग' आती है। इसमें डेटा के आधार पर पूर्वानुमान लगाने या निर्णय लेने के लिए किसी एल्गोरिदम को प्रशिक्षित करके मॉडल तैयार किए जाते हैं। इसमें ऐसी कई तकनीकें शामिल हैं जो कंप्यूटर को डेटा से सीखने और उससे जानकारी प्राप्त करने में सक्षम बनाती हैं, बिना इसके कि उन्हें विशिष्ट कार्यों के लिए स्पष्ट रूप से प्रोग्राम किया गया हो।

मशीन लर्निंग की कई तकनीकें या एल्गोरिदम मौजूद हैं, जिनमें लीनियर रिग्रेशन (Linear Regression), लॉजिस्टिक रिग्रेशन (Logistic Regression), डिसीजन ट्री (Decision Trees), रैंडम फॉरेस्ट (Random Forest), सपोर्ट वेक्टर मशीन (SVM), नियरेस्ट नेबर एल्गोरिदम (KNN), क्लस्टरिंग (Clustering) और अन्य शामिल हैं। इनमें से प्रत्येक तरीका विभिन्न प्रकार की समस्याओं और डेटा के लिए उपयुक्त है।

मशीन लर्निंग एल्गोरिदम के सबसे प्रसिद्ध प्रकारों में से एक ' न्यूरल नेटवर्क ' (या कृत्रिम न्यूरल नेटवर्क) है। न्यूरल नेटवर्क को मानव मस्तिष्क की संरचना और कार्यप्रणाली के आधार पर तैयार किया गया है। यह नेटवर्क नोड्स (जो न्यूरॉन्स या तंत्रिका कोशिकाओं की तरह कार्य करते हैं) की परस्पर जुड़ी परतों से बना होता है, जो जटिल डेटा को संसाधित (process) और विश्लेषित करने के लिए मिलकर काम करते हैं। न्यूरल नेटवर्क उन कार्यों के लिए अत्यंत उपयुक्त हैं जिनमें डेटा की विशाल मात्रा में जटिल पैटर्न और संबंधों की पहचान करना शामिल होता है।

मशीन लर्निंग का सबसे सरल रूप 'सुपरवाइज्ड लर्निंग' (Supervised Learning) कहलाता है। इसमें एल्गोरिदम को डेटा को वर्गीकृत करने या परिणामों का सटीक पूर्वानुमान लगाने के लिए प्रशिक्षित करने हेतु 'लेबल किए गए' (labeled) डेटा सेट का उपयोग किया जाता है। इस प्रकार की लर्निंग में, मनुष्य प्रत्येक प्रशिक्षण उदाहरण को एक लेबल किए गए आउटपुट के साथ जोड़ते हैं। इसका उद्देश्य यह होता है कि मॉडल प्रशिक्षण डेटा में इनपुट और आउटपुट के बीच के संबंध को सीख ले, ताकि वह नए और अनदेखे डेटा के आउटपुट का पूर्वानुमान लगा सके।

डीप लर्निंग (Deep Learning)

डीप लर्निंग (Deep Learning) मशीन लर्निंग का ही एक उप-क्षेत्र है जो बहु-स्तरीय न्यूरल नेटवर्क—जिन्हें 'डीप न्यूरल नेटवर्क' कहा जाता है—का उपयोग करता है; ये नेटवर्क निर्णय लेने की मानवीय मस्तिष्क की जटिल क्षमता की बारीकी से नकल करते हैं।

डीप न्यूरल नेटवर्क्स में एक इनपुट लेयर, कम से कम तीन हिडन लेयर्स (जो आमतौर पर सैकड़ों में होती हैं) और एक आउटपुट लेयर शामिल होती है; इसके विपरीत, क्लासिकल मशीन लर्निंग मॉडल्स में इस्तेमाल होने वाले न्यूरल नेटवर्क्स में आमतौर पर केवल एक या दो हिडन लेयर्स ही होती हैं।

ये कई परतें 'अनसुपरवाइज्ड लर्निंग' (Unsupervised Learning) को संभव बनाती हैं: ये बड़े, बिना लेबल वाले और असंरचित डेटा सेट से विशेषताओं (features) को निकालने की प्रक्रिया को स्वचालित कर सकती हैं, और डेटा क्या दर्शाता है, इस बारे में अपने स्वयं के पूर्वानुमान प्रस्तुत कर सकती हैं।

