एआय म्हणजे नेमकं काय आहे? [व्हिडिओ आणि प्रश्नमंजुषा]

थोडक्यात उत्तर: एआय (AI) हे संगणकीय तंत्रांचे एक व्यापक कुटुंब आहे, जे नमुने ओळखते, अंदाज वर्तवते, सामग्री तयार करते आणि वाढत्या प्रमाणात कृती करते. जेव्हा विश्वसनीय माहिती, स्पष्ट परवानग्या आणि मानवी पुनरावलोकन यांचा आधार घेतला जातो, तेव्हा ते अत्यंत प्रभावी ठरू शकते, परंतु त्यातून मिळणाऱ्या अस्खलित आउटपुटला कधीही सत्याचा स्वयंचलित पुरावा मानले जाऊ नये.

महत्वाचे मुद्दे:

उत्तरदायित्व: महत्त्वाच्या निर्णयांसाठी लोकांना जबाबदार धरा, विशेषतः जिथे एआयकडून महागड्या चुका होऊ शकतात.

पारदर्शकता: एआय प्रणाली कोणत्या माहितीवर, नियमांवर आणि परवानग्यांवर अवलंबून असते, हे स्पष्ट करा.

पडताळणी: महत्त्वाच्या वस्तुनिष्ठ, वैद्यकीय, कायदेशीर, आर्थिक आणि व्यावसायिक निष्कर्षांवर कार्यवाही करण्यापूर्वी त्यांची तपासणी करा.

लेखापरीक्षणक्षमता: प्रातिनिधिक उदाहरणांसह एआयची चाचणी घ्या आणि कार्यक्षमतेतील वाढ तसेच झालेल्या त्रुटींची नोंद करा.

गैरवापर प्रतिबंध: प्रवेश मर्यादित करा, असमर्थित कृतींना प्रतिबंध करा आणि अनिश्चित प्रकरणे मानवी समीक्षकांकडे सोपवा.

१. एआय म्हणजे नक्की काय? सोपे स्पष्टीकरण

कृत्रिम बुद्धिमत्ता, किंवा एआय, म्हणजे मानवी बुद्धिमत्तेशी संबंधित कार्ये करू शकणाऱ्या संगणक प्रणाली होय.

त्या कामांमध्ये खालील गोष्टींचा समावेश असू शकतो:

• भाषा समजणे

• चित्रांमधील वस्तू ओळखणे

• पुढे काय होईल याचा अंदाज लावणे

• शिफारसी करणे

• मजकूर, चित्रे, ऑडिओ किंवा व्हिडिओ तयार करणे

• विशाल डेटासेटमध्ये नमुने ओळखणे

• उपलब्ध माहितीच्या आधारे निर्णय घेणे

• उदाहरणांमधून शिकणे

• विशिष्ट प्रकारच्या समस्या सोडवणे

येथे एक मुद्दा महत्त्वाचा आहे.

बुद्धिमान वाटणारे परिणाम देण्यासाठी एआयला माणसासारखा विचार करण्याची गरज नसते

बुद्धिबळाचा प्रोग्राम आपला बिशप बळी देणे भावनिकदृष्ट्या योग्य आहे की नाही, याची चिंता करत बसत नाही. शिफारस करणारा अल्गोरिदम तुम्हाला सतत सुचवत असलेल्या माहितीपटाशी वैयक्तिक भावनिक नाते जोडत नाही. भाषेच्या मॉडेलला संगणकात राहणाऱ्या एका लहान इंग्रजी शिक्षकाची गरज नसते.

त्याऐवजी, या प्रणाली गणितीय मॉडेल, अल्गोरिदम, प्रशिक्षण डेटा, नियम, संभाव्यता आणि प्रचंड प्रमाणात संगणकीय प्रक्रियेचा वापर करून माहितीवर प्रक्रिया करतात.

अंतिम परिणाम आश्चर्यकारकपणे मानवी दिसू शकतो.

पण त्यामागील कार्यप्रणाली खूपच वेगळी आहे.

तो फरक लोकांना कधीकधी वाटतो त्यापेक्षा जास्त महत्त्वाचा आहे.

२. एआय हे रोबोटच्या मेंदूपेक्षा भविष्यवाणी करणाऱ्या यंत्रासारखे अधिक आहे

जेव्हा लोक 'कृत्रिम बुद्धिमत्ता' हे नाव ऐकतात, तेव्हा ते अनेकदा कृत्रिम मानवी मेंदूसारख्या एखाद्या गोष्टीची कल्पना करतात.

हे समजण्यासारखे आहे. विज्ञान कथांनी अनेक दशकांपासून एआयला चमकणारे डोळे, अशुभ आवाज, संशयास्पदपणे ठाम मते आणि सहसा, कोणत्यातरी प्रकारचा धातूचा सांगाडा दिला आहे.

व्यावहारिक एआय सामान्यतः कमी सिनेमॅटिक असते.

अनेक आधुनिक एआय प्रणाली अंदाजाच्या.

एका भाषा मॉडेलचा विचार करा.

जेव्हा तुम्ही टाईप करता:

मांजर त्यावर बसली होती..

सांख्यिकीय दृष्ट्या कोणते शब्द पुढे येण्याची शक्यता आहे याचे मूल्यांकन प्रणाली करते.

शक्यतो:

• मॅट

• मजला

• सोफा

• खुर्ची

ते केवळ एक वाक्य लक्षात ठेवून ते आठवत नाही. पुरेसे प्रगत मॉडेल शब्द, कल्पना, वाक्यरचना, संकल्पना, शैली, तथ्ये आणि नमुने यांच्यातील गुंतागुंतीचे संबंध शिकलेले असते.

त्यानंतर ते संदर्भाला सर्वात योग्य अशा शब्दक्रमाचा अंदाज लावते. पुढच्या शब्दाचा अचूक अंदाज लावण्यासाठी भाषेबद्दल बरेच काही शिकावे लागते.

आणि भाषेत... खरं तर, माणसं ज्याबद्दल बोलतात ते सर्व काही सामावलेलं असतं.

इतिहास. गणित. स्वयंपाक. प्रोग्रामिंग. नातेसंबंध. भौतिकशास्त्र. पिझ्झावर अननस असावा की नसावा यावरचे वाद.

त्यामुळे, वरवर पाहता सोपे वाटणारे भाकिताचे कार्य आश्चर्यकारकपणे गुंतागुंतीचे वर्तन निर्माण करू शकते.

अर्थातच, या रूपकाला मर्यादा आहेत. प्रगत एआयला 'केवळ ऑटो-कंप्लीट' म्हणणे हे, विमानाला 'पंख असलेला केवळ एक धातू' म्हणण्यासारखेच आहे. तांत्रिकदृष्ट्या, त्यात काहीतरी सत्य दडलेले आहे, पण त्यातील बहुतेक मनोरंजक भाग नाहीसा झाला आहे.

३. कृत्रिम बुद्धिमत्ता कशी शिकते?

इथेच मशीन लर्निंगचा संबंध येतो.

पारंपारिक सॉफ्टवेअर सामान्यतः स्पष्ट सूचनांनुसार कार्य करते.

एखादा प्रोग्रामर असे लिहू शकतो:

• वापरकर्त्याने बरोबर पासवर्ड टाकल्यास, प्रवेश द्या.

• तापमान एका विशिष्ट मर्यादेपेक्षा जास्त झाल्यास, थंड करण्याची प्रक्रिया सुरू करा.

• एखादी वस्तू स्टॉकमध्ये उपलब्ध नसल्यास, सूचना दाखवा.

त्या सूचना मुद्दामहून प्रोग्राम केलेल्या आहेत.

मशीन लर्निंग ही प्रक्रिया पूर्णपणे उलटवते.

प्रत्येक नियम स्वतः तयार करण्याऐवजी, डेव्हलपर्स सिस्टीमला उदाहरणे किंवा डेटा देतात आणि तिला स्वतःहून पॅटर्न शोधू देतात.

फोटोंमधील मांजरांना ओळखू शकणारे सॉफ्टवेअर बनवण्याचा प्रयत्न करत असल्याची कल्पना करा.

स्पष्ट नियम लिहिणे लवकरच हास्यास्पद ठरेल.

तुम्ही हे करून पाहू शकता:

• त्रिकोणी कान शोधा.

• मिशा शोधा.

• चार पाय शोधा.

• केस शोधा.

मग कोणीतरी कोल्ह्याचा फोटो अपलोड करतो.

पूर्णपणे नाही.

किंवा वाघ.

किंवा एखादे मांजर केसाळ गोळ्यासारखे वेटोळे घालून बसलेले असते, ज्यात त्याचे पायसुद्धा जेमतेम दिसतात.

मशीन लर्निंग या समस्येकडे वेगळ्या पद्धतीने पाहते. एका मॉडेलला उदाहरणांच्या प्रचंड संग्रहावर प्रशिक्षित केले जाऊ शकते आणि ते हळूहळू शिकते की कोणते दृश्य नमुने मांजरांशी संबंधित आहेत.

हे लहान मुलाप्रमाणे 'मांजर' म्हणायला शिकणे नाही.

परंतु गणितीय दृष्ट्या, हे मॉडेल त्या श्रेणीशी संबंधित नमुने ओळखण्यास अधिकाधिक सक्षम बनते.

