या ब्लॉग पोस्टमध्ये, आपण तंत्रज्ञान आणि शक्यतांवर एक नजर टाकू की एआय मानवी विचारसरणी आणि शिक्षण पूर्णपणे बदलू शकते का.
जेव्हा संगणक पहिल्यांदा दिसू लागले, तेव्हा त्यांची भूमिका अशी होती की मानव प्रत्यक्षात करू शकत नव्हते अशा अनेक गणना करणे. तेव्हापासून, संगणक तंत्रज्ञान विकसित होत असताना, संगणकांनी मानवांना मूलभूत गणना, माहिती संग्रहित करणे आणि सामायिक करणे आणि जटिल ऑपरेशन्स करणे यासह अनेक क्षेत्रांमध्ये मदत केली आहे. संगणक विज्ञान इतर सर्व क्षेत्रांच्या तुलनेत सर्वात वेगाने विकसित होत आहे. सध्या, लोक संगणकांना केवळ मानव करू शकत नसलेल्या गोष्टी करण्यावरच काम करत नाहीत तर स्वतःहून विचार आणि शिकण्यास देखील भाग पाडत आहेत, असे काहीतरी जे फक्त मानव आणि उच्च जीव यापूर्वी करू शकले आहेत. संगणकांना मानवांसारखे विचार करण्यास आणि स्वतःहून शिकण्यास आणि विकसित करण्यास सक्षम करण्याच्या या प्रयत्नामुळे कृत्रिम बुद्धिमत्ता नावाची तंत्रज्ञानाची निर्मिती झाली आहे.
कृत्रिम बुद्धिमत्ता म्हणजे फक्त अल्फागो किंवा वॉटसन नाही, जसे बहुतेक लोक त्यांना विचार करतात, तर अशी कोणतीही तंत्रज्ञान आहे जी संगणकांना विचार करण्यास आणि फक्त मानव करू शकतात अशा गोष्टी शिकण्यास सक्षम करते. उदाहरणार्थ, स्वयंचलित भाषांतर तंत्रज्ञान केवळ शब्दांची यादी क्रमाने अनुवादित करत नाही, तर संदर्भानुसार अर्थपूर्ण होण्यासाठी शब्दांचा अर्थ देखील बदलते. कॅमेऱ्यात एखाद्या व्यक्तीचा चेहरा ओळखणे किंवा त्याच व्यक्तीचे फोटो वर्गीकृत करणे ही देखील एआयची उदाहरणे आहेत. या तंत्रज्ञानाचा वापर विविध क्षेत्रात केला जातो आणि ते अलीकडेच आपल्या दैनंदिन जीवनाचा एक भाग बनले आहेत.
एआयचे दोन मुख्य प्रकारांमध्ये वर्गीकरण करता येते: कमकुवत आणि मजबूत एआय. कमकुवत एआय म्हणजे विशिष्ट उद्देशाने समस्या सोडवण्यासाठी डिझाइन केलेले एआय. आजपर्यंत विकसित केलेले सर्व एआय तंत्रज्ञान कमकुवत एआय श्रेणीतील आहेत. दुसरीकडे, मजबूत एआय म्हणजे एक एआय जो विशिष्ट उद्देशाशिवाय सर्व क्षेत्रे स्वतः शिकू शकतो आणि सोडवू शकतो आणि असे मानले जाते की ते सध्याच्या तंत्रज्ञानाने तयार केले जाऊ शकत नाही. द टर्मिनेटर चित्रपटातील स्कायनेट हे मजबूत एआयचे उदाहरण आहे. मजबूत एआयची गुरुकिल्ली म्हणजे ते स्वतःचे निर्णय घेऊ शकते, शिकू शकते आणि कोणतेही ध्येय साध्य करण्यासाठी मार्ग शोधू शकते. अल्फागोला अनेकदा मजबूत एआयशी गोंधळात टाकले जाते. याचे कारण असे की अल्फागोमध्ये उत्तम संगणकीय शक्ती आणि स्वतःहून संख्या शिकण्याची क्षमता आहे. तथापि, अल्फागोला कमकुवत एआय म्हणून वर्गीकृत केले आहे कारण ते गो गेम जिंकण्याच्या विशिष्ट ध्येयासह अनेक उपाय शोधते.
आजपर्यंत विकसित केलेल्या मजबूत एआय प्रोग्रामच्या सर्वात जवळची गोष्ट म्हणजे आयबीएमचा वॉटसन. अमेरिकेतील लोकप्रिय क्विझ शोमध्ये भाग घेऊन आणि जिंकून वॉटसनने त्याच्या कामगिरीसाठी बरीच ओळख मिळवली आहे. ट्रिव्हिया मास्टर्सशी स्पर्धा करून त्याला अधिक ज्ञान मिळण्याची अपेक्षा आहे. आणि वॉटसन फक्त क्विझ शोसाठी तयार करण्यात आले नव्हते. वॉटसन इतर अनेक क्षेत्रातील प्रणालींसह काम करू शकतो आणि त्यांच्याकडून शिकू शकतो, ज्यामुळे तो एक अतिशय उपयुक्त कृत्रिम बुद्धिमत्ता बनतो जो वेगाने अधिक बहुमुखी होत आहे. अर्थात, वॉटसन अद्याप एक मजबूत एआय नाही कारण त्याला मानवांनी एक उद्देश दिला आहे आणि तो स्वतःहून विविध क्षेत्रात उपाय शोधण्याऐवजी तो पूर्ण करण्यासाठी कार्य करतो. तथापि, संगणक तंत्रज्ञानाच्या विकासाच्या वेगवान गतीसह, सखोल शिक्षण आणि मोठा डेटा यासारख्या तंत्रज्ञानासह, एक मजबूत एआयची शक्यता खुली आहे.