चूंकि डीप लर्निंग (Deep Learning) में मानवीय हस्तक्षेप की आवश्यकता नहीं होती, इसलिए यह बड़े पैमाने पर मशीन लर्निंग को संभव बनाती है। यह नेचुरल लैंग्वेज प्रोसेसिंग (NLP), कंप्यूटर विज़न और ऐसे अन्य कार्यों के लिए अत्यंत उपयुक्त है जिनमें डेटा की विशाल मात्रा में मौजूद जटिल पैटर्नों और संबंधों की त्वरित और सटीक पहचान की आवश्यकता होती है। हमारे दैनिक जीवन में आर्टिफिशियल इंटेलिजेंस (AI) के अधिकांश अनुप्रयोग डीप लर्निंग के ही किसी न किसी रूप पर आधारित हैं।

डीप लर्निंग यह भी संभव बनाती है:

1. अर्ध-पर्यवेक्षित शिक्षण (Semi-supervised learning), जो वर्गीकरण और रिग्रेशन (regression) कार्यों के लिए आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित करने हेतु लेबल किए गए और बिना लेबल वाले डेटा का उपयोग करके पर्यवेक्षित और गैर-पर्यवेक्षित शिक्षण को संयोजित करता है।
2. स्व-पर्यवेक्षित शिक्षण (Self-supervised learning), जो पर्यवेक्षी संकेतों के लिए लेबल किए गए डेटा-सेट पर निर्भर रहने के बजाय, असंरचित डेटा से अंतर्निहित लेबल उत्पन्न करता है।
3. रीइन्फोर्समेंट लर्निंग (सुदृढ़ीकरण अधिगम), जो छिपे हुए पैटर्न से जानकारी निकालने के बजाय 'प्रयास और त्रुटि' (trial and error) और 'रिवॉर्ड फंक्शन' (इनाम-आधारित कार्यों) के माध्यम से सीखता है।
4. ट्रांसफर लर्निंग (Transfer Learning) , जिसमें किसी कार्य या डेटासेट के माध्यम से प्राप्त ज्ञान का उपयोग किसी अन्य संबंधित कार्य या भिन्न डेटासेट पर मॉडल के प्रदर्शन को बेहतर बनाने के लिए किया जाता है।

जेनरेटिव एआई (Generative AI)

जेनरेटिव एआई (Generative AI) — जिसे कभी-कभी "Gen AI" भी कहा जाता है — उन डीप लर्निंग मॉडल्स को संदर्भित करता है जो उपयोगकर्ता के किसी निर्देश या अनुरोध के जवाब में मौलिक और जटिल सामग्री (जैसे लंबे टेक्स्ट, उच्च-गुणवत्ता वाली छवियां,यथार्थवादी वीडियो या ऑडियो, आदि) तैयार कर सकते हैं।

सामान्य तौर पर, जेनरेटिव मॉडल (generative models) अपने प्रशिक्षण डेटा के एक सरलीकृत निरूपण (representation) को एनकोड करते हैं, और फिर उस निरूपण का उपयोग एक ऐसी नई रचना तैयार करने के लिए करते हैं जो मूल डेटा के समान तो होती है, लेकिन बिल्कुल वैसी (हूबहू) नहीं होती।

सांख्यिकी में संख्यात्मक डेटा के विश्लेषण के लिए वर्षों से 'जेनरेटिव मॉडल' (generative models) का उपयोग किया जाता रहा है। लेकिन पिछले दशक में, इनका विकास अधिक जटिल प्रकार के डेटा का विश्लेषण और सृजन करने के लिए हुआ है। यह विकास 'डीप लर्निंग' (deep learning) मॉडलों के तीन उन्नत प्रकारों के उदय के साथ हुआ है:

1. वेरिएशनल ऑटो-एनकोडर्स (VAEs) , जिन्हें 2013 में पेश किया गया था, ने मॉडल्स को किसी संकेत (prompt) या निर्देश के जवाब में विभिन्न प्रकार की सामग्री उत्पन्न करने में सक्षम बनाया।
2. डिफ्यूज़न मॉडल्स (Diffusion Models) — जो पहली बार 2014 में सामने आए — तस्वीरों में 'नॉइज़' (noise) जोड़ते हैं जब तक कि वे पहचानने योग्य न रह जाएं, और फिर प्रॉम्प्ट्स (निर्देशों) के जवाब में नई तस्वीरें बनाने के लिए उस नॉइज़ को हटा देते हैं।
3. 'ट्रांसफॉर्मर्स' (Transformers) को अनुक्रमिक डेटा (sequential data) पर प्रशिक्षित किया जाता है ताकि वे सामग्री के विस्तृत अनुक्रम उत्पन्न कर सकें (जैसे वाक्यों में शब्द, छवि में आकृतियाँ, वीडियो में फ्रेम, या प्रोग्रामिंग कोड में कमांड)। ट्रांसफॉर्मर्स आज चर्चा में रहने वाले अधिकांश 'जेनरेटिव एआई' (Generative AI) टूल्स का मूल आधार हैं, जिनमें ChatGPT, GPT-4, Copilot, Gemini और अन्य शामिल हैं।

जेनरेटिव आर्टिफिशियल इंटेलिजेंस कैसे काम करता है?