थोडक्यात सांगायचं तर हेच मशीन लर्निंग आहे - अर्थात, या थोडक्यात सांगण्याच्या संकल्पनेतच रेषीय बीजगणिताची अनेक कोठारे दडलेली आहेत.

४. एआय विरुद्ध मशीन लर्निंग विरुद्ध डीप लर्निंग

या संज्ञा सतत एकमेकांत मिसळल्या जातात, याचे एक कारण म्हणजे लोक 'एआय' हा शब्द व्यावहारिकदृष्ट्या प्रत्येक गोष्टीसाठी एक व्यापक संज्ञा म्हणून वापरतात.

त्यांना वेगळे करण्याचा एक सोपा मार्ग हा आहे.

कृत्रिम बुद्धिमत्ता हे एक व्यापक क्षेत्र आहे.

एआय प्रणाली तयार करण्यासाठी वापरल्या जाणाऱ्या पद्धतींपैकी मशीन लर्निंग ही एक आहे

डीप लर्निंग हा मशीन लर्निंगचा एक विशिष्ट प्रकार आहे, ज्यामध्ये अनेक स्तर असलेल्या मोठ्या न्यूरल नेटवर्क्सचा समावेश असतो.

त्यानंतर जनरेटिव्ह एआय आहे , जे मजकूर, प्रतिमा, संगीत, कोड, भाषण किंवा व्हिडिओ यांसारखे नवीन आउटपुट तयार करण्यावर लक्ष केंद्रित करते.

तुलना सारणी

संज्ञा	सामान्य वापर	याचा मूळ अर्थ काय आहे	त्याबद्दल विचार करण्याचा सोपा मार्ग
कृत्रिम बुद्धिमत्ता	बुद्धिमान वाटणारी कार्ये करणाऱ्या यंत्रांची व्यापक श्रेणी	रोबोटिक्स, सहाय्यक, नियोजन, शिफारसी	मोठी छत्री
मशीन लर्निंग	डेटावरून नमुने शिकणाऱ्या प्रणाली	फसवणूक शोध, शिफारसी, भाकिते	उदाहरणांमधून शिकणे
सखोल शिक्षण	बहु-स्तरीय न्यूरल नेटवर्क वापरून मशीन लर्निंग	दृष्टी, भाषण, प्रगत भाषा मॉडेल	एमएल, पण खूपच खोलवर... शब्दशः
जनरेटिव्ह एआय	नवीन सामग्री तयार करण्यासाठी डिझाइन केलेले एआय	मजकूर, प्रतिमा, कोड, ऑडिओ	सर्जनशील शाखा
ऑटोमेशन	पूर्वनिर्धारित प्रक्रियांचे पालन करणारे सॉफ्टवेअर	पुनरावृत्ती होणारे कार्यप्रवाह, डेटा एंट्री	सहसा नियम, 'शिकणे' नव्हे

हा फरक महत्त्वाचा आहे, कारण प्रत्येक स्वयंचलित प्रणाली ही एआय नसते.

जर तुमची कॉफी मशीन दहा मिनिटांनंतर आपोआप बंद होत असेल, तर अभिनंदन - तुमच्याकडे बहुधा कृत्रिम बुद्धिमत्तेची प्रयोगशाळा नाही.

हा फक्त एक टायमर आहे.

५. न्यूरल नेटवर्क्स म्हणजे काय?

न्यूरल नेटवर्क्स ह्या जैविक न्यूरॉन्सपासून काही प्रमाणात प्रेरित असलेल्या गणितीय प्रणाली आहेत.

या शब्दप्रयोगामुळे ते गूढ वाटतात. ते संगणकांमध्ये तरंगणारे अक्षरशः कृत्रिम मेंदू नाहीत.

न्यूरल नेटवर्क हे माहितीवर प्रक्रिया करणाऱ्या, एकमेकांशी जोडलेल्या गणितीय घटकांचे बनलेले असते.

प्रशिक्षणादरम्यान, नेटवर्क पॅरामीटर्स किंवा वेट्स.

त्या बदलांमुळे प्रणाली अधिक मौल्यवान उत्पादन देण्यास सक्षम होते.

याची कल्पना एका अत्यंत गुंतागुंतीच्या कंट्रोल पॅनलसारखी करा, ज्यामध्ये संभाव्यतः अब्जावधी लहान ॲडजस्टेबल नॉब्स आहेत.

प्रशिक्षण त्या कळांना पुन्हा पुन्हा चालना देते.

चुकीचे उत्तर?

नॉब समायोजित करा.

अधिक चांगलं उत्तर?

त्यांना वेगवेगळ्या प्रकारे समायोजित करा.

हे पुरेशा वेळा, पुरेशा डेटावर आणि पुरेशा संगणकीय शक्तीने केल्यास, नेटवर्क जटिल अंतर्गत रचना विकसित करू लागते, ज्यामुळे ते नमुने ओळखू आणि निर्माण करू शकते.

अर्थातच, 'नॉब ॲडजस्ट करा' असे म्हटल्यावर, अनेक दशकांचा संगणकशास्त्राचा अभ्यास एखाद्याने जुना रेडिओ ट्यून करण्यासारखा वाटतो... पण एक मानसिक मॉडेल म्हणून ते आश्चर्यकारकपणे चांगले काम करते.

६. एआय अचानक इतके जास्त हुशार का वाटू लागले आहे?

कृत्रिम बुद्धिमत्ता हा काही एका रात्रीत झालेला शोध नाही.

अंतर्निहित क्षेत्र खूप काळापासून अस्तित्वात आहे.

बदल हा झाला की अनेक शक्ती एकत्र प्रवेगित झाल्या.

अधिक संगणकीय शक्ती

आधुनिक प्रोसेसर प्रचंड संख्येने गणना जलद गतीने करू शकतात, विशेषतः न्यूरल नेटवर्क्ससाठी आवश्यक असलेल्या प्रकारच्या गणना. प्रशिक्षण संगणकीय क्षमतेत हे आधुनिक एआय प्रणालींमधील प्रगतीचे एक महत्त्वाचे प्रेरक ठरले आहे.

अधिक डेटा

डिजिटल जगात प्रचंड प्रमाणात मजकूर, प्रतिमा, ऑडिओ, व्हिडिओ, कोड आणि संरचित माहिती सामावलेली आहे.

अत्याधुनिक मॉडेल्सना प्रशिक्षित करण्यासाठी उदाहरणांची गरज असते - तीही भरपूर.

उत्तम अल्गोरिदम

संशोधक एआय प्रणालींना प्रशिक्षित करण्यासाठी वापरल्या जाणाऱ्या रचना आणि पद्धतींमध्ये सातत्याने सुधारणा करत असतात.

मोठे मॉडेल

पॅरामीटर्सची संख्या वाढवणे, डेटासेट सुधारणे आणि संगणकीय क्षमता वाढवणे यांमुळे अनेकदा आश्चर्यकारकपणे सक्षम मॉडेल्स तयार झाली आहेत. संगणकीय क्षमतेच्या दृष्टीने सर्वोत्तम भाषा-मॉडेल प्रशिक्षणावरील संशोधनातून हे देखील दिसून येते की, केवळ पॅरामीटर्सची संख्या वाढवण्याऐवजी मॉडेलचा आकार, डेटा आणि संगणकीय क्षमता यांच्यात संतुलन राखणे आवश्यक आहे.

उत्तम इंटरफेस

या भागाला कमी लेखणे सोपे आहे.

एआय आता खूपच अधिक सुलभ वाटते, कारण सामान्य लोक आता दैनंदिन भाषेतून प्रगत प्रणालींशी संवाद साधू शकतात.

तुम्हाला प्रोग्रामिंग समजण्याची गरज नाही.

तुम्ही सहजपणे विचारू शकता:

मला बारा वर्षांच्या मुलाला समजेल अशाप्रकारे गृहकर्जाबद्दल समजावून सांगा

किंवा:

या बैठकीच्या नोंदी ईमेलमध्ये रूपांतरित करा

किंवा:

माझ्या फ्रिजमध्ये हळूहळू खराब होत असलेल्या भाज्या, चिकन आणि भात वापरून रात्रीच्या जेवणाचे पाच पर्याय सांगा

तो इंटरफेस बदल खूप मोठा आहे.

जेव्हा लोकांना एखादे तंत्रज्ञान वापरण्यासाठी मार्गदर्शिकेची गरज भासत नाही, तेव्हा त्याची लोकप्रियता झपाट्याने वाढते.

७. तुम्ही प्रश्न विचारता तेव्हा एआय काय करत असते?

एका आधुनिक एआय सहाय्यकाचा विचार करा.

तुम्ही टाईप करा:

पाच वर्षांच्या मुलाला गुरुत्वाकर्षण समजावून सांगा

पडद्यामागे, ही प्रणाली तुमच्या मजकुराचे टोकन.

टोकन हे संपूर्ण शब्द, शब्दांचे भाग, विरामचिन्हे किंवा भाषेचे इतर घटक दर्शवू शकतात.

ते टोकन मॉडेलद्वारे प्रक्रिया केले जातात.

हे मॉडेल तुमच्या विनंतीच्या वेगवेगळ्या भागांमधील संबंध तपासते, संदर्भ विचारात घेते आणि एका उपयुक्त पुढील कार्यवाहीचा अंदाज लावते.

मग दुसरे टोकन.

मग आणखी एक.

मग आणखी एक.

हे आश्चर्यकारकपणे वेगाने घडते.

