एआई को जानकारी कहां से मिलती है?

क्या कभी आप बैठकर अपना सिर खुजाते हुए सोचते हैं कि आखिर ये सब जानकारी आती कहां से है ? मेरा मतलब है, AI न तो पुरानी किताबों के ढेर खंगाल रहा है और न ही छुप-छुपकर YouTube पर शॉर्ट वीडियो देख रहा है। फिर भी, यह हर चीज़ के जवाब दे देता है—लज़ान्या बनाने के तरीकों से लेकर ब्लैक होल के भौतिकी तक—जैसे इसके अंदर कोई अथाह भंडार हो। असलियत इससे कहीं ज़्यादा अजीब और शायद दिलचस्प है जितना आप सोच रहे होंगे। चलिए इसे थोड़ा विस्तार से समझते हैं (और हां, शायद इस दौरान कुछ मिथकों को भी तोड़ दें)।

क्या यह जादू टोना है? 🌐

यह कोई जादू नहीं है, हालांकि कभी-कभी ऐसा लगता है। असल में, यह पैटर्न की भविष्यवाणी तथ्यों को उस तरह से संग्रहित नहीं जिस तरह आपका मस्तिष्क आपकी दादी की कुकी रेसिपी को याद रखता है; इसके बजाय, उन्हें पिछले शब्द के आधार पर अगले शब्द (टोकन) का अनुमान लगाने के लिए प्रशिक्षित किया जाता है [2]। व्यवहार में, इसका मतलब है कि वे संबंधों को पकड़ लेते हैं: कौन से शब्द एक साथ आते हैं, वाक्य आमतौर पर कैसे बनते हैं, पूरे विचार मचान की तरह कैसे बनते हैं। यही कारण है कि आउटपुट लगता है , भले ही - पूरी ईमानदारी से कहें तो - यह सांख्यिकीय नकल है, समझ नहीं [4]।

तो आखिर एआई द्वारा उत्पन्न जानकारी को उपयोगी ? कुछ चीजें:

• डेटा विविधता - अनगिनत स्रोतों से जानकारी प्राप्त करना, न कि किसी एक संकीर्ण धारा से।

• अपडेट - रिफ्रेश चक्रों के बिना, यह जल्दी पुराना हो जाता है।

• छानना - आदर्श रूप से कचरा अंदर आने से पहले ही उसे पकड़ लेना (हालांकि, सच्चाई यह है कि उस जाल में छेद होते हैं)।

• क्रॉस-चेकिंग - आधिकारिक स्रोतों (जैसे नासा, डब्ल्यूएचओ, प्रमुख विश्वविद्यालय) पर निर्भर रहना, जो अधिकांश एआई शासन प्लेबुक में अनिवार्य है [3]।

फिर भी, कभी-कभी यह आत्मविश्वास से मनगढ़ंत बातें करता है। वे तथाकथित मतिभ्रम ? मूल रूप से सीधे चेहरे के साथ प्रस्तुत किया गया परिष्कृत बकवास [2][3]।

इस लेख के बाद आप ये लेख भी पढ़ सकते हैं:

🔗 क्या एआई लॉटरी के नंबरों की भविष्यवाणी कर सकता है?
एआई लॉटरी भविष्यवाणियों से जुड़े मिथकों और तथ्यों की पड़ताल।.

🔗 कृत्रिम बुद्धिमत्ता के प्रति समग्र दृष्टिकोण अपनाने का क्या अर्थ है?
नैतिकता और प्रभाव पर संतुलित दृष्टिकोण के साथ एआई को समझना।.

🔗 बाइबल कृत्रिम बुद्धिमत्ता के बारे में क्या कहती है?
प्रौद्योगिकी और मानव सृजन पर बाइबिल के दृष्टिकोणों का अध्ययन करना।.

त्वरित तुलना: एआई कहां से जानकारी प्राप्त करता है 📊

सभी स्रोत समान नहीं होते, लेकिन प्रत्येक की अपनी भूमिका होती है। यहाँ एक संक्षिप्त अवलोकन दिया गया है।.