सामान्य तौर पर, जेनरेटिव आर्टिफिशियल इंटेलिजेंस (Generative AI) तीन चरणों में काम करता है:

1. एक आधारभूत मॉडल बनाने के लिए प्रशिक्षण ।
2. समायोजन : मॉडल को किसी विशिष्ट अनुप्रयोग के अनुकूल बनाना।
3. सटीकता को बेहतर बनाने के लिए सृजन, मूल्यांकन और अतिरिक्त समायोजन ।

प्रशिक्षण

जेनरेटिव AI (Generative AI) की शुरुआत एक "फाउंडेशन मॉडल" (बुनियादी मॉडल) से होती है; यह एक डीप लर्निंग मॉडल है जो विभिन्न प्रकार के जेनरेटिव AI एप्लिकेशन्स के लिए आधार के रूप में कार्य करता है।

आज सबसे प्रचलित 'फाउंडेशन मॉडल ' (आधारभूत मॉडल) 'लार्ज लैंग्वेज मॉडल्स' (LLMs) हैं, जिन्हें टेक्स्ट (पाठ) तैयार करने वाले एप्लिकेशन्स के लिए बनाया गया है। लेकिन इसके अलावा, चित्र, वीडियो, ऑडियो या संगीत तैयार करने वाले फाउंडेशन मॉडल और कई प्रकार की सामग्री (कंटेंट) का समर्थन करने वाले 'मल्टी-मॉडल' फाउंडेशन मॉडल भी मौजूद हैं।

फाउंडेशन मॉडल (आधारभूत मॉडल) बनाने के लिए, विशेषज्ञ 'डीप लर्निंग' एल्गोरिदम को संबंधित कच्चे (raw), असंरचित और बिना लेबल वाले डेटा की विशाल मात्रा पर प्रशिक्षित करते हैं—जैसे कि इंटरनेट से प्राप्त टेराबाइट्स या पेटाबाइट्स टेक्स्ट, चित्र या वीडियो। इस प्रशिक्षण के परिणामस्वरूप अरबों पैरामीटर्स वाला एक न्यूरल नेटवर्क तैयार होता है, जो डेटा में मौजूद इकाइयों (entities), पैटर्न्स और संबंधों के एन्कोडिंग का प्रतिनिधित्व करता है और जो प्रॉम्प्ट्स (निर्देशों) के जवाब में स्वतंत्र रूप से सामग्री उत्पन्न करने में सक्षम होता है। यही फाउंडेशन मॉडल है।

इस प्रशिक्षण प्रक्रिया के लिए भारी कंप्यूटिंग क्षमता की आवश्यकता होती है, इसमें बहुत समय लगता है और यह अत्यंत खर्चीली होती है। इसके लिए हजारों ग्राफिक्स प्रोसेसिंग यूनिट्स (GPUs) और हफ्तों तक चलने वाली प्रोसेसिंग की जरूरत होती है, और आमतौर पर इस सब पर लाखों डॉलर का खर्च आता है। मेटा (Meta) के Llama-2 जैसे ओपन-सोर्स 'फाउंडेशनल मॉडल' प्रोजेक्ट्स, जेनरेटिव एआई (Generative AI) डेवलपर्स को इस चरण और इससे जुड़ी लागतों से बचने में सक्षम बनाते हैं।

सेटिंग्स

इसके बाद, मॉडल को सामग्री (content) तैयार करने के किसी विशिष्ट कार्य के लिए समायोजित (configure) करना आवश्यक है। यह विभिन्न तरीकों से किया जा सकता है, जिनमें शामिल हैं:

1. फाइन-ट्यूनिंग (Fine-tuning) , जिसमें मॉडल को एप्लिकेशन-विशिष्ट लेबल वाला डेटा, ऐसे प्रश्न या प्रॉम्प्ट्स (prompts) जो एप्लिकेशन को प्राप्त होने की संभावना है, और अपेक्षित प्रारूप में उनके संबंधित सही उत्तर प्रदान करना शामिल है।
2. मानवीय प्रतिक्रियाओं के माध्यम से सुदृढ़ शिक्षण (RLHF) — इसमें मानव उपयोगकर्ता मॉडल के आउटपुट की सटीकता या प्रासंगिकता का मूल्यांकन करते हैं ताकि मॉडल स्वयं में सुधार कर सके। यह प्रक्रिया उतनी ही सरल हो सकती है जितनी कि किसी चैटबॉट या वर्चुअल असिस्टेंट के लिए लोगों द्वारा सुधार (corrections) लिखकर या बोलकर बताना।