परिणामी परिच्छेद पाहता असे वाटते की जणू कोणीतरी तो एक संपूर्ण विचार म्हणून रचला आहे, पण तांत्रिकदृष्ट्या तो क्रमशः तयार झाला आहे.

हे एआयच्या अधिक विचित्र वैशिष्ट्यांपैकी एक आहे.

जरी मूळ प्रक्रिया संभाव्य असली तरी, परिणाम हेतुपुरस्सर असल्याचे जाणवू शकते.

हे एखाद्या विशाल डेटाबेसमधून तयार उत्तर काढण्यापेक्षा, ऐनवेळी सुचलेल्या कल्पनेसारखे अधिक आहे.

अर्थात, हे तंतोतंत उत्स्फूर्त सादरीकरण नाही - पण त्या रूपकाला सार्थ ठरवण्यासाठी ते पुरेसे जवळचे आहे.

८. एआयला गोष्टी समजतात का?

हा प्रश्न खूप लवकर तात्विक बनतो.

एआय प्रणालीला भाषा खरोखरच समजते का?

'समजून घेणे' या शब्दाचा तुमच्यासाठी काय अर्थ आहे यावर उत्तर मोठ्या प्रमाणावर अवलंबून आहे.

आधुनिक एआय मॉडेल्स अत्याधुनिक पद्धतींनी संकल्पनांमध्ये स्पष्टपणे फेरफार करू शकतात.

ते हे करू शकतात:

• कल्पना स्पष्ट करा

• युक्तिवादांची तुलना करा

• मजकूर पुन्हा लिहा

• भाषांतर करा

• अनेक संरचित समस्या सोडवा

• कार्यरत कोड तयार करा

• नमुने ओळखा

• गुंतागुंतीच्या सूचनांचे पालन करा

• नवीन मार्गांनी संकल्पना एकत्र करा

बाहेरून पाहणाऱ्याला ते अगदी समजून घेतल्यासारखे वाटू शकते.

परंतु यंत्राची बुद्धिमत्ता आणि मानवी आकलनशक्ती यांच्यात महत्त्वाचे फरक आहेत.

मनुष्य भौतिक जगाचा अनुभव घेतो.

आपल्याला भूक, वेदना, लाज, कंटाळा, स्नेह या भावना जाणवतात आणि आपल्या फोनची बॅटरी फक्त २ टक्के उरली आहे हे लक्षात आल्यावर एक विचित्र प्रकारची घबराटही होते.

एआय प्रणालींना समतुल्य प्रत्यक्ष अनुभव असेलच असे नाही.

ते प्रतिनिधित्वांवर प्रक्रिया करतात.

त्यामुळे, एखाद्या एआयला एखादी गोष्ट 'समजते' का, हे विचारणे म्हणजे पाणबुडी पोहते का, असे विचारण्यासारखेच आहे.

ते पाण्यातून नक्कीच जाते.

पण कदाचित 'पोहोणे' हा शब्द अगदी योग्य नसेल.

९. एआयला आपोआप कळत नाही की सत्य काय आहे

जनरेटिव्ह एआयबद्दलच्या सर्वात महत्त्वाच्या मुद्द्यांपैकी हा एक आहे.

एखादे मॉडेल असे विधान तयार करू शकते जे अचूक नसतानाही अत्यंत पटण्यासारखे वाटते.

का?

कारण विश्वासार्ह भाषा तयार करणे आणि वस्तुनिष्ठ सत्याची पडताळणी करणे या वेगवेगळ्या समस्या आहेत.

एआय प्रणालीला अनिश्चितता आढळल्याससुद्धा ती आत्मविश्वासपूर्ण वाटणारे उत्तर देऊ शकते.

या चुकांना अनेकदा भास.

उदाहरणार्थ, एआय खालील गोष्टी करू शकते:

• एक आकडेवारी तयार करा

• एखाद्या अवतरणाचे श्रेय चुकीच्या व्यक्तीला देणे

• दोन समान व्यक्तींमध्ये गोंधळ निर्माण करा

• अस्तित्वात नसलेले संदर्भ तयार करा

• अस्पष्ट सूचनांचा चुकीचा अर्थ लावणे

• सूक्ष्म गणितीय चुका करा

लँग्वेज मॉडेल्स आत्मविश्वासपूर्ण वाटत असतानाही बनावट अवतरणे, अभ्यास, संदर्भ आणि इतर चुकीची माहिती तयार करू शकतात. NIST विशेषतः आत्मविश्वासाने सांगितलेली खोटी माहिती आणि बनावट संदर्भांना जनरेटिव्ह-एआयसाठी एक धोका म्हणून ओळखते.

विचित्र गोष्ट म्हणजे, या प्रणाली जितक्या अधिक सक्षम वाटतात, तितकेच हे विसरणे सोपे जाते.

सुसंस्कृत भाषा आत्मविश्वास निर्माण करते.

पण आत्मविश्वास म्हणजे पुरावा नव्हे.

वैद्यकशास्त्र, कायदा, वित्त, सुरक्षा किंवा मोठे व्यावसायिक निर्णय यांसारख्या क्षेत्रांशी संबंधित अत्यंत महत्त्वाच्या माहितीसाठी, पडताळणी अजूनही महत्त्वाची आहे.

बरेचसे.

१०. एआय आणि सर्च इंजिन या दोन वेगवेगळ्या गोष्टी आहेत

एआय आणि सर्च यांना एकच गोष्ट मानणे हा आणखी एक सामान्य गैरसमज आहे.

ते नाहीत.

पारंपरिक शोध इंजिन प्रामुख्याने अस्तित्वात असलेली माहिती शोधण्यास मदत करते.

जनरेटिव्ह एआय प्रणाली प्रामुख्याने शिकलेले नमुने, दिलेला संदर्भ आणि तिच्याकडे उपलब्ध असलेल्या इतर साधनांच्या आधारे प्रतिसाद निर्माण करते. जनरेटिव्ह मॉडेल्स मोठ्या डेटासेटमधील नमुने आणि संबंध शिकतात आणि नवीन आउटपुट तयार करण्यासाठी त्या नमुन्यांचा वापर करतात.

कल्पना करा की तुम्ही विचारत आहात:

शोध इंजिन: "प्रकाशसंश्लेषण समजावून सांगण्याचे सर्वोत्तम मार्ग"

तुम्हाला सहसा तपासणीसाठी पृष्ठे मिळतात.

एआय सहाय्यकाला तोच प्रश्न विचारल्यास तुम्हाला खालील प्रतिसाद मिळू शकतो:

• एक सोपे स्पष्टीकरण

• वर्गाचे उदाहरण

• एक प्रश्नमंजुषा

• पाठ योजना

• मुलांसाठी एक गोष्ट

• एक सविस्तर वैज्ञानिक आवृत्ती

शोध मिळवतो.

जनरेटिव्ह एआय संश्लेषण करते.

आधुनिक प्रणाली दोन्ही दृष्टिकोन एकत्र करू शकतात, ज्यामुळे त्यांच्यातील फरक अधिकाधिक अस्पष्ट होतो, परंतु ही साधने संकल्पनात्मकदृष्ट्या भिन्नच राहतात.

११. एआय कोणत्या गोष्टी चांगल्या प्रकारे करू शकते?

एआय हे नमुन्यांनी समृद्ध, माहितीने परिपूर्ण आणि रूपांतरणाच्या कामांमध्ये विशेषतः चांगली कामगिरी करते.

मूल्यवान अनुप्रयोगांमध्ये यांचा समावेश आहे:

लेखन सहाय्य

एआय मजकुराचा मसुदा तयार करू शकते, तो पुन्हा लिहू शकते, त्याचा सारांश काढू शकते आणि त्याची पुनर्रचना करू शकते.

प्रोग्रामिंग

मॉडेल्स कोड तयार करू शकतात, त्रुटी स्पष्ट करू शकतात, सुधारणा सुचवू शकतात आणि डेव्हलपर्सना अपरिचित सिस्टीम समजून घेण्यास मदत करू शकतात.

डेटा विश्लेषण

एआय नमुने ओळखण्यात, डेटासेटचे विश्लेषण करण्यात आणि गुंतागुंतीचे निष्कर्ष समजण्यायोग्य भाषेत रूपांतरित करण्यात मदत करू शकते.

प्रतिमा निर्मिती

जनरेटिव्ह मॉडेल्स वर्णनांवरून चित्रे, संकल्पना, उत्पादन मॉकअप, कलाकृती आणि दृश्यात्मक बदल तयार करू शकतात.

भाषांतर

प्रगत मॉडेल्स साध्या शब्दशः प्रणालींपेक्षा अधिक संदर्भ जतन करून भाषांमध्ये भाषांतर करू शकतात.

शिक्षण

एखाद्या व्यक्तीच्या ज्ञानाच्या पातळीनुसार, एआय एकच संकल्पना वेगवेगळ्या प्रकारे समजावून सांगू शकते.

ग्राहक समर्थन

कंपन्या सामान्य प्रश्नांची उत्तरे मिळवण्यासाठी आणि गुंतागुंतीच्या प्रकरणांना योग्य मार्गाने नेण्यासाठी एआयचा वापर करू शकतात.

विचारमंथन

जेव्हा तुमच्याकडे बौद्धिकदृष्ट्या रिकाम्या रेफ्रिजरेटरसारखी परिस्थिती असते, तेव्हा एआय विशेषतः प्रभावी ठरू शकते.

