यह भाषा मशीन द्वारा अनुवादित है और किसी मानव द्वारा समीक्षा नहीं की गई है।

NIVΞCTOR
समाचारसहयोग

काउंटर अभी शुरू नहीं हुआ है

कृत्रिम बुद्धिमत्ता · लेख

न्यूरल नेटवर्क और गहरी शिक्षा कैसे AI सिस्टम को सीखने और निर्णय लेने देती हैं

प्रकाशित:

संक्षेप में

न्यूरल नेटवर्क वजन नामक आंतरिक संख्यात्मक मानों को बार-बार समायोजित करके सीखते हैं, बैकप्रोपेगेशन नामक एक प्रशिक्षण विधि का उपयोग करते हुए जो पूर्वानुमानों की तुलना ज्ञात उत्तरों से करके त्रुटियों को सुधारता है। गहरी शिक्षा इन नेटवर्कों की कई परतों को स्टैक करती है, इसलिए आज के AI सिस्टम बिना किसी स्पष्ट, हाथ से लिखे गए नियमों के हर स्थिति के लिए पैटर्न को पहचान सकते हैं और आउटपुट उत्पन्न कर सकते हैं।

यह संस्करण मूल पाठ (English) का मशीनी अनुवाद है। मूल पाठ पढ़ें

एक न्यूरल नेटवर्क वास्तव में क्या है

IBM के अनुसार, एक न्यूरल नेटवर्क एक मशीन लर्निंग मॉडल है जो न्यूरॉन्स नामक सरल प्रसंस्करण इकाइयों से बनाया जाता है, जो परतों में व्यवस्थित होते हैं, जो इनपुट्स को आउटपुट्स में मानचित्रित करने के लिए डेटा से पैटर्न-पहचान वजन और पूर्वाग्रहों को सीखते हैं। प्रत्येक नेटवर्क में एक इनपुट लेयर है जो कच्चे डेटा लेता है, एक या अधिक छिपी परतें जो उस डेटा को बदलती हैं, और एक आउटपुट लेयर है जो अंतिम परिणाम उत्पन्न करता है, जैसे एक लेबल या एक भविष्यवाणी।

प्रत्येक न्यूरॉन अपने आने वाले मानों को वजन नामक संख्याओं से गुणा करता है, एक पूर्वाग्रह पद जोड़ता है, और परिणाम को एक गैर-रैखिक सक्रियण फ़ंक्शन के माध्यम से पास करता है। IBM वजन की तुलना डायल से करता है जो यह निर्धारित करते हैं कि प्रत्येक इनपुट का परिणाम पर कितना प्रभाव है, जबकि पूर्वाग्रह उस बिंदु को समायोजित करते हैं जहां एक न्यूरॉन सक्रिय हो जाता है।

प्रशिक्षण कैसे काम करता है: आगे और पीछे के पास

MIT News इस विचार को 1944 में वापस लेता है, जब Warren McCullough और Walter Pitts, जो बाद में MIT में चले गए, ने पहली बार इंटरकनेक्टेड प्रोसेसिंग नोड्स की अवधारणा का प्रस्ताव किया। मूल डिज़ाइन में, प्रत्येक नोड अपने भारित इनपुट्स को जोड़ता है और 'फायर' करता है यदि योग एक सीमा को पार करता है, अगली परत को एक सिग्नल भेजता है जिसे MIT फीड-फॉरवर्ड आर्किटेक्चर कहता है।

प्रशिक्षण यादृच्छिक वजन से शुरू होता है। IBM बताता है कि नेटवर्क पहले एक 'फॉरवर्ड प्रोपेगेशन' चरण चलाता है, इनपुट डेटा को परतों के माध्यम से पास करके एक भविष्यवाणी तैयार करता है। एक नुकसान फ़ंक्शन फिर उस भविष्यवाणी और सही उत्तर के बीच अंतर को मापता है, IBM के अनुसार, संख्यात्मक पूर्वानुमानों के लिए माध्य चुकता त्रुटि जैसे सूत्र या वर्गीकरण कार्यों के लिए क्रॉस-एंट्रॉपी का उपयोग करके।

नेटवर्क फिर 'बैकप्रोपेगेशन' चलाता है, परत दर परत गणना करता है कि कितना प्रत्येक व्यक्तिगत वजन ने त्रुटि में योगदान दिया, चेन नियम नामक कैलकुलस नियम का उपयोग करके। ग्रेडिएंट डिसेंट नामक एक अनुकूलन चरण फिर उन गणनाओं का उपयोग करके त्रुटि को कम करने वाली दिशा में हर वजन को हल्का सा धकेलता है। प्रशिक्षण उदाहरणों में इस चक्र को हजारों या लाखों बार दोहराना वही है जो IBM और MIT दोनों नेटवर्क को 'सीखने' के रूप में वर्णित करते हैं।