प्रशिक्षण डेटा का ब्रह्मांड 🌌

यह “बचपन की शिक्षा” का चरण है। कल्पना कीजिए कि एक बच्चे को एक साथ लाखों सार्वजनिक रूप से उपलब्ध डेटा, लाइसेंस प्राप्त स्रोत और प्रशिक्षक द्वारा उत्पन्न पाठ [2] को एक साथ मिलाते हैं।

इसके ऊपर परत दर परत: सुनियोजित मानवीय उदाहरण- अच्छे उत्तर, बुरे उत्तर, सही दिशा में संकेत- सुदृढ़ीकरण शुरू होने से पहले ही [1]।.

पारदर्शिता चेतावनी: कंपनियां हर विवरण का खुलासा नहीं करती हैं। कुछ सुरक्षा उपाय गोपनीयता (आईपी, सुरक्षा संबंधी चिंताएं) हैं, इसलिए आपको वास्तविक मिश्रण में केवल आंशिक झलक मिलती है [2]।.

रीयल-टाइम खोज: अतिरिक्त टॉपिंग 🍒

कुछ मॉडल अब अपने प्रशिक्षण दायरे से बाहर झांक सकते हैं। यह रिट्रीवल-ऑगमेंटेड जनरेशन (आरएजी) है - मूल रूप से एक लाइव इंडेक्स या डॉक स्टोर से चंक्स खींचना, फिर इसे उत्तर में बुनना [5]। समाचार सुर्खियों या स्टॉक कीमतों जैसी तेजी से बदलती चीजों के लिए बिल्कुल सही।

समस्या क्या है? इंटरनेट एक साथ प्रतिभा और कचरे का ढेर दोनों है। यदि फ़िल्टर या स्रोत जाँच कमज़ोर हैं, तो आप जंक डेटा के वापस आने का जोखिम उठाते हैं - ठीक वही जिसके बारे में जोखिम ढाँचे चेतावनी देते हैं [3]।.

एक आम उपाय: कंपनियां अपने मॉडलों को अपने आंतरिक डेटाबेस से जोड़ती हैं, ताकि जवाब मनमाने ढंग से देने के बजाय मौजूदा मानव संसाधन नीति या अपडेटेड उत्पाद दस्तावेज़ का हवाला दें। सोचिए: कम भ्रम की स्थिति, अधिक विश्वसनीय जवाब।

फाइन-ट्यूनिंग: एआई का पॉलिशिंग चरण 🧪

अपरिष्कृत पूर्व-प्रशिक्षित मॉडल बोझिल होते हैं। इसलिए उन्हें परिष्कृत किया :

• मददगार, हानिरहित, ईमानदार होना सिखाना (मानव प्रतिक्रिया से सुदृढ़ीकरण सीखने के माध्यम से, आरएलएचएफ) [1]।

• असुरक्षित या विषैले किनारों को रेत से घिसना (संरेखण) [1].

• बातचीत के लहजे को समायोजित करना—चाहे वह दोस्ताना हो, औपचारिक हो या व्यंग्यात्मक हो।.

यह हीरे को तराशने जैसा नहीं है, बल्कि आंकड़ों के अंबार को एक संवाद-सहयोगी की तरह व्यवहार करने के लिए नियंत्रित करने जैसा है।.

बाधाएँ और असफलताएँ 🚧

आइए यह न मानें कि यह त्रुटिहीन है:

• मतिभ्रम - स्पष्ट उत्तर जो पूरी तरह से गलत हैं [2][3].