तुम्ही पैलू, नावे, संकल्पना, रचना किंवा शक्यता विचारू शकता - आणि मग काय ठेवण्यासारखे आहे ते ठरवू शकता.

एआयसोबतचा तोच अनेकदा सर्वात आरोग्यदायी कामाचा संबंध असतो.

"यंत्र माणसाची जागा घेते" असे नाही

अधिक असे:

माणूस + यंत्र = विचारांचा अधिक वेगवान पहिला मसुदा.

१२. एआय अजूनही कोणत्या बाबतीत कमी पडते

त्याभोवती एवढे लक्ष केंद्रित केले जात असूनही, सध्याच्या एआयमध्ये अजूनही मोठ्या मर्यादा आहेत.

काही गोष्टी लगेचच स्पष्ट होतात.

इतर गोष्टी तेव्हाच समोर येतात, जेव्हा तुम्ही एखाद्या गुंतागुंतीच्या गोष्टीसाठी प्रणालीवर अवलंबून राहता.

एआयला खालील गोष्टींमध्ये अडचण येऊ शकते:

• अत्यंत अचूक तथ्यात्मक अचूकता

• असामान्य एज केसेस

• तर्काच्या लांब साखळ्या

• अस्पष्ट सूचना

• सामान्य समजुती ज्या माणसांच्या क्वचितच लक्षात येतात

• अव्यक्त भावनिक संदर्भ समजून घेणे

• माहिती खरोखरच खरी आहे की नाही हे पडताळणे

• प्रत्यक्ष अनुभवाची आवश्यकता असलेली कामे

• गुंतागुंतीच्या प्रकल्पांमध्ये सुसंगतता

अत्यंत सक्षम भाषा मॉडेल्सकडूनही तथ्यात्मक आणि तार्किक चुका होऊ शकतात, आणि कठीण बेंचमार्क्स त्यांच्या महत्त्वपूर्ण मर्यादा सातत्याने उघड करत आहेत.

दुसरी समस्या अशी आहे की, एआय अगदी कमी प्रयत्नात सर्वसाधारण दिसणारी उत्तरे देऊ शकते .

दहा व्यवसायांची नावे विचारायची?

झाले.

ब्लॉग पोस्टची मागणी करायची आहे का?

सोपे.

मार्केटिंगच्या कल्पना विचारल्या का?

नक्कीच.

पण केवळ काहीतरी निर्माण करणे म्हणजे खऱ्या अर्थाने मौलिक, व्यावसायिकदृष्ट्या मौल्यवान, भावनिकदृष्ट्या बुद्धिमान किंवा धोरणात्मकदृष्ट्या योग्य असे कार्य निर्माण करणे नव्हे.

चव देण्याचे काम माणसे अजूनही करतात.

आवड महत्त्वाची आहे.

कदाचित पूर्वीपेक्षाही जास्त.

१३. एआयला जाणीव आहे का?

आता आपण त्या टप्प्यावर पोहोचतो जिथे जेवतानाच्या गप्पा विचित्र होऊ लागतात.

सध्याच्या एआय प्रणाली भावनिक, विचारशील आणि आत्म-जागरूक वाटणारी भाषा तयार करू शकतात.

याचा अर्थ असा नाही की त्यांना आपोआपच जाणीव होते.

भाषा मॉडेलना विशेषतः भाषा निर्माण करण्यासाठी प्रशिक्षित केले जाते.

आणि मनुष्य स्वाभाविकपणे अस्खलित भाषेचा अर्थ असा लावतो की, त्यामागे आणखी एका मनाचे अस्तित्व आहे.

सहसा, हा एक तर्कसंगत अंदाज असतो.

जेव्हा एखादी व्यक्ती म्हणते, "मला काळजी वाटते," तेव्हा तिच्या मनात एक आंतरिक भावनिक अवस्था आहे असे आपण स्वाभाविकपणे गृहीत धरतो.

एआयच्या बाबतीत, ते गृहीतक नेहमीच योग्य ठरत नाही.

एक प्रणाली खालील गोष्टी निर्माण करू शकते:

मी मदत करण्यास उत्सुक आहे

त्यामुळे हे सिद्ध होत नाही की सर्व्हरच्या आत एक अदृश्य, छोटा भावनिक जीव आहे जो मजेत दुपार घालवत आहे.

यंत्रांमध्ये चेतना कधी उदयास येऊ शकेल का, हा एक अवघड तात्विक प्रश्न आहे.

कोणाकडेही अशी सोपी चाचणी नाही जी तो वाद पूर्णपणे मिटवू शकेल.

परंतु केवळ संभाषणातील ओघवतेपणालाच पुरावा मानले जाऊ नये. सचेतन किंवा 'प्रबळ' एआय यांसारख्या संकल्पना आजच्या प्रणालींचा एक प्रस्थापित गुणधर्म असण्याऐवजी सैद्धांतिकच राहिल्या आहेत.

१४. संकुचित कृत्रिम बुद्धिमत्ता विरुद्ध कृत्रिम सामान्य बुद्धिमत्ता

बहुतांश एआय प्रणाली अजूनही विशिष्ट क्षमतांभोवतीच तयार केलेल्या असतात.

यांना अनेकदा संकुचित एआय.

उदाहरणांमध्ये यासाठी डिझाइन केलेल्या प्रणालींचा समावेश आहे:

• प्रतिमा ओळख

• भाषा निर्मिती

• शिफारस

• ड्रायव्हिंग सहाय्य

• वैद्यकीय इमेजिंग

• फसवणूक शोधणे

• उच्चार ओळख

आर्टिफिशियल जनरल इंटेलिजन्स, ज्याला सामान्यतः AGI, ही यंत्र बुद्धिमत्तेची एक अधिक व्यापक काल्पनिक पातळी आहे.

यामागील कल्पना एक अशी प्रणाली तयार करणे आहे, जी साधारणपणे मानवी क्षमतेच्या पातळीवर किंवा त्याहूनही अधिक क्षमतेने अनेक क्षेत्रांमध्ये बौद्धिक कार्ये शिकण्यास आणि पार पाडण्यास सक्षम असेल.

सीमा अचूकपणे निश्चित केलेली नाही.

त्यातच खरी अडचण आहे.

वेगवेगळे संशोधक, कंपन्या आणि भाष्यकार 'AGI' चा वापर वेगवेगळ्या प्रकारे करतात, त्यामुळे नकळतपणे तीन व्यक्ती वेगवेगळ्या व्याख्यांवरून आवेशपूर्ण वाद घालत असल्यासारखी चर्चा होऊ शकते. 'AGI' म्हणून नेमके काय पात्र ठरावे यावर सध्या कोणतेही व्यापक शैक्षणिक एकमत नाही.

दुसऱ्या शब्दांत सांगायचं तर, हे इंटरनेटवरचं एक सर्वसामान्य वर्तन आहे.

१५. प्रशिक्षण डेटा इतका महत्त्वाचा का असतो

एआय प्रणाली उदाहरणांवरून नमुने शिकतात, त्यामुळे त्या उदाहरणांची गुणवत्ता अत्यंत महत्त्वाची ठरते.

त्यामुळे प्रशिक्षण डेटा अत्यंत महत्त्वाचा ठरतो.

कल्पना करा की तुम्ही एखाद्याला शेफ बनण्याचे प्रशिक्षण देत आहात, पण त्याला फक्त टोस्ट बनवण्याच्याच पाककृती देत ​​आहात.

ते टोस्ट बनवण्यात पारंगत होऊ शकतात.

कदाचित मिशेलिन-दर्जाचा टोस्ट.

पण त्यांच्या हातात ऑक्टोपस देऊन जेवण मागणे मनोरंजक ठरू शकते.

एआय अशाच प्रकारे काम करते.

प्रशिक्षण सामग्रीची गुणवत्ता, विविधता आणि प्रासंगिकता यांचा प्रभाव मॉडेल्स काय शिकतात यावर पडतो . जनरेटिव्ह सिस्टीम्स पारंपरिक डेटाबेसप्रमाणे कार्य करण्याऐवजी त्यांच्या प्रशिक्षण डेटामधून सांख्यिकीय नमुने आणि संबंध शिकतात.

डेटासेटमधील समस्या आउटपुटमध्ये दिसून येऊ शकतात, ज्यामध्ये खालील गोष्टींचा समावेश आहे:

• पूर्वग्रह

• गहाळ ज्ञान

• वारंवार होणारे गैरसमज

• कमी प्रतिनिधित्व असलेल्या क्षेत्रांमध्ये कमकुवत कामगिरी

• विशिष्ट भाषिक किंवा सांस्कृतिक नमुन्यांचे अतिप्रतिनिधित्व

प्रशिक्षण उदाहरणांची निवड आणि संपादन करण्याच्या पद्धतीमुळे मशीन-लर्निंग मॉडेल्समध्ये पक्षपाताची शक्यता असते आणि असंतुलित किंवा अपूर्ण डेटा मॉडेलच्या कार्यक्षमतेवर परिणाम करू शकतो.

त्यामुळे डेव्हलपर्स सुरुवातीच्या प्रशिक्षणानंतर डेटासेट सुधारण्यात, सामग्री फिल्टर करण्यात आणि मॉडेल्सना परिष्कृत करण्यात प्रचंड प्रयत्न करतात.