गहरी शिक्षा क्यों तेजी से बढ़ी

'गहरी शिक्षा' कई ढेर की गई छिपी परतों वाले नेटवर्कों को संदर्भित करती है बजाय केवल एक के। MIT News नोट करता है कि 1960 के दशक से सिंगल-लेयर नेटवर्क आधुनिक नेटवर्क को रास्ता दे गए हैं जिनमें 10 से 50 परतें या अधिक हैं। MIT News के अनुसार, शोध गति तब ढह गई जब MIT के Marvin Minsky और Seymour Papert ने 1969 में एक पुस्तक प्रकाशित की जो सिंगल-लेयर नेटवर्कों की सीमाओं को दिखाती है, और 1980 के दशक में केवल आंशिक रूप से ठीक हुई, फिर 2000 के दशक की शुरुआत में दूसरी गिरावट।

इस क्षेत्र का आधुनिक पुनरुद्धार, जिसे MIT ने लगभग 2010 में दिनांकित किया है, ग्राफिक्स प्रोसेसिंग यूनिट्स (GPUs) द्वारा संचालित किया गया था जिन्हें मूल रूप से वीडियो गेम के लिए बनाया गया था, जिसने गहरे नेटवर्क के लिए आवश्यक विशाल संख्या में गणना करने को व्यावहारिक बनाया। IBM जोड़ता है कि यह कंप्यूटिंग शक्ति, बहुत बड़े डेटासेट के साथ मिलकर, आज के बड़े मॉडल्स में पैरामीटर्स को अरबों में गिनती करने की अनुमति देती है।

प्रमुख गहरी शिक्षा आर्किटेक्चर और उनका उपयोग
आर्किटेक्चरविशिष्ट उपयोगस्रोत
Convolutional Neural Network (CNN)छवि स्वीकृति, स्थानीय पैटर्न को स्कैन करने वाले फ़िल्टर का उपयोग करकेIBM
Recurrent Neural Network (RNN)अनुक्रमिक डेटा जैसे पाठ या समय श्रृंखला, एक मेमोरी जैसी छिपी स्थिति के माध्यम सेIBM
Transformerअनुक्रमों के पार स्व-ध्यान; आधुनिक बड़े भाषा मॉडल्स को शक्ति देता हैIBM
Diffusion modelएक चरणबद्ध शोर-अतिरिक्त प्रक्रिया को उलट कर छवियों को उत्पन्न करता हैIBM
Autoencoderडेटा को कमी या पीढ़ी कार्यों के लिए एक छोटी प्रतिनिधित्व में संपीड़ित करता हैIBM

'ब्लैक बॉक्स' समस्या: निर्णय समझाना क्यों मुश्किल है

यहां तक कि एक पूर्णतः प्रशिक्षित नेटवर्क की व्याख्या करना कठिन हो सकता है। MIT News बताता है कि प्रशिक्षण के बाद, यह अक्सर स्पष्ट नहीं होता है कि अंतिम वजन सेटिंग्स वास्तव में क्या प्रतिनिधित्व करती हैं, या छवि की कौन सी विशेषताओं पर एक प्रशिक्षित सिस्टम निर्भर है और यह उन्हें कैसे जोड़ता है। यह अपारदर्शिता, जिसे कभी कभी 'ब्लैक बॉक्स' समस्या कहा जाता है, इस बारे में है कि एक नेटवर्क कैसे बनाया जाता है—यह यह समझने में है कि एक विशिष्ट, पहले से प्रशिक्षित नेटवर्क एक विशिष्ट निर्णय क्यों देता है।

यह व्याख्या अभी क्यों महत्वपूर्ण है

ऊपर वर्णित यांत्रिकी दैनिक AI उपयोग में तेजी से विस्तार के पीछे हैं। Stanford के HAI 2026 AI Index Report ने पाया कि जनरेटिव AI का संगठनात्मक अवलंबन 2025 में 88% तक पहुंच गया, और जनरेटिव AI को अपनी बड़े पैमाने पर शुरुआत के तीन साल के भीतर आबादी स्तर पर 53% अवलंबन तक पहुंचा—जो रिपोर्ट कहती है कि व्यक्तिगत कंप्यूटर या इंटरनेट की तुलना में यह दर तेजी से है। वही रिपोर्ट 2025 में U.S. निजी AI निवेश को $285.9 बिलियन पर रखता है, जो उस वर्ष चीन में निवेश किए गए $12.4 बिलियन का 23 गुना से अधिक है।

