रोबोट जो दर्द महसूस करते हैं और एआई जो सॉकर खिलाड़ियों की गतिविधियों की भविष्यवाणी करते हैं – टेकक्रंच

By | June 4, 2022


मशीन लर्निंग और एआई के क्षेत्र में अनुसंधान, जो अब व्यावहारिक रूप से हर उद्योग और कंपनी में एक प्रमुख तकनीक है, किसी के लिए भी इसे पढ़ने के लिए बहुत अधिक मात्रा में है। इस कॉलम, परसेप्ट्रॉन (पहले डीप साइंस), का उद्देश्य हाल की कुछ सबसे प्रासंगिक खोजों और कागजात को इकट्ठा करना है – विशेष रूप से, लेकिन कृत्रिम बुद्धिमत्ता तक सीमित नहीं है – और समझाएं कि वे क्यों मायने रखते हैं।

इस हफ्ते एआई में, ग्लासगो विश्वविद्यालय में इंजीनियरों की एक टीम ने “कृत्रिम त्वचा” विकसित की जो नकली दर्द का अनुभव और प्रतिक्रिया करना सीख सकती है। कहीं और, डीपमाइंड के शोधकर्ताओं ने एक मशीन लर्निंग सिस्टम विकसित किया जो भविष्यवाणी करता है कि फुटबॉल खिलाड़ी मैदान पर कहां दौड़ेंगे, जबकि चीनी विश्वविद्यालय हांगकांग (सीयूएचके) और सिंघुआ विश्वविद्यालय के समूहों ने एल्गोरिदम बनाया जो यथार्थवादी तस्वीरें उत्पन्न कर सकते हैं – और यहां तक ​​​​कि वीडियो भी – मानव मॉडल।

एक प्रेस विज्ञप्ति के अनुसार, ग्लासगो टीम की कृत्रिम त्वचा ने मस्तिष्क के तंत्रिका मार्गों की नकल करने के लिए डिज़ाइन किए गए “सिनैप्टिक ट्रांजिस्टर” पर आधारित एक नए प्रकार की प्रसंस्करण प्रणाली का लाभ उठाया। एक लचीले प्लास्टिक की सतह पर मुद्रित जिंक-ऑक्साइड नैनोवायर से बने ट्रांजिस्टर, एक त्वचा सेंसर से जुड़े होते हैं जो विद्युत प्रतिरोध में परिवर्तन दर्ज करते हैं।

कृत्रिम त्वचा

छवि क्रेडिट: ग्लासगो विश्वविद्यालय

जबकि कृत्रिम त्वचा का पहले भी प्रयास किया गया है, टीम का दावा है कि उनका डिज़ाइन इस मायने में भिन्न है कि इसने “कृत्रिम synapse” के रूप में कार्य करने के लिए सिस्टम में निर्मित एक सर्किट का उपयोग किया – वोल्टेज में एक स्पाइक के लिए इनपुट को कम करना। इसने प्रसंस्करण को गति दी और टीम को इनपुट वोल्टेज की सीमा निर्धारित करके नकली दर्द का जवाब देने के लिए त्वचा को “सिखाने” की अनुमति दी, जिसकी आवृत्ति त्वचा पर लागू दबाव के स्तर के अनुसार भिन्न होती है।

टीम रोबोटिक्स में इस्तेमाल की जा रही त्वचा को देखती है, जहां यह उदाहरण के लिए, रोबोटिक हाथ को खतरनाक रूप से उच्च तापमान के संपर्क में आने से रोक सकती है।

रोबोटिक्स से संबंधित, डीपमाइंड ने एक एआई मॉडल, ग्राफ इम्पुटर विकसित करने का दावा किया है, जो यह अनुमान लगा सकता है कि फुटबॉल खिलाड़ी केवल खिलाड़ियों के एक सबसेट की कैमरा रिकॉर्डिंग का उपयोग करके कहां जाएंगे। अधिक प्रभावशाली ढंग से, सिस्टम कैमरे के दृश्य से परे खिलाड़ियों के बारे में भविष्यवाणियां कर सकता है, जिससे यह सबसे अधिक की स्थिति को ट्रैक करने की इजाजत देता है – यदि सभी नहीं – मैदान पर खिलाड़ी काफी सटीक रूप से।

डीपमाइंड ग्राफ इम्पुटर

छवि क्रेडिट: दीपमाइंड

ग्राफ इम्पुटर सही नहीं है। लेकिन डीपमाइंड के शोधकर्ताओं का कहना है कि इसका उपयोग मॉडलिंग पिच नियंत्रण जैसे अनुप्रयोगों के लिए किया जा सकता है, या संभावना है कि एक खिलाड़ी गेंद को नियंत्रित कर सकता है, यह मानते हुए कि यह किसी दिए गए स्थान पर है। (कई प्रमुख प्रीमियर लीग टीमें खेल के दौरान, साथ ही मैच से पहले और मैच के बाद के विश्लेषण में पिच नियंत्रण मॉडल का उपयोग करती हैं।) फुटबॉल और अन्य खेल विश्लेषिकी से परे, डीपमाइंड को उम्मीद है कि ग्राफ इंप्यूटर के पीछे की तकनीक पैदल यात्री मॉडलिंग जैसे डोमेन पर लागू होगी। सड़कों और स्टेडियमों में भीड़ मॉडलिंग।