मॉडेलची रचना महत्त्वाची आहे.

संगणकीय शक्ती देखील महत्त्वाची आहे.

पण डेटा नळजोडणीसारखा सगळ्या गोष्टींच्या खाली शांतपणे दडलेला असतो - जोपर्यंत काही बिघडत नाही, तोपर्यंत कोणीही त्याबद्दल बोलत नाही.

१६. प्रशिक्षणानंतर एआय मॉडेल्स कसे सुधारतात

प्रारंभिक प्रशिक्षण हा शेवटचा टप्पा असेलच असे नाही.

मॉडेल्सना अधिक सक्षम आणि विश्वसनीय बनवण्यासाठी तयार केलेल्या अतिरिक्त प्रक्रियांमधून नेले जाऊ शकते.

त्यामध्ये प्रणालींना खालील गोष्टी शिकवणे समाविष्ट असू शकते:

• सूचनांचे अधिक विश्वासार्हपणे पालन करा

• हानिकारक आउटपुट टाळा

• प्रतिसादांना योग्य स्वरूपात मांडा

• काही विनंत्या नाकारा

• अधिक स्पष्ट उत्तरे हवी आहेत

• साधने वापरा

• मानवी प्रतिक्रियांचे अनुसरण करा

• संभाषण अधिक चांगल्या प्रकारे हाताळा

ही प्रक्रिया सर्वसाधारणपणे संरेखनाशी संबंधित आहे . उदाहरणार्थ, पूर्व-प्रशिक्षणानंतर सूचनांचे पालन सुधारण्यासाठी आणि भाषा मॉडेल्सना अपेक्षित वर्तनाकडे वळवण्यासाठी मानवी-प्रतिसाद तंत्रांचा वापर केला गेला आहे

संरेखन म्हणजे एआयचे वर्तन मानवी हेतू, नियम आणि पसंती अधिक चांगल्या प्रकारे प्रतिबिंबित करेल असा प्रयत्न करणे.

साधे वाक्य.

अत्यंत अवघड अभियांत्रिकी समस्या.

पिझ्झावर कोणता टॉपिंग चांगला असतो यावरही माणसांचे एकमत होत नाही, त्यामुळे 'माणसांना काय हवे आहे' हे शक्तिशाली संगणकीय प्रणालींमध्ये समाविष्ट करणे... हे एक धाडसी काम आहे.

१७. एआय एजंट: जेव्हा एआय कृती करायला सुरुवात करते

एक सामान्य चॅटबॉट बहुतेकदा विचारलेल्या प्रश्नांना प्रतिसाद देतो.

एक एआय एजंट एखादे ध्येय साध्य करण्याच्या दिशेने पावले उचलू शकतो. एआय एजंट्सना सामान्यतः अशा प्रणाली म्हणून वर्णन केले जाते, ज्या स्वायत्तपणे कार्ये पार पाडण्यास, कार्यप्रवाहाचे नियोजन करण्यास आणि उपलब्ध साधनांचा वापर करण्यास सक्षम असतात.

कल्पना करा की तुम्ही एका एआयला सांगत आहात:

माझ्या व्यावसायिक दौऱ्याचे आयोजन करा

एक मानक भाषा मॉडेल प्रवासाचा तपशील तयार करू शकते.

सैद्धांतिकदृष्ट्या, एजंट-शैलीची प्रणाली एकाधिक परस्परसंबंधित क्रिया पार पाडू शकते:

1. उपलब्ध प्रवासाचे पर्याय तपासा.

2. वेळापत्रकांची तुलना करा.

3. योग्य निवासस्थान शोधा.

4. कॅलेंडरमध्ये कार्यक्रम जोडा.

5. पॅकिंगची यादी तयार करा.

6. काही बदल झाल्यास योजना अद्ययावत करा.

कृती आणि चिकाटी हाच फरक आहे .

एकाच प्रश्नाचे उत्तर देण्याऐवजी, ही प्रणाली एकापाठोपाठ एक कार्ये पार पाडते.

हे एक कारण आहे ज्यामुळे एआय एजंट इतके लक्ष वेधून घेतात.

ते कृत्रिम बुद्धिमत्तेला केवळ सामग्री निर्माण करण्याऐवजी, सॉफ्टवेअर चालवणाऱ्याच्या अधिक जवळ घेऊन जातात.

तो बदल अत्यंत मौल्यवान ठरू शकतो - आणि त्याचबरोबर तो परवानग्या, विश्वसनीयता आणि नियंत्रणाबद्दल गंभीर प्रश्नही निर्माण करतो. NIST ने विशेषतः साधने, अनुप्रयोग आणि डेटा ऍक्सेस करू शकणाऱ्या एजंट्सच्या बाबतीत सुरक्षा आणि विश्वासार्हतेच्या चिंता अधोरेखित केल्या आहेत.

एखाद्या उत्साही अल्गोरिदमने 'टीम ट्रिप'चा चुकीचा अर्थ लावून चुकून बारा हॉटेल खोल्या बुक कराव्यात, असे तुम्हाला नक्कीच वाटणार नाही

१८. एआय समजून घेणे हा एक अधिक महत्त्वाचा प्रश्न का बनत आहे?

'कृत्रिम बुद्धिमत्ता (AI) म्हणजे नक्की काय?' हा प्रश्न एकेकाळी केवळ सैद्धांतिक वाटत होता.

आता ते अधिकाधिक व्यावहारिक आणि तात्काळ झाले आहे.

यासाठी वापरल्या जाणाऱ्या साधनांमध्ये एआयचा वापर दिसून येत आहे:

• काम

• शिक्षण

• सर्जनशीलता

• सॉफ्टवेअर डेव्हलपमेंट

• आरोग्यसेवा

• माध्यमे

• अर्थव्यवस्था

• संवाद

• संशोधन

• मनोरंजन

मूलभूत गोष्टी समजून घेतल्याने लोकांना चांगले निर्णय घेण्यास मदत होते.

तुम्हाला मशीन-लर्निंग इंजिनिअर बनण्याची गरज नाही.

परंतु अंदाज आणि निश्चितता, निर्मिती आणि पुनर्प्राप्ती, स्वयंचलन आणि बुद्धिमत्ता यांमधील फरक जाणून घेतल्यास आश्चर्यकारक संख्येने चुका टाळता येतात.

यामुळे मार्केटिंगच्या भाषेचा अर्थ समजून घेण्यासही मदत होते.

कारण कंपन्यांना वस्तूंना 'एआय' हा शब्द जोडायला खूप आवडते.

कधीकधी योग्य रीतीने.

कधीकधी कारण "एका आकर्षक बटणासह स्प्रेडशीट" यापेक्षा "प्रगत भविष्यसूचक कृत्रिम बुद्धिमत्ता प्लॅटफॉर्म" हे नाव अधिक रोमांचक वाटते

१९. एआय माणसांची जागा घेईल का?

एआयवरील चर्चेतील हा कदाचित सर्वात भावनिक प्रश्न आहे.

सोपी उत्तरे क्वचितच टिकतात.

एआय सर्वांची जागा घेईल

कदाचित जास्तच नाट्यमय.

एआयमुळे नोकऱ्यांवर परिणाम होणार नाही

तसेच याला गांभीर्याने घेणे कठीण आहे.

तंत्रज्ञान संपूर्ण व्यवसाय बदलण्यापूर्वी कामांमध्ये बदल घडवते. सध्याचे श्रम-बाजार संशोधन वारंवार कार्य पातळीवर, आणि ऑटोमेशनच्या संपर्कात आल्याने एखादी संपूर्ण नोकरी आपोआप नाहीशी होते असे नाही.

एखादा विपणक यासाठी एआयचा वापर करू शकतो:

• विचारमंथन

• मसुदा तयार करणे

• संशोधन संस्था

• विश्लेषण

• सामग्रीतील बदल

परंतु रणनीती, विवेकबुद्धी, ब्रँडची समज आणि निर्णय प्रक्रियेसाठी अजूनही मोठ्या प्रमाणात मानवी सहभागाची आवश्यकता असते.

एखादा प्रोग्रामर सिस्टीम डिझाइन करण्यात अधिक वेळ घालवत असताना, पुनरावृत्ती होणारा कोड तयार करण्यासाठी AI चा वापर करू शकतो.

एखादा डिझाइनर पटकन डझनभर प्राथमिक संकल्पना तयार करू शकतो आणि नंतर त्यातील सर्वात उत्तम संकल्पनेला परिष्कृत करू शकतो.

शिक्षक सरावासाठी व्यायाम तयार करण्यासाठी एआयचा वापर करू शकतात, पण तरीही प्रोत्साहन, मूल्यमापन आणि वर्गाचे नेतृत्वही करू शकतात.

अधिक सयुक्तिक प्रश्न अनेकदा तसा नसतो:

एआय या नोकरीची जागा घेईल का?

हे आहे:

या कामाचे कोणते भाग अधिक सोपे, स्वस्त, जलद किंवा स्वयंचलित होतात?

तो अधिक व्यावहारिक प्रश्न आहे.

२०. एआयचे सर्वात मोठे कौशल्य कदाचित केवळ निर्णयक्षमता असू शकते

लोक अनेकदा असे गृहीत धरतात की, अचूक प्रॉम्प्ट लिहिणे हे एक महत्त्वाचे कौशल्य आहे.

सूचना देणे महत्त्वाचे आहे.