उत्पादन, मूल्यांकन और अतिरिक्त समायोजन

डेवलपर्स और उपयोगकर्ता नियमित रूप से अपने जेनरेटिव (generative) एप्लिकेशन्स के आउटपुट का मूल्यांकन करते हैं और सटीकता या प्रासंगिकता बढ़ाने के लिए मॉडल को लगातार—कभी-कभी सप्ताह में एक बार भी—समायोजित (fine-tune) करते रहते हैं। इसके विपरीत, 'फाउंडेशनल मॉडल' (मूल मॉडल) को कम बार अपडेट किया जाता है—संभवतः हर साल या हर 18 महीने में।

जेनरेटिव AI (Generative AI) एप्लिकेशन के प्रदर्शन को बेहतर बनाने का एक और विकल्प 'रिट्रीवल-ऑगमेंटेड जनरेशन' (RAG) है। यह एक ऐसी तकनीक है जो 'फाउंडेशनल मॉडल' (मूल मॉडल) का विस्तार करती है ताकि अधिक सटीकता या प्रासंगिकता के लिए परिणामों को बेहतर बनाने हेतु प्रशिक्षण डेटा (training data) के बाहर के प्रासंगिक स्रोतों का उपयोग किया जा सके।

एआई एजेंट और एजेंटिक एआई

AI एजेंट (AI agent) एक स्वतंत्र आर्टिफिशियल इंटेलिजेंस प्रोग्राम है, जो मानवीय हस्तक्षेप के बिना—अपनी कार्य-प्रक्रिया (workflow) को स्वयं तैयार करके और उपलब्ध टूल्स (जैसे अन्य एप्लिकेशन या सेवाओं) का उपयोग करके—किसी उपयोगकर्ता या अन्य सिस्टम की ओर से कार्य करने और लक्ष्यों को प्राप्त करने में सक्षम है।

एजेंटिक एआई (Agentic AI) एक ऐसी प्रणाली है जो कई एआई एजेंटों से मिलकर बनी होती है, जिनके प्रयासों का समन्वय किसी ऐसे अधिक जटिल कार्य या बड़े लक्ष्य को पूरा करने के लिए किया जाता है जिसे प्रणाली का कोई भी अकेला एजेंट हासिल नहीं कर सकता।

चैटबॉट्स और अन्य AI मॉडलों के विपरीत, जो पूर्व-निर्धारित सीमाओं के भीतर काम करते हैं और जिनमें मानवीय हस्तक्षेप की आवश्यकता होती है, AI एजेंट और 'एजेंटिक AI' (agentic AI) स्वायत्तता, लक्ष्य-उन्मुख व्यवहार और बदलती परिस्थितियों के अनुसार ढलने की क्षमता प्रदर्शित करते हैं। "एजेंट" और "एजेंटिक" शब्द इन मॉडलों की "एजेंसी" (agency)—यानी स्वतंत्र और उद्देश्यपूर्ण ढंग से कार्य करने की उनकी क्षमता—की ओर संकेत करते हैं।

'एजेंट्स' (Agents) के बारे में सोचने का एक तरीका यह है कि उन्हें 'जेनरेटिव एआई' (Generative AI) के बाद का एक स्वाभाविक अगला कदम माना जाए। जेनरेटिव मॉडल सीखे गए पैटर्न के आधार पर कंटेंट बनाने पर ध्यान केंद्रित करते हैं; जबकि एजेंट इस कंटेंट का उपयोग आपस में और अन्य टूल्स के साथ बातचीत करने के लिए करते हैं, ताकि निर्णय लिए जा सकें, समस्याओं को हल किया जा सके और कार्यों को पूरा किया जा सके। उदाहरण के लिए, एक जेनरेटिव एआई एप्लिकेशन आपके काम के शेड्यूल के आधार पर आपको माउंट एवरेस्ट पर चढ़ने का सबसे अच्छा समय तो बता सकता है, लेकिन एक एजेंट न केवल आपको यह जानकारी दे सकता है, बल्कि ऑनलाइन ट्रैवल सर्विस का उपयोग करके आपके लिए सबसे अच्छी फ्लाइट और नेपाल में सबसे उपयुक्त होटल में कमरा भी बुक कर सकता है।

कृत्रिम बुद्धिमत्ता के लाभ

आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) विभिन्न उद्योगों और अनुप्रयोगों में कई लाभ प्रदान करता है। कुछ सबसे सामान्य लाभों में निम्नलिखित शामिल हैं:

1. दोहराए जाने वाले कार्यों का स्वचालन।
2. डेटा से कहीं अधिक और तेज़ी से अंतर्दृष्टि।
3. निर्णय लेने की प्रक्रिया को सुदृढ़ करना।
4. कम मानवीय त्रुटियाँ।
5. सप्ताह के सातों दिन, चौबीसों घंटे उपलब्धता।
6. वित्तीय जोखिमों को कम करना।

बार-बार किए जाने वाले कार्यों का स्वचालन

आर्टिफिशियल इंटेलिजेंस (AI) अक्सर दिनचर्या वाले, दोहरावपूर्ण और उबाऊ कार्यों को स्वचालित (automate) कर सकता है। इनमें डेटा एकत्र करने, दर्ज करने और संसाधित करने जैसे डिजिटल कार्य, तथा गोदामों में स्टॉक चुनने और विनिर्माण प्रक्रियाओं जैसे भौतिक कार्य शामिल हैं। यह स्वचालन कर्मचारियों को अधिक मूल्यवान और रचनात्मक कार्यों पर ध्यान केंद्रित करने की स्वतंत्रता देता है।

निर्णय लेने की प्रक्रिया को सुदृढ़ करना

चाहे निर्णय लेने में सहायता के लिए हो या पूरी तरह से स्वचालित निर्णय लेने के लिए, आर्टिफिशियल इंटेलिजेंस (AI) डेटा पर आधारित तेज़ और अधिक सटीक पूर्वानुमान लगाने तथा विश्वसनीय निर्णय लेने में सक्षम बनाता है। ऑटोमेशन के साथ मिलकर, AI कंपनियों को मानवीय हस्तक्षेप के बिना और वास्तविक समय (real-time) में अवसरों का लाभ उठाने तथा संकट उत्पन्न होते ही उन पर प्रतिक्रिया देने में सक्षम बनाता है।

कम मानवीय त्रुटियाँ

आर्टिफिशियल इंटेलिजेंस (AI) विभिन्न तरीकों से मानवीय त्रुटियों को कम कर सकता है—जैसे कि किसी प्रक्रिया के सही चरणों में लोगों का मार्गदर्शन करना, संभावित गलतियों के होने से पहले ही उनकी ओर इशारा करना, और मानवीय हस्तक्षेप के बिना प्रक्रियाओं को पूरी तरह से स्वचालित करना। यह स्वास्थ्य सेवा जैसे क्षेत्रों में विशेष रूप से महत्वपूर्ण है, जहाँ उदाहरण के लिए, AI-संचालित सर्जिकल रोबोट लगातार सटीक परिणाम सुनिश्चित करते हैं।

चौबीसों घंटे उपलब्धता और निरंतरता

आर्टिफिशियल इंटेलिजेंस (AI) हमेशा काम करता है, चौबीसों घंटे उपलब्ध रहता है और हर बार एक जैसा (स्थिर) प्रदर्शन प्रदान करता है। चैटबॉट्स या वर्चुअल असिस्टेंट जैसे टूल्स ग्राहक सेवा या सहायता के लिए कर्मचारियों पर पड़ने वाले बोझ को कम कर सकते हैं। सामग्री प्रसंस्करण (मटीरियल प्रोसेसिंग) या उत्पादन लाइनों जैसे अन्य क्षेत्रों में, जब AI का उपयोग दोहराव वाले या उबाऊ कार्यों को पूरा करने के लिए किया जाता है, तो यह काम की गुणवत्ता और उत्पादन के स्तर को बनाए रखने में मदद कर सकता है।

वित्तीय जोखिमों को कम करना

जानवरों को नियंत्रित करने, विस्फोटकों को संभालने और गहरे समुद्र, अधिक ऊंचाई या अंतरिक्ष में कार्य करने जैसे खतरनाक कामों को स्वचालित (ऑटोमेटेड) बनाकर, आर्टिफिशियल इंटेलिजेंस (AI) श्रमिकों को चोट लगने या इससे भी बदतर स्थितियों के जोखिम में डालने की आवश्यकता को खत्म कर सकता है। हालांकि ये तकनीकें अभी पूर्णता तक नहीं पहुंची हैं, फिर भी सेल्फ-ड्राइविंग कारें और अन्य वाहन यात्रियों के घायल होने के जोखिम को कम करने की संभावना प्रदान करते हैं।

आर्टिफिशियल इंटेलिजेंस के उपयोग के मामले

आर्टिफिशियल इंटेलिजेंस (AI) के वास्तविक अनुप्रयोग अनेक हैं। इसकी क्षमताओं को स्पष्ट करने के लिए, यहाँ विभिन्न उद्योगों में इसके उपयोग के कुछ उदाहरण दिए गए हैं:

ग्राहक अनुभव, सेवा और सहायता

कंपनियाँ ग्राहकों की पूछताछ, सपोर्ट टिकट और अन्य कार्यों को संभालने के लिए AI-संचालित चैटबॉट्स और वर्चुअल असिस्टेंट्स को लागू कर सकती हैं। ये उपकरण ऑर्डर की स्थिति, उत्पाद के विवरण और वापसी (रिटर्न) की नीतियों से संबंधित ग्राहकों के सवालों को समझने और उनका जवाब देने के लिए 'नेचुरल लैंग्वेज प्रोसेसिंग' (NLP) और 'जेनरेटिव AI' की क्षमताओं का उपयोग करते हैं।

धोखाधड़ी का पता लगाना

मशीन लर्निंग और डीप लर्निंग एल्गोरिदम लेनदेन के पैटर्न का विश्लेषण कर सकते हैं और असामान्य गतिविधियों—जैसे कि असामान्य खर्च या अपरिचित स्थानों से लॉग-इन—की पहचान कर सकते हैं, जो धोखाधड़ी वाले लेनदेन का संकेत देती हैं। इससे संस्थान संभावित धोखाधड़ी पर अधिक तेज़ी से प्रतिक्रिया देने और उसके प्रभाव को कम करने में सक्षम होते हैं।

व्यक्तिगत मार्केटिंग

खुदरा विक्रेता, बैंक और ग्राहकों से जुड़े अन्य व्यवसाय आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करके ऐसे व्यक्तिगत ग्राहक अनुभव और मार्केटिंग अभियान तैयार कर सकते हैं जो ग्राहकों को खुश करें, बिक्री बढ़ाएं और ग्राहकों को छोड़कर जाने से रोकें।

मानव संसाधन और भर्ती

आर्टिफिशियल इंटेलिजेंस (AI) पर आधारित भर्ती प्लेटफॉर्म बायोडाटा की जांच करके, उम्मीदवारों का नौकरी के विवरण से मिलान करके और यहां तक कि वीडियो विश्लेषण के माध्यम से प्रारंभिक साक्षात्कार आयोजित करके भर्ती प्रक्रिया को सरल बना सकते हैं।

एप्लिकेशन्स का विकास और अद्यतनीकरण

आर्टिफिशियल इंटेलिजेंस (AI) आधारित कोड-जेनरेशन और ऑटोमेशन टूल्स, एप्लिकेशन डेवलपमेंट से जुड़े दोहराव वाले कोडिंग कार्यों को सरल बना सकते हैं और बड़े पैमाने पर पुराने एप्लिकेशन्स के माइग्रेशन व आधुनिकीकरण की प्रक्रिया को तेज कर सकते हैं।

पूर्वानुमानात्मक रखरखाव

मशीन लर्निंग मॉडल सेंसर, IoT (इंटरनेट ऑफ थिंग्स) और OT (ऑपरेशनल टेक्नोलॉजी) उपकरणों से प्राप्त डेटा का विश्लेषण करके यह अनुमान लगा सकते हैं कि रखरखाव (मेंटेनेंस) की आवश्यकता कब होगी और उपकरणों में खराबी आने से पहले ही उसका पूर्वानुमान लगा सकते हैं।

आर्टिफिशियल इंटेलिजेंस की चुनौतियाँ और जोखिम

संस्थाएँ नवीनतम आर्टिफिशियल इंटेलिजेंस (AI) तकनीकों और उनके अनेक लाभों का उपयोग करने के लिए होड़ कर रही हैं। यह तीव्र अपनाव आवश्यक है, लेकिन AI कार्यप्रवाह (workflow) को अपनाने और उसे बनाए रखने के साथ चुनौतियाँ और जोखिम भी जुड़े होते हैं।

डेटा संबंधी जोखिम

आर्टिफिशियल इंटेलिजेंस (AI) प्रणालियाँ ऐसे डेटा सेट पर निर्भर करती हैं जो डेटा पॉइज़निंग, डेटा के साथ छेड़छाड़, डेटा में पूर्वाग्रह या साइबर हमलों के प्रति संवेदनशील हो सकते हैं, जिसके परिणामस्वरूप डेटा का उल्लंघन (डेटा ब्रीच) हो सकता है।

मॉडल के जोखिम

दुर्भावनापूर्ण तत्व चोरी, रिवर्स इंजीनियरिंग या अनधिकृत हेरफेर के लिए आर्टिफिशियल इंटेलिजेंस (AI) मॉडल को निशाना बना सकते हैं।

परिचालन संबंधी जोखिम

सभी तकनीकों की तरह, मॉडल भी परिचालन संबंधी जोखिमों—जैसे कि मॉडल का विचलन (model drift), पूर्वाग्रह और शासन संरचना (governance structure) में विफलता—के प्रति संवेदनशील होते हैं।