Stanford रिपोर्ट यह भी पाती है कि AI मॉडल प्रदर्शन कोडिंग बेंचमार्क जैसे SWE-bench Verified पर लगभग 60% से एक वर्ष में लगभग 100% तक बढ़ गया, और कि कई मॉडल अब PhD-स्तरीय विज्ञान प्रश्नों और प्रतियोगिता गणित पर मानव आधार लाइनों को पूरा करते हैं या उससे अधिक हैं। क्षमता लाभ के कोई भी ऊपर वर्णित अंतर्निहित यांत्रिकी को नहीं बदलते—भारित कनेक्शन बैकप्रोपेगेशन और ग्रेडिएंट डिसेंट के माध्यम से समायोजित—केवल वह पैमाना जिस पर इसे लागू किया जाता है।

प्रश्न

एक न्यूरल नेटवर्क और गहरी शिक्षा में क्या अंतर है?
एक न्यूरल नेटवर्क भारित प्रोसेसिंग यूनिट्स की परतयुक्त वास्तुकला है; गहरी शिक्षा विशेष रूप से न्यूरल नेटवर्क को संदर्भित करती है जिनमें कई छिपी परतें हैं (IBM आधुनिक नेटवर्क को 10 से 50 परतें या अधिक के साथ उद्धृत करता है, 1960 के दशक के सिंगल-लेयर नेटवर्क के विपरीत, MIT News के अनुसार)।
बैकप्रोपेगेशन वास्तव में कैसे काम करता है?
एक नेटवर्क एक भविष्यवाणी बनाने के बाद (फॉरवर्ड प्रोपेगेशन), एक नुकसान फ़ंक्शन सही उत्तर के खिलाफ त्रुटि को मापता है, और बैकप्रोपेगेशन चेन नियम का उपयोग करके गणना करता है कि कितना प्रत्येक वजन ने त्रुटि में योगदान दिया; ग्रेडिएंट डिसेंट फिर IBM के अनुसार इसे कम करने के लिए हर वजन को समायोजित करता है।
न्यूरल नेटवर्क को कभी-कभी 'ब्लैक बॉक्स' क्यों कहा जाता है?
MIT News समझाता है कि प्रशिक्षण के सफल होने के बाद भी, यह अक्सर स्पष्ट नहीं होता है कि एक नेटवर्क किन इनपुट विशेषताओं पर निर्भर करता है या इसकी सीखी गई वजन मूल्य वास्तव में क्या प्रतिनिधित्व करते हैं, सही आउटपुट के बावजूद विशिष्ट निर्णयों की व्याख्या करना मुश्किल बनाता है।
गहरी शिक्षा केवल हाल ही में व्यावहारिक क्यों बनी?
MIT News 2010 के बाद के पुनरुद्धार को ग्राफिक्स प्रोसेसिंग यूनिट्स (GPUs) को जिम्मेदार ठहराता है, मूल रूप से वीडियो गेम के लिए बनाए गए, जिन्होंने कई परतों वाले नेटवर्क को बड़े डेटासेट पर प्रशिक्षित करने के लिए आवश्यक कंप्यूटिंग शक्ति प्रदान की।
आज AI वास्तव में कितनी व्यापक रूप से उपयोग किया जाता है?
Stanford के 2026 AI Index Report ने पाया कि जनरेटिव AI का संगठनात्मक अवलंबन 2025 में 88% तक पहुंच गया, और जनरेटिव AI को अपनी बड़े पैमाने पर शुरुआत के तीन साल के भीतर 53% आबादी तक पहुंचा, जो व्यक्तिगत कंप्यूटर या इंटरनेट के समान चरण की तुलना में तेजी से है।

स्रोत

  1. Stanford HAI — The 2026 AI Index Report
  2. IBM — What Is a Neural Network?
  3. IBM — What Is Deep Learning?
  4. IBM — What Is Backpropagation?
  5. MIT News — Explained: Neural Networks

यह लेख कृत्रिम बुद्धिमत्ता से तैयार किया गया और प्रकाशन से पहले स्वचालित स्रोत-जाँच से गुज़रा। कोई गलती दिखे तो सुधार का अनुरोध करें। सुधार या उत्तर का अनुरोध करें · हम कैसे काम करते हैं

संबंधित लेख