जबकि कृत्रिम त्वचा और गति-पूर्वानुमान प्रणाली प्रभावशाली हैं, यह सुनिश्चित करने के लिए, फोटो- और वीडियो-जनरेटिंग सिस्टम तेजी से क्लिप पर प्रगति कर रहे हैं। जाहिर है, OpenAI के Dall-E 2 और Google के Imagen जैसे हाई-प्रोफाइल काम हैं। लेकिन CUHK की मल्टीमीडिया लैब द्वारा विकसित Text2Human पर एक नज़र डालें, जो एक कैप्शन का अनुवाद कर सकता है जैसे “महिला शुद्ध रंग के पैटर्न के साथ एक छोटी बाजू की टी-शर्ट पहनती है, और एक छोटी और डेनिम स्कर्ट” एक ऐसे व्यक्ति की तस्वीर में जो ऐसा नहीं करता है वास्तव में मौजूद नहीं है।

बीजिंग एकेडमी ऑफ आर्टिफिशियल इंटेलिजेंस के साथ साझेदारी में, सिंघुआ विश्वविद्यालय ने CogVideo नामक एक और भी अधिक महत्वाकांक्षी मॉडल बनाया जो पाठ से वीडियो क्लिप उत्पन्न कर सकता है (उदाहरण के लिए, “स्कीइंग में एक आदमी,” “एक शेर पानी पी रहा है”)। क्लिप कलाकृतियों और अन्य दृश्य अजीबता से भरे हुए हैं, लेकिन यह देखते हुए कि वे पूरी तरह से काल्पनिक दृश्यों के हैं, इसकी आलोचना करना कठिन है बहुत कठोरता से।

मशीन लर्निंग का उपयोग अक्सर दवा की खोज में किया जाता है, जहां संभावित लाभकारी प्रभावों को खोजने के लिए साहित्य और सिद्धांत में दिखाई देने वाले अणुओं की लगभग-अनंत विविधता को क्रमबद्ध और विशेषता की आवश्यकता होती है। लेकिन डेटा की मात्रा इतनी बड़ी है, और झूठी सकारात्मकता की लागत संभावित रूप से इतनी अधिक है (यह महंगा है और लीड का पीछा करने में समय लगता है) कि 99% सटीकता भी पर्याप्त नहीं है। यह विशेष रूप से बिना लेबल वाले आणविक डेटा के मामले में है, अब तक जो कुछ भी है उसका बड़ा हिस्सा (अणुओं की तुलना में जो वर्षों से मैन्युअल रूप से अध्ययन किया गया है)।

अणुओं के लिए AI मॉडल की छँटाई विधि का आरेख।

छवि क्रेडिट: सीएमयू

सीएमयू के शोधकर्ता बिना किसी अतिरिक्त जानकारी के उन्हें समझने के लिए प्रशिक्षित करके अरबों अनैच्छिक अणुओं को छाँटने के लिए एक मॉडल बनाने के लिए काम कर रहे हैं। यह (आभासी) अणु की संरचना में मामूली बदलाव करके ऐसा करता है, जैसे परमाणु को छिपाना या बंधन को हटाना, और यह देखना कि परिणामी अणु कैसे बदलता है। यह इसके आंतरिक गुणों को सीखने देता है कि इस तरह के अणु कैसे बनते हैं और व्यवहार करते हैं – और एक परीक्षण डेटाबेस में जहरीले रसायनों की पहचान करने में अन्य एआई मॉडल से बेहतर प्रदर्शन करते हैं।

रोग के निदान में आणविक हस्ताक्षर भी महत्वपूर्ण हैं – दो रोगी समान लक्षण पेश कर सकते हैं, लेकिन उनके प्रयोगशाला परिणामों के सावधानीपूर्वक विश्लेषण से पता चलता है कि उनकी स्थिति बहुत अलग है। बेशक यह मानक डॉक्टरिंग अभ्यास है, लेकिन जैसे-जैसे कई परीक्षणों और विश्लेषणों से डेटा ढेर हो जाता है, सभी सहसंबंधों को ट्रैक करना मुश्किल हो जाता है। म्यूनिख का तकनीकी विश्वविद्यालय एक प्रकार के नैदानिक ​​मेटा-एल्गोरिदम पर काम कर रहा है जो समान प्रस्तुतियों के साथ कुछ यकृत रोगों के बीच अंतर करने के लिए कई डेटा स्रोतों (अन्य एल्गोरिदम सहित) को एकीकृत करता है। हालांकि इस तरह के मॉडल डॉक्टरों की जगह नहीं लेंगे, लेकिन वे डेटा की बढ़ती मात्रा को कम करने में मदद करना जारी रखेंगे, यहां तक ​​​​कि विशेषज्ञों के पास व्याख्या करने के लिए समय या विशेषज्ञता भी नहीं हो सकती है।



Credit

Leave a Reply

Your email address will not be published.