नैतिक और कानूनी जोखिम

यदि संस्थान आर्टिफिशियल इंटेलिजेंस (AI) प्रणालियों को विकसित और लागू करते समय सुरक्षा और नैतिकता को प्राथमिकता नहीं देते हैं, तो वे गोपनीयता के उल्लंघन और पक्षपाती परिणाम उत्पन्न करने का जोखिम उठाते हैं।

कृत्रिम बुद्धिमत्ता की नैतिकता और शासन

आर्टिफिशियल इंटेलिजेंस (AI) की नैतिकता एक बहु-विषयक क्षेत्र है जो इस बात का अध्ययन करता है कि जोखिमों और नकारात्मक परिणामों को कम करते हुए AI के लाभकारी प्रभाव को कैसे बढ़ाया जाए। AI नैतिकता के सिद्धांतों को एक ऐसी शासन प्रणाली के माध्यम से लागू किया जाता है जो यह सुनिश्चित करती है कि AI के उपकरण और प्रणालियाँ सुरक्षित और नैतिक बनी रहें।

आर्टिफिशियल इंटेलिजेंस (AI) की नैतिकता और जिम्मेदार AI से जुड़े सामान्य मूल्यों में निम्नलिखित शामिल हैं:

व्याख्या-क्षमता और अर्थ-बोध क्षमता (Explainability and Interpretability)

आर्टिफिशियल इंटेलिजेंस (AI) की प्रगति के साथ, मनुष्यों के सामने यह समझने की चुनौती है कि कोई एल्गोरिदम किसी नतीजे तक कैसे पहुँचता है। 'व्याख्या-योग्य आर्टिफिशियल इंटेलिजेंस' (Explainable AI) प्रक्रियाओं और तरीकों का एक ऐसा समूह है जो उपयोगकर्ताओं को एल्गोरिदम के नतीजों की व्याख्या करने, उन्हें समझने और उन पर भरोसा करने में सक्षम बनाता है।

निष्पक्षता और समावेशिता

हालाँकि मशीन लर्निंग स्वभाव से ही सांख्यिकीय भेदभाव का एक रूप है, लेकिन यह भेदभाव तब अस्वीकार्य हो जाता है जब यह विशेषाधिकार प्राप्त समूहों को व्यवस्थित लाभ पहुँचाता है और वंचित समूहों को नुकसानदेह स्थिति में डाल देता है।

मज़बूती और सुरक्षा (Robustness and Security)

मजबूत (रोबस्ट) आर्टिफिशियल इंटेलिजेंस असाधारण परिस्थितियों—जैसे कि इनपुट में विकृति या दुर्भावनापूर्ण हमले—से प्रभावी ढंग से निपटता है, और इस दौरान कोई अनपेक्षित नुकसान नहीं पहुँचाता।

जवाबदेही और पारदर्शिता

संस्थाओं को स्पष्ट जिम्मेदारियाँ और शासन संरचनाएँ (governance structures) लागू करनी चाहिए। इसके अलावा, उपयोगकर्ताओं को यह देखने में सक्षम होना चाहिए कि एआई (AI) सेवा कैसे काम करती है, वे इसकी कार्यक्षमता का मूल्यांकन कर सकें और इसकी खूबियों व सीमाओं को समझ सकें।

गोपनीयता और अनुपालन (Privacy and Compliance)

कई विनियामक ढांचे, जिनमें 'सामान्य डेटा संरक्षण विनियमन' (GDPR) भी शामिल है, संगठनों के लिए यह अनिवार्य बनाते हैं कि वे व्यक्तिगत जानकारी को संसाधित करते समय गोपनीयता के विशिष्ट सिद्धांतों का पालन करें।

कमज़ोर कृत्रिम बुद्धिमत्ता बनाम सशक्त कृत्रिम बुद्धिमत्ता

कृत्रिम बुद्धिमत्ता (AI) के उपयोग को जटिलता के विभिन्न स्तरों के संदर्भ में समझने के लिए, शोधकर्ताओं ने इसके कई प्रकार निर्धारित किए हैं:

कमज़ोर AI (Weak AI) : इसे "नैरो AI" (Narrow AI) के नाम से भी जाना जाता है, और यह उन AI प्रणालियों को दर्शाता है जिन्हें किसी विशिष्ट कार्य को करने के लिए डिज़ाइन किया गया है। इसके उदाहरणों में Alexa और Siri जैसे "स्मार्ट" वॉयस असिस्टेंट या सोशल मीडिया पर मौजूद चैटबॉट्स शामिल हैं।