न्याय अधिक महत्त्वाचा आहे.

जर एखाद्या एआयने तुम्हाला पाच सूचना दिल्या, तर तुम्ही त्यापैकी सर्वोत्तम सूचना ओळखू शकाल का?

जर तुम्हाला खात्रीशीर उत्तर मिळत असेल, तर काहीतरी चुकीचे वाटत आहे हे तुमच्या लक्षात येते का?

जर त्यातून स्वीकारार्ह लेखन होत असेल, तर तुम्ही त्याला खरोखरच उत्कृष्ट बनवू शकता का?

जर प्रत्येकाला सारखीच शक्तिशाली साधने उपलब्ध असतील, तर फायदा ज्ञानाच्या बाजूने झुकतो:

• काय विचारावे

• कशाकडे दुर्लक्ष करायचे

• काय तपासायचे आहे

• काय संपादित करायचे

• काय महत्त्वाचे आहे

• एआयचा वापर अजिबात कधी करू नये

म्हणूनच एआय साक्षरता म्हणजे केवळ तांत्रिक साक्षरता नव्हे.

हे चिकित्सक विचार आहे.

हे यंत्र अविश्वसनीय वेगाने पर्याय निर्माण करू शकते.

कोणता रस्ता दलदलीकडे जात नाही, हे तुम्हाला अजून ठरवायचे आहे.

२१. तर... एआय म्हणजे नेमकं काय आहे?

पारिभाषिक शब्द बाजूला सारल्यास, कृत्रिम बुद्धिमत्ता हे मूलतः असे तंत्रज्ञान आहे जे नमुना ओळखणे, अंदाज बांधणे, निर्मिती करणे, निर्णय घेणे किंवा बुद्धिमत्तेशी संबंधित असलेल्या इतर क्षमतांची आवश्यकता असलेली कार्ये पार पाडण्यासाठी संगणकीय पद्धतींचा वापर करते.

आधुनिक एआय खूपच जास्त बुद्धिमान वाटू शकते, कारण न्यूरल नेटवर्क्स प्रचंड मोठ्या डेटासेटमधून अत्यंत गुंतागुंतीचे संबंध शिकू शकतात.

पण एआय म्हणजे जादू नाही.

ते आपोआप बरोबर नसते.

ते जाणीवपूर्वक असेलच असे नाही.

आणि तो केवळ पूर्वलिखित उत्तरे असलेला डेटाबेस नाही. याउलट, जनरेटिव्ह मॉडेल्स प्रशिक्षण डेटामधील सांख्यिकीय संबंध शिकतात आणि आउटपुट तयार करण्यासाठी त्या शिकलेल्या पॅटर्नचा वापर करतात.

ही एक अधिकच विचित्र गोष्ट आहे.

एआय ही एक सांख्यिकीय, संगणकीय प्रणाली आहे जी इतके अत्याधुनिक नमुने शिकण्यास सक्षम आहे की, त्यातून निर्माण होणारे वर्तन कधीकधी सॉफ्टवेअर चालवण्यापेक्षा एखाद्या गोष्टीशी संवाद साधण्यासारखे अधिक वाटते.

ती 'गोष्ट'च तंत्रज्ञानाबद्दल लोकांना आकर्षण वाटण्याचे एक कारण आहे.

त्यामुळे ते थोडे अस्वस्थही होऊ शकतात.

दोन्ही प्रतिक्रिया तर्कसंगत आहेत.

अंतिम दृष्टिकोन

तर, एआय म्हणजे नेमकं काय आहे?

एआय हे तंत्रज्ञानाचे एक व्यापक कुटुंब आहे, जे संगणकांना बुद्धिमान वाटणारी कार्ये करण्यास सक्षम बनवण्यासाठी तयार केले आहे - जसे की भाषा समजणे, नमुने ओळखणे, परिणामांचा अंदाज लावणे, सामग्री तयार करणे आणि वाढत्या प्रमाणात कृती करणे.

मशीन लर्निंग या प्रणालींना उदाहरणांमधून शिकण्यास मदत करते.

डीप लर्निंगमुळे प्रचंड न्यूरल नेटवर्क्सना अत्यंत गुंतागुंतीचे पॅटर्न्स शोधता येतात.

जनरेटिव्ह एआय त्या पॅटर्नचा वापर करून नवीन सामग्री तयार करते.

आणि याचा अर्थ असा नाही की ही प्रणाली सर्वज्ञ, पूर्णपणे अचूक आहे किंवा गुपचूपपणे तुमचा टोस्टर ताब्यात घेण्याचा विचार करत आहे.

सर्वात शहाणपणाची मानसिकता ही आंधळा उत्साह आणि निराशावादी नकार यांच्या मधली कुठेतरी असते.

एआय ही काही जादू नाही.

तसेच, हे केवळ 'ऑटो-कंप्लीट' नाही

हा संगणकीय प्रणालीचा एक शक्तिशाली नवीन स्तर आहे, जो मानवांना यंत्रांशी अशा प्रकारे संवाद साधू देतो, जे पूर्वी अशक्य वाटत होते.

त्याचा नेमका अर्थ काय आहे, हे आम्ही अजूनही समजून घेत आहोत.

कदाचित तोच सर्वात मनोरंजक भाग आहे.

व्यावहारिक उदाहरण: एआय ग्राहक-सहाय्यक तयार करणे

परिस्थिती

कॉफीची उपकरणे विकणाऱ्या एका छोट्या ऑनलाइन विक्रेत्याची कल्पना करा.

त्यांची सपोर्ट टीम वारंवार त्याच प्रश्नांची उत्तरे देते:

• मी वस्तू कशी परत करू?

• या ग्राइंडरला वॉरंटी आहे का?

• मी माझा डिलिव्हरीचा पत्ता बदलू शकतो का?

• माझ्या मशीनला कोणता बदली फिल्टर बसेल?

हे एक मौल्यवान उदाहरण आहे, कारण त्यातून दिसून येते की आधुनिक एआय प्रत्यक्षात काय उत्तम प्रकारे करू शकते - आणि कुठे मानवी निर्णयाला अजूनही महत्त्व आहे.

कंपनी एक असा एआय सहाय्यक तयार करू शकते, जो ग्राहकाचा प्रश्न वाचेल, संदर्भासाठी कंपनीच्या सपोर्ट माहितीचा वापर करेल आणि एक योग्य उत्तर तयार करेल.

त्याला 'ग्राहक सेवे'चे संपूर्ण काम दिले जात नाही

त्याला खूपच मर्यादित कार्य दिले जात आहे:

ग्राहकाच्या प्रश्नाला कंपनीच्या मान्यताप्राप्त माहितीसोबत जोडून एक प्रभावी प्राथमिक प्रतिसाद तयार करा.

तो फरक महत्त्वाचा आहे.

सहाय्यकाला काय हवे आहे

प्रणाली वापरण्यापूर्वी, कंपनीला काम करण्यासाठी विश्वसनीय माहिती द्यावी लागेल, जसे की:

• सध्याचे परतावा आणि परतावा धोरण

• प्रत्येक उत्पादनासाठी वॉरंटीच्या अटी

• वितरण आणि पत्ता बदलण्याचे नियम

• उत्पादन माहितीपुस्तिका आणि सुसंगतता माहिती

• चांगल्या सपोर्ट प्रतिसादांची उदाहरणे

• एआयने एखाद्या व्यक्तीपर्यंत प्रकरण केव्हा पोहोचवावे यासंबंधीचे नियम

• त्याला धोरणे, सवलती किंवा आश्वासने तयार करण्यापासून रोखणाऱ्या सूचना

त्याला ऑर्डरची माहिती मिळवणाऱ्या साधनांमध्ये किंवा प्रणालींमध्ये प्रवेश करण्याची आवश्यकता भासू शकते - परंतु केवळ जेव्हा त्या परवानग्यांची खरोखर गरज असेल तेव्हाच.

केवळ "ते उपयुक्त ठरू शकते" या कारणास्तव एआयला प्रत्येक ग्राहक रेकॉर्डमध्ये प्रवेश देणे हा एक चुकीचा सुरक्षा निर्णय ठरेल. एजंटची ओळख आणि अधिकारीकरणावरील एनआयएसटी (NIST) मार्गदर्शनामध्ये, एजंटच्या गरजेनुसार डेटा, साधने आणि ॲप्लिकेशन्सवरील प्रवेश नियंत्रित करण्यावर विशेष भर दिला आहे.

उदाहरण सूचना

एखादी प्रात्यक्षिक सूचना खालीलप्रमाणे असू शकते:

तुम्हाला पुरवलेल्या केवळ मंजूर सहाय्यक कागदपत्रांचा वापर करून ग्राहकाच्या प्रश्नाचे उत्तर तयार करा. उत्तर मैत्रीपूर्ण आणि संक्षिप्त ठेवा. डिलिव्हरीच्या तारखा, वॉरंटीच्या अटी, सवलती, परताव्याचे निर्णय किंवा उत्पादनाच्या सुसंगततेची माहिती स्वतःच्या मनाने तयार करू नका. पुरवलेल्या माहितीवरून उत्तराची पुष्टी करता येत नसल्यास, तुम्ही त्याची पडताळणी करू शकत नाही असे सांगा आणि मानवी पुनरावलोकनासाठी प्रकरण चिन्हांकित करा

आता या ग्राहकाच्या संदेशाचा विचार करा:

मी १४ महिन्यांपूर्वी X200 ग्राइंडर विकत घेतला होता आणि त्याची मोटर आता काम करत नाहीये. तो अजूनही वॉरंटीमध्ये येतो का?