• पूर्वाग्रह - यह डेटा में अंतर्निहित पैटर्न को दर्शाता है; अगर इस पर नियंत्रण न रखा जाए तो यह उन्हें बढ़ा भी सकता है [3][4]।

• कोई प्रत्यक्ष अनुभव नहीं - यह बात लेकिन कभी चखा नहीं [4]।

• अति आत्मविश्वास - गद्य इस तरह बहता है जैसे वह जानता हो, भले ही वह न जानता हो। जोखिम ढाँचे धारणाओं को उजागर करने पर जोर देते हैं [3]।

ऐसा क्यों लगता है जैसे हम जानते हैं 🧠

इसमें कोई विश्वास नहीं है, मानवीय अर्थों में कोई स्मृति नहीं है, और निश्चित रूप से कोई स्व नहीं है। फिर भी क्योंकि यह वाक्यों को सुचारू रूप से एक साथ पिरोता है, आपका मस्तिष्क इसे ऐसे पढ़ता है जैसे वह समझता हो । जो हो रहा है वह बस बड़े पैमाने पर नेक्स्ट-टोकन भविष्यवाणी : पलक झपकते ही खरबों संभावनाओं को क्रंच करना [2]।

“बुद्धि” वाइब उभरता हुआ व्यवहार है- शोधकर्ता इसे थोड़ा व्यंग्यात्मक रूप से “स्टोकेस्टिक पैरेट” प्रभाव कहते हैं [4]।

बच्चों के लिए उपयुक्त उदाहरण 🎨

कल्पना कीजिए एक ऐसे तोते की जिसने पुस्तकालय की हर किताब पढ़ ली हो। उसे कहानियाँ तो समझ नहीं आतीं , लेकिन वह शब्दों को इस तरह से जोड़-तोड़ कर ज्ञानवर्धक बातें कह सकता है। कभी-कभी उसकी बात बिल्कुल सटीक होती है; कभी-कभी बेतुकी—लेकिन अगर उसमें इतनी कुशलता हो कि आप अंतर बता ही न सकें।

निष्कर्ष: एआई की जानकारी कहाँ से आती है 📌

सरल शब्दों में:

• विशाल प्रशिक्षण डेटा (सार्वजनिक + लाइसेंस प्राप्त + प्रशिक्षक-जनित) [2].

• मानव प्रतिक्रिया के साथ स्वर/व्यवहार को आकार देने के लिए सूक्ष्म समायोजन

• लाइव डेटा स्ट्रीम से जुड़े होने पर पुनर्प्राप्ति प्रणाली

एआई चीजों को "जानता" नहीं है - यह पाठ की भविष्यवाणी करता है । यही इसकी महाशक्ति और इसकी कमजोरी दोनों है। निचोड़ यह है कि महत्वपूर्ण चीजों की हमेशा किसी विश्वसनीय स्रोत से पुष्टि करें [3]।

संदर्भ

1. ओयांग, एल. एट अल. (2022). मानव प्रतिक्रिया के साथ निर्देशों का पालन करने के लिए भाषा मॉडल को प्रशिक्षित करना (इंस्ट्रक्टजीपीटी) . arXiv .

2. ओपनएआई (2023). जीपीटी-4 तकनीकी रिपोर्ट - लाइसेंस प्राप्त, सार्वजनिक और मानव निर्मित डेटा का मिश्रण; नेक्स्ट-टोकन भविष्यवाणी उद्देश्य और सीमाएँ। arXiv .

3. एनआईएसटी (2023)। एआई जोखिम प्रबंधन ढांचा (एआई आरएमएफ 1.0) - उत्पत्ति, विश्वसनीयता और जोखिम नियंत्रण। पीडीएफ ।

4. बेंडर, ई.एम., गेब्रू, टी., मैकमिलन-मेजर, ए., मिशेल, एस. (2021)। स्टोकेस्टिक पैरेट के खतरों पर: क्या भाषा मॉडल बहुत बड़े हो सकते हैं? पीडीएफ ।

5. लुईस, पी. एट अल. (2020). ज्ञान-गहन एनएलपी के लिए पुनर्प्राप्ति-संवर्धित पीढ़ी । arXiv .

आधिकारिक एआई असिस्टेंट स्टोर पर नवीनतम एआई खोजें

हमारे बारे में