मजबूत आर्टिफिशियल इंटेलिजेंस (Strong AI) : इसे "जनरल आर्टिफिशियल इंटेलिजेंस" (AGI) के नाम से भी जाना जाता है। इसमें मानवीय बुद्धिमत्ता के बराबर या उससे भी बेहतर स्तर पर कार्यों की एक विस्तृत श्रृंखला में ज्ञान को समझने, सीखने और उसे लागू करने की क्षमता होती है। आर्टिफिशियल इंटेलिजेंस का यह स्तर वर्तमान में केवल सैद्धांतिक है और विकास के इस स्तर के करीब पहुँचने वाला कोई ज्ञात AI सिस्टम मौजूद नहीं है।

कृत्रिम बुद्धिमत्ता का इतिहास

"सोचने वाली मशीन" का विचार प्राचीन यूनान से चला आ रहा है। लेकिन इलेक्ट्रॉनिक कंप्यूटिंग के आगमन के बाद से, आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) के विकास में महत्वपूर्ण घटनाएँ और पड़ाव इस प्रकार हैं:

1. 1950 : एलन ट्यूरिंग ने "कंप्यूटिंग मशीनरी और इंटेलिजेंस" (Computing Machinery and Intelligence) नामक शोध-पत्र प्रकाशित किया। इसमें उन्होंने अपना प्रसिद्ध प्रश्न उठाया: "क्या मशीनें सोच सकती हैं?" और एक परीक्षण का प्रस्ताव रखा जिसे अब "ट्यूरिंग टेस्ट" के नाम से जाना जाता है।
2. 1956 : जॉन मैकार्थी ने आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) के पहले सम्मेलन में "आर्टिफिशियल इंटेलिजेंस" शब्द गढ़ा।
3. 1967 : फ्रैंक रोसेनब्लैट ने 'मार्क 1 परसेप्ट्रॉन' (Mark 1 Perceptron) बनाया, जो 'ट्रायल एंड एरर' (प्रयास और त्रुटि) के माध्यम से "सीखने" वाले न्यूरल नेटवर्क पर आधारित पहला कंप्यूटर था।
4. 1980 : न्यूरल नेटवर्क, जो खुद को प्रशिक्षित करने के लिए 'बैक-प्रोपैगेशन' (back-propagation) एल्गोरिदम का उपयोग करते हैं, आर्टिफिशियल इंटेलिजेंस के अनुप्रयोगों में व्यापक रूप से इस्तेमाल किए जाने लगे।
5. 1997 : IBM के 'डीप ब्लू' (Deep Blue) कंप्यूटर ने तत्कालीन शतरंज विश्व चैंपियन गैरी कास्पारोव को हराया।
6. 2011 : IBM Watson ने 'Jeopardy!' गेम शो में चैंपियनों को हराया।
7. 2015 : Baidu के 'Minwa' सुपरकंप्यूटर ने छवियों की पहचान और वर्गीकरण के लिए एक विशेष 'डीप न्यूरल नेटवर्क' का उपयोग किया, जिसकी सटीकता औसत इंसान से अधिक थी।
8. 2016 : डीपमाइंड (DeepMind) के 'अल्फागो' (AlphaGo) प्रोग्राम ने 'गो' (Go) खेल के विश्व चैंपियन ली से-डोल को हराया।
9. 2022 : OpenAI के ChatGPT जैसे बड़े भाषा मॉडलों (LLMs) के आगमन ने आर्टिफिशियल इंटेलिजेंस (AI) के प्रदर्शन और क्षमताओं में भारी बदलाव ला दिया।
10. 2024 : आर्टिफिशियल इंटेलिजेंस (AI) के नवीनतम रुझान AI के निरंतर उत्थान की ओर इशारा करते हैं। कई प्रकार के डेटा को प्रोसेस करने में सक्षम 'मल्टी-मॉडल' (multimodal) मॉडल अधिक समृद्ध और शक्तिशाली अनुभव प्रदान करते हैं। साथ ही, छोटे मॉडल भी प्रगति कर रहे हैं।

अब जब आप इस रोमांचक दुनिया की बुनियादी बातों में माहिर हो गए हैं, तो इसे अमल में लाने का समय आ गया है।

क्या आप अपने शब्दों को ऐसी आवाज़ में बदलने के लिए तैयार हैं जो दिलों और ज़ेहनों को मोह ले?

आज ही ऑडियो कंटेंट की दुनिया में अपनी यात्रा शुरू करें।

" मकना " (Makna) प्लेटफ़ॉर्म को मुफ़्त में आज़माएँ और पहले 1000 अक्षरों को 5 मिनट से भी कम समय में पेशेवर वॉयस-ओवर में बदलें!

अपना मुफ़्त ट्रायल अभी शुरू करें

स्रोत: IBM.COM