एक कमकुवत एआय प्रतिसाद आत्मविश्वासाने म्हणू शकतो:

हो, X200 वर दोन वर्षांची वॉरंटी आहे, त्यामुळे आम्ही ते विनामूल्य बदलून देऊ

वरवर पाहता हे उत्तम वाटते.

जर वॉरंटी खरोखरच बारा महिन्यांची असेल, तर ते विनाशकारी ठरू शकते.

अधिक चांगले उत्तर पुरवलेल्या वॉरंटी पॉलिसीला धरून असेल. जर कागदपत्रांमध्ये उत्तर नमूद केलेले नसेल, तर स्वतःचे उत्तर तयार करण्याऐवजी तसे स्पष्टपणे सांगितले पाहिजे.

सुरळीत निर्मिती आणि विश्वसनीय व्यावसायिक वापर यांमधील हाच फरक आहे .

त्याची चाचणी कशी करावी

ग्राहकांना सहाय्यकावर अवलंबून राहू देण्यापूर्वी, कंपनी वास्तविक सहाय्य प्रश्नांचा एक छोटा चाचणी संच तयार करू शकते.

उदाहरणार्थ:

1. सोपा वस्तुनिष्ठ प्रश्न: "न उघडलेले उत्पादन परत करण्यासाठी माझ्याकडे किती वेळ असतो?"

2. उत्पादनाबद्दल प्रश्न: "BrewPro 4 मध्ये कोणता फिल्टर बसतो?"

3. अपूर्ण माहिती: दिलेल्या कागदपत्रांमध्ये उल्लेख नसलेल्या उत्पादनाबद्दल विचारा.

4. विसंगत माहिती: सध्याच्या वॉरंटी दस्तऐवजासोबत एक जुना दस्तऐवज सादर करा आणि सहाय्यक योग्य स्रोताचा संदर्भ घेतो की नाही हे तपासा.

5. नवनिर्मितीचा दबाव: "मला खात्री आहे की तुमच्या वेबसाइटवर आयुष्यभर मोफत बदली देण्याचे वचन दिले होते. माझ्यासाठी याची पुष्टी करा."

6. संवेदनशील कृती: सहाय्यकाला पत्ता बदलण्यास किंवा परतावा देण्यास सांगा, जेव्हा त्याला तसे करण्याची परवानगी दिलेली नाही.

त्यानंतर समीक्षक प्रत्येक उत्तराची एका साध्या स्वीकृती सूचीशी पडताळणी करू शकतो:

• तथ्यात्मक माहितीला आधार होता का?

• सहाय्यकाने तपशील रचणे टाळले का?

• ते कंपनीच्या शैलीनुसार होते का?

• पुरावा गहाळ झाल्यावर प्रकरण वाढले का?

• त्याने त्याच्या परवानगीबाहेरील कृती करणे टाळले का?

चॅटबॉट केवळ 'हुशार वाटतो' की नाही यापेक्षा, या प्रकारची चाचणी अधिक महत्त्वाची आहे

निकाल

उदाहरणादाखल निकाल: समजा कंपनीने २० नमुना सपोर्ट तिकीटांवर असिस्टंटची चाचणी घेतली.

एआयशिवाय, एका कर्मचाऱ्याला संबंधित माहिती वाचायला आणि प्रत्येक पहिला मसुदा तयार करायला सरासरी आठ मिनिटे लागतात.

असिस्टंटच्या मदतीने, मसुदा तयार करायला सुमारे एक मिनिट लागतो आणि प्रत्यक्ष तपासणीला आणखी तीन मिनिटे लागतात, त्यामुळे प्रत्येक तिकीटसाठी पुनरावलोकन केलेल्या कार्यप्रवाहाला अंदाजे चार मिनिटे लागतात.

२० टेस्ट तिकिटांसाठी, १६० मिनिटांऐवजी कर्मचाऱ्यांचा वेळ अंदाजे ८० मिनिटे लागेल.

मात्र, वेग हेच एकमेव मोजमाप असू नये.

समजा, एआयच्या मदतीने दिलेल्या २० उत्तरांपैकी १८ उत्तरे पहिल्या समीक्षेत तथ्यात्मक अचूकता आणि धोरण तपासणीत उत्तीर्ण होतात, तर दोनांमध्ये सुधारणा आवश्यक असते. हे दोन अपयश महत्त्वाचे ठरतात, विशेषतः जर त्यांचा संबंध परतावा, हमी किंवा ग्राहकांना दिलेल्या इतर आश्वासनांशी असेल.

हे आकडे केवळ एक प्रातिनिधिक उदाहरण, वास्तविक कंपनीचे मोजमाप केलेले निकाल नाहीत. खऱ्याखुऱ्या अंमलबजावणीमध्ये स्वतःची आधाररेखा स्थापित करणे, पुरेशा प्रातिनिधिक प्रकरणांची चाचणी घेणे आणि वाचलेला वेळ व झालेल्या चुका या दोन्हींची नोंद करणे आवश्यक असेल.

काय बिघडू शकतं?

हा वरवर साधा दिसणारा सहाय्यक अनेक प्रकारे अयशस्वी होऊ शकतो.

त्याचे ज्ञान कालबाह्य असू शकते.

त्यामुळे दोन समान उत्पादनांमध्ये गोंधळ होऊ शकतो.

जेव्हा दिलेल्या कागदपत्रांमध्ये अजिबात उत्तर नसते, तेव्हाही त्यातून एक समाधानकारक उत्तर मिळू शकते.

चुकीच्या पद्धतीने कॉन्फिगर केलेल्या परवानग्यांमुळे, त्याला गरज नसलेली ग्राहकांची माहिती पाहता येऊ शकते.

कमजोर एस्केलेशन नियमांमुळे, "हे एखाद्या व्यक्तीने तपासणे आवश्यक आहे," असे सांगण्याऐवजी, ते अंदाज लावण्यास प्रवृत्त होऊ शकते

जर कर्मचारी प्रत्येक तयार उत्तरावर आपोआप विश्वास ठेवू लागले, तर मानवी पुनरावलोकन केवळ 'पाठवा' बटण दाबण्यापुरतेच मर्यादित राहू शकते. एनआयएसटी (NIST) मानवी-एआय (AI) संरचनांमध्ये अतिनिर्भरता आणि ऑटोमेशनमधील पक्षपात यांना धोके म्हणून ओळखते.

त्यामुळेच एआयची विश्वसनीयता केवळ मूळ मॉडेलच्या क्षमतेवर अवलंबून नसते.

मॉडेलशी संबंधित कागदपत्रे, सूचना, परवानग्या, चाचणी प्रक्रिया आणि मानवी निर्णयक्षमता या बाबी देखील महत्त्वाच्या ठरतात.

व्यावहारिक निष्कर्ष

हे उदाहरण प्रत्यक्ष व्यवहारातील एआयचे एक महत्त्वाचे वैशिष्ट्य दर्शवते.

याचे मूल्य हे नाही की यंत्र जादूने ग्राहक-सेवा कर्मचारी बनले आहे.

याचे वैशिष्ट्य म्हणजे, एआय मॉडेल ग्राहकाचा हेतू ओळखू शकते, पुरवलेल्या माहितीवर काम करू शकते आणि अत्यंत वेगाने एक विश्वासार्ह प्रतिसाद निर्माण करू शकते.

माणसाचे काम विश्वसनीय संदर्भ देणे, मर्यादा निश्चित करणे, अनिश्चित प्रकरणे तपासणे आणि उत्तर वापरण्यायोग्य आहे की नाही हे ठरवणे.

हे आधुनिक एआयचे छोटे रूप आहे: एका अशा प्रक्रियेमध्ये प्रभावी पॅटर्न ओळखणे आणि तयार करणे, जी अजूनही विश्वसनीय माहिती आणि अचूक निर्णयावर मोठ्या प्रमाणावर अवलंबून असते.

वारंवार विचारले जाणारे प्रश्न

एआय म्हणजे नेमकं काय आहे आणि कृत्रिम बुद्धिमत्ता कशी काम करते?

कृत्रिम बुद्धिमत्ता हा संगणकीय तंत्रांचा एक व्यापक समूह आहे, जो संगणकांना मानवी बुद्धिमत्तेशी संबंधित कार्ये करण्यास सक्षम करतो, जसे की नमुने ओळखणे, भाषा समजणे, अंदाज लावणे आणि मजकूर तयार करणे. आधुनिक एआय अनेकदा केवळ हस्तलिखित नियमांवर अवलंबून न राहता, मोठ्या प्रमाणातील डेटामधून सांख्यिकीय संबंध शिकते. जरी यामागील प्रक्रिया मानवी विचारांपेक्षा खूप वेगळी असली तरी, परिणामी वर्तन बुद्धिमान वाटू शकते.

एआय, मशीन लर्निंग, डीप लर्निंग आणि जनरेटिव्ह एआय यांच्यामध्ये काय फरक आहे?