आधी सांगितल्याप्रमाणे, एआय अखेर स्वतःमध्ये सुधारणा करायला शिकते आणि मशीन लर्निंग नावाची तंत्रज्ञान एआयला शिकण्यास सक्षम करते. मशीन लर्निंग ही एक अशी तंत्र आहे जी संगणकांना स्पष्टपणे लिहिलेल्या प्रोग्रामशिवाय शिकण्याची परवानगी देते. मशीन लर्निंगसह एआय दिलेल्या डेटामधील संबंधांचे विश्लेषण करते आणि नवीन डेटा तयार करण्यासाठी अनिर्दिष्ट यंत्रणा ओळखते. सोप्या भाषेत सांगायचे तर, हे एक तंत्रज्ञान आहे जे डेटाद्वारे ए कसे बी बनते याची प्रक्रिया समजून घेण्यासाठी अनेक ए आणि बीचे विश्लेषण करते. मशीन लर्निंग म्हणजे ए द्वारे बी तयार करण्यासाठी या नमुन्यांचा वापर करणे. हे तंत्रज्ञान एआयला स्वतः शिकण्यासाठी आधार आहे आणि अलीकडेच, त्यातून डीप लर्निंग तंत्रज्ञानाचा जन्म झाला आणि एआयच्या जलद विकासात डीप लर्निंग तंत्रज्ञानाने महत्त्वाची भूमिका बजावली आहे. पारंपारिक मशीन लर्निंगमध्ये, अल्गोरिथमला मानवांनी दिलेल्या माहितीवर आधारित उत्तरे शोधण्यासाठी आणि तयार करण्यासाठी प्रशिक्षित केले जाते. दुसरीकडे, डीप लर्निंगमध्ये मानवांना माहिती शिकवण्याची आवश्यकता नसताना स्वतःहून उत्तरे शोधण्याची क्षमता असते. उदाहरणार्थ, मशीन लर्निंगमध्ये, एखाद्या एआयला एखाद्या चित्राकडे पाहून ते पक्षी म्हणून वर्गीकृत करण्यासाठी, मानवाला पक्ष्यांची अनेक चित्रे दाखवावी लागतील आणि "हा पक्षी आहे" हे शिकवावे लागेल. दुसरीकडे, सखोल शिक्षण पक्ष्यांच्या वेगवेगळ्या चित्रांचे विश्लेषण करू शकते आणि मानवी सूचनांशिवाय इतर पक्ष्यांना पक्षी म्हणून वर्गीकृत करू शकते. अशाप्रकारे, सखोल शिक्षण एआयला अधिक कार्यक्षम बनवते आणि विविध क्षेत्रांमध्ये स्वतःहून शिकण्यास सक्षम बनवते.
डीप लर्निंग चांगले काम करण्यासाठी, एआयला मोठ्या प्रमाणात डेटा उपलब्ध असणे आवश्यक आहे. येथेच वर उल्लेख केलेले बिग डेटा तंत्रज्ञान काम करते. बिग डेटा तंत्रज्ञान ही अशी तंत्रज्ञान आहे जी डेटावर प्रक्रिया करते जी त्याच्या मोठ्या आकारमानामुळे आणि लहान पिढी चक्रामुळे पारंपारिक प्रक्रिया पद्धतींद्वारे हाताळता येत नाही. डीप लर्निंग तंत्रज्ञानाचा वापर मोठ्या डेटासह एकत्रितपणे केला जातो कारण जितका जास्त डेटा उपलब्ध असेल तितके अधिक प्रभावी आणि अचूक शिक्षण शक्य आहे. या प्रकरणात, आपण वाढत्या प्रमाणात डेटावर प्रक्रिया आणि वापर करण्याची पद्धत देखील शिक्षणाद्वारे वाढेल. डीप लर्निंग आणि बिग डेटा तंत्रज्ञान एकत्र करून, एआय अधिक माहिती अधिक कार्यक्षमतेने शिकण्यास आणि वापरण्यास सक्षम आहे.
बहुतेक संशोधकांचा असा विश्वास आहे की सध्याच्या तंत्रज्ञानाने मजबूत एआय शक्य नाही, परंतु एआय तंत्रज्ञान विकसित होत आहे, ज्यामध्ये मशीन लर्निंगपासून डीप लर्निंगकडे होणारे संक्रमण आणि मोठ्या डेटा तंत्रज्ञानासह संयोजन यांचा समावेश आहे. या तंत्रज्ञानाच्या परस्परसंवादाद्वारे, एआय जलद गतीने विकसित होत आहे आणि ही गती वाढण्याची शक्यता आहे. याव्यतिरिक्त, मानव एआय सुधारण्यासाठी प्रयत्न करत राहतील. म्हणूनच, एक मजबूत एआय तयार करणे अशक्य असले तरीही, त्याच्या जवळ जाण्यासाठी ते विकसित होत राहील.