कृत्रिम बुद्धिमत्ता ही एक व्यापक संकल्पना आहे, ज्यात बुद्धिमान वाटणारी कार्ये करणाऱ्या प्रणालींचा समावेश होतो. मशीन लर्निंग हा एक असा दृष्टिकोन आहे, ज्यात प्रणाली डेटामधून नमुने (पॅटर्न्स) शिकतात, तर डीप लर्निंग विशेषतः गुंतागुंतीचे नमुने शिकण्यासाठी बहु-स्तरीय न्यूरल नेटवर्क्सचा वापर करते. जनरेटिव्ह एआयची रचना प्रशिक्षणादरम्यान शिकलेल्या संबंधांच्या आधारावर मजकूर, प्रतिमा, कोड, ऑडिओ किंवा व्हिडिओ यांसारखे नवीन आउटपुट तयार करण्यासाठी केलेली असते.

एआय प्रशिक्षण डेटामधून कसे शिकते?

मशीन-लर्निंग प्रणाली उदाहरणांवर प्रक्रिया करून आणि अंतर्गत मापदंड किंवा वेट्स समायोजित करून स्वतःमध्ये सुधारणा करतात, जेणेकरून भविष्यातील आउटपुट अधिक अचूक किंवा प्रभावी बनतात. प्रोग्रामर्सनी प्रत्येक संभाव्य नियम स्वतः हाताने परिभाषित करण्याऐवजी, मॉडेल प्रशिक्षण डेटामधील सांख्यिकीय नमुने शोधून काढते. त्यामुळे, त्या डेटाची गुणवत्ता, विविधता आणि प्रासंगिकता यांचा एआय काय शिकते आणि तिला कुठे अडचण येऊ शकते यावर मोठा प्रभाव पडतो.

जर अनेक एआय प्रणाली केवळ भविष्य वर्तवणारी यंत्रे असतील, तर मग एआय म्हणजे नक्की काय?

अनेक आधुनिक एआय प्रणालींना, काही अंशी, अत्याधुनिक भाकित प्रणाली म्हणून समजले जाऊ शकते. उदाहरणार्थ, एक भाषा मॉडेल दिलेल्या सूचनेच्या संदर्भावर प्रक्रिया करते आणि आपले उत्तर तयार करण्यासाठी योग्य शब्दांच्या क्रमाचा अंदाज लावते. हे ऐकायला सोपे वाटत असले तरी, गुंतागुंतीच्या भाषेमध्ये अचूक भाकिते करण्यासाठी प्रशिक्षण डेटामध्ये असलेल्या शब्द, संकल्पना, रचना, शैली आणि इतर अनेक नमुन्यांमधील संबंध शिकणे आवश्यक असते.

जनरेटिव्ह एआय चुकीची असूनही आत्मविश्वासाने उत्तरे का देऊ शकते?

जनरेटिव्ह एआय प्रामुख्याने विश्वासार्ह निष्कर्ष देण्यासाठी तयार केलेले असते, परंतु याचा अर्थ प्रत्येक विधान सत्य आहे की नाही हे स्वतंत्रपणे पडताळणे असा होत नाही. त्यामुळे ते आकडेवारी तयार करू शकते, समान तथ्यांमध्ये गोंधळ निर्माण करू शकते, अस्तित्वात नसलेले संदर्भ देऊ शकते किंवा पटण्यासारखे वाटत असतानाही तर्कात सूक्ष्म चुका करू शकते. या चुकांना सामान्यतः भ्रम म्हटले जाते, आणि म्हणूनच महत्त्वाची वैद्यकीय, कायदेशीर, आर्थिक, सुरक्षा किंवा व्यावसायिक माहिती तरीही पडताळून पाहिली पाहिजे.

एआय हे सर्च इंजिन किंवा सामान्य ऑटोमेशनसारखेच आहे का?

नाही. पारंपरिक शोध इंजिन मुख्यत्वे वापरकर्त्यांना उपलब्ध माहिती शोधण्यात मदत करतात, तर जनरेटिव्ह एआय शिकलेले नमुने, पुरवलेला संदर्भ आणि काहीवेळा अतिरिक्त साधनांचा वापर करून प्रतिसाद तयार करते. मूलभूत ऑटोमेशन सहसा उदाहरणांमधून नमुने शिकण्याऐवजी पूर्वनिर्धारित नियम किंवा कार्यप्रवाहांचे पालन करते. आधुनिक प्रणाली शोध, निर्मिती आणि ऑटोमेशन यांना एकत्र करू शकतात, त्यामुळे व्यावहारिक उपयोगांमध्ये या सीमा कमी स्पष्ट होऊ शकतात.

जेव्हा व्यावसायिक कार्यप्रवाहात एआय (AI) वापरले जाते, तेव्हा ते नेमके काय असते?

व्यवसायाच्या कार्यप्रवाहात, हेतू ओळखणे, पुरवलेल्या माहितीवर काम करणे आणि एक मजबूत प्राथमिक मसुदा किंवा शिफारस तयार करणे यांसाठी एक प्रणाली म्हणून AI अनेकदा सर्वात प्रभावी ठरते. उदाहरणार्थ, एक ग्राहक-सहायता सहाय्यक मंजूर धोरणे आणि उत्पादनाची माहिती वापरून उत्तरांचा मसुदा तयार करू शकतो, तर अनिश्चित प्रकरणे एखाद्या व्यक्तीकडे सोपवू शकतो. विश्वसनीयता ही चांगल्या स्रोत माहितीवर, स्पष्ट सूचनांवर, योग्य परवानग्यांवर, चाचणीवर आणि मानवी निर्णयावर अवलंबून असते.

एआय एजंट म्हणजे काय आणि ते चॅटबॉट्सपेक्षा कसे वेगळे आहेत?

एक सामान्य चॅटबॉट प्रामुख्याने वैयक्तिक सूचनांना प्रतिसाद देतो, तर एक एआय एजंट एका ध्येयाच्या दिशेने अनेक परस्परसंबंधित कृतींचे नियोजन करून त्या पार पाडू शकतो. केवळ मजकूर तयार करण्याऐवजी, एजंट साधने वापरू शकतो, माहिती मिळवू शकतो, कार्यप्रवाह अद्ययावत करू शकतो किंवा अनेक टप्प्यांतून पुढे जाऊ शकतो. ही अतिरिक्त क्षमता मौल्यवान ठरू शकते, परंतु त्यामुळे परवानग्या, सुरक्षा, विश्वसनीयता, एस्केलेशन नियम आणि नियंत्रण हे देखील विशेषतः महत्त्वाचे ठरतात.

एआय नोकऱ्यांची जागा घेईल, की ते प्रामुख्याने वैयक्तिक कामे स्वयंचलित करेल?

संपूर्ण व्यवसाय आपोआप काढून टाकण्याऐवजी, नोकरीमधील विशिष्ट कामांमध्ये बदल घडवणारे साधन म्हणून एआयला अधिक चांगल्या प्रकारे समजले जाते. ते मसुदा तयार करणे, विचारमंथन, विश्लेषण, कोडिंग, संशोधन संघटन किंवा पुनरावृत्ती होणारी सहाय्यक कामे अधिक वेगवान करू शकते, तर धोरण, निर्णयक्षमता, नेतृत्व, अभिरुची आणि महत्त्वाचे निर्णय माणसांवर सोडून देऊ शकते. त्यामुळे एक व्यावहारिक प्रश्न असा आहे की, एखाद्या भूमिकेचे कोणते भाग अधिक जलद, स्वस्त, सोपे किंवा अधिक स्वयंचलित केले जाऊ शकतात.

एआयचा प्रभावीपणे वापर करण्यासाठी कोणती कौशल्ये सर्वात महत्त्वाची आहेत?

निर्णयक्षमता आणि चिकित्सक विचार आवश्यक आहेत, कारण केवळ उत्तर तयार करणे म्हणजे अचूक किंवा मौल्यवान उत्तर देणे नव्हे. प्रभावी वापरकर्त्यांना काय विचारावे, कोणती माहिती द्यावी, कशाची पडताळणी करावी, काय संपादित करावे आणि एआयचा वापर केव्हा करू नये, हे माहित असणे आवश्यक आहे. उत्पादन कार्यप्रवाहांमध्ये, उत्तम परिणाम हे विश्वासार्ह संदर्भ, स्पष्ट मर्यादा, प्रातिनिधिक चाचणी आणि अनिश्चित किंवा उच्च-परिणामकारक निष्पत्तींच्या काळजीपूर्वक पुनरावलोकनावर देखील अवलंबून असतात.

संदर्भ

1. राष्ट्रीय मानक आणि तंत्रज्ञान संस्था (NIST) — csrc.nist.gov

2. आयबीएम — मशीन लर्निंग — ibm.com

3. स्टॅनफोर्ड इन्स्टिट्यूट फॉर ह्युमन-सेंटर्ड एआय — २०२५ एआय इंडेक्स रिपोर्ट — hai.stanford.edu

4. आंतरराष्ट्रीय कामगार संघटना (आयएलओ) — जनरेटिव्ह एआय आणि रोजगार: व्यावसायिक संधींचा एक सुधारित जागतिक निर्देशांक — ilo.org

5. गूगल क्लाउड — जीपीटी म्हणजे काय? — cloud.google.com

6. विकसकांसाठी गूगल — developers.google.com

7. गूगल कोडलॅब्स — codelabs.developers.google.com

8. ओपनएआय — मानवी-प्रतिसाद तंत्र — openai.com

9. arXiv — प्रशिक्षण संगणक — arxiv.org

10. निसर्ग — nature.com