AI-For-Beginners/translations/mr/lessons/1-Intro

AI परिचय

रेखाचित्र: Tomomi Imura

पूर्व-व्याख्यान प्रश्नमंजुषा

कृत्रिम बुद्धिमत्ता ही एक रोमांचक वैज्ञानिक शाखा आहे जी अभ्यास करते की संगणकांना बुद्धिमान वर्तन कसे दाखवता येईल, जसे की मानवांना चांगले जमत असलेले कार्य करणे.

मुळात, संगणकांची निर्मिती चार्ल्स बॅबेज यांनी अंकांवर कार्य करण्यासाठी केली होती, ज्यामध्ये एक निश्चित प्रक्रिया - अल्गोरिदम अनुसरण केली जाते. आधुनिक संगणक, जरी 19व्या शतकात प्रस्तावित मॉडेलपेक्षा खूप प्रगत असले तरी, नियंत्रित गणनांच्या त्याच कल्पनेचे अनुसरण करतात. त्यामुळे, जर आपल्याला एखादे कार्य साध्य करण्यासाठी आवश्यक असलेल्या अचूक चरणांची मालिका माहित असेल तर संगणकाला प्रोग्राम करणे शक्य आहे.

फोटो: Vickie Soshnikova

✅ एखाद्या व्यक्तीच्या छायाचित्रावरून त्याचे वय निश्चित करणे हे असे कार्य आहे जे स्पष्टपणे प्रोग्राम केले जाऊ शकत नाही, कारण आपण आपल्या डोक्यातील आकड्याशी कसे पोहोचतो हे आपल्याला माहित नाही.

---

काही कार्ये अशी असतात जी सोडवायची कशी हे आपल्याला स्पष्टपणे माहित नसते. उदाहरणार्थ, एखाद्या व्यक्तीच्या छायाचित्रावरून त्याचे वय निश्चित करणे. आपण हे कसे करायचे ते शिकतो, कारण आपण वेगवेगळ्या वयाच्या लोकांचे अनेक उदाहरणे पाहिले आहेत, परंतु आपण ते कसे करतो हे स्पष्टपणे सांगू शकत नाही, किंवा संगणकाला ते करण्यासाठी प्रोग्राम करू शकत नाही. हीच ती कार्ये आहेत जी कृत्रिम बुद्धिमत्ता (संक्षेपात AI) साठी महत्त्वाची आहेत.

✅ अशा काही कार्यांचा विचार करा जे तुम्ही संगणकावर सोपवू शकता आणि ज्यामुळे AI चा फायदा होईल. वित्त, वैद्यकीय क्षेत्र आणि कला यासारख्या क्षेत्रांचा विचार करा - आज AI मुळे या क्षेत्रांना कसा फायदा होत आहे?

कमजोर AI विरुद्ध मजबूत AI

कमजोर AI	मजबूत AI
कमजोर AI म्हणजे विशिष्ट कार्य किंवा मर्यादित कार्यांसाठी डिझाइन आणि प्रशिक्षित केलेली AI प्रणाली.	मजबूत AI, किंवा कृत्रिम सामान्य बुद्धिमत्ता (AGI), म्हणजे मानवी-स्तरीय बुद्धिमत्ता आणि समज असलेल्या AI प्रणाली.
या AI प्रणाली सामान्यतः बुद्धिमान नसतात; त्या पूर्वनिर्धारित कार्यात उत्कृष्ट असतात परंतु खऱ्या समज किंवा चेतना नसते.	या AI प्रणालींमध्ये मानवी बुद्धिमत्ता असलेल्या कोणत्याही बौद्धिक कार्याचे प्रदर्शन करण्याची क्षमता असते, वेगवेगळ्या क्षेत्रांमध्ये जुळवून घेण्याची क्षमता असते आणि चेतना किंवा आत्म-जाणीव असते.
कमजोर AI चे उदाहरण म्हणजे Siri किंवा Alexa सारखे आभासी सहाय्यक, स्ट्रीमिंग सेवांद्वारे वापरले जाणारे शिफारस अल्गोरिदम आणि विशिष्ट ग्राहक सेवा कार्यांसाठी डिझाइन केलेले चॅटबॉट्स.	मजबूत AI हे AI संशोधनाचे दीर्घकालीन लक्ष्य आहे आणि यासाठी AI प्रणाली विकसित करणे आवश्यक आहे ज्या विचार करू शकतात, शिकू शकतात, समजू शकतात आणि विविध कार्ये आणि संदर्भांमध्ये जुळवून घेऊ शकतात.
कमजोर AI अत्यंत विशिष्ट आहे आणि त्याच्या मर्यादित क्षेत्राच्या पलीकडे मानवी-सारख्या संज्ञानात्मक क्षमता किंवा सामान्य समस्या सोडवण्याची क्षमता नाही.	मजबूत AI सध्या एक सैद्धांतिक संकल्पना आहे आणि कोणतीही AI प्रणाली या सामान्य बुद्धिमत्तेच्या पातळीवर पोहोचलेली नाही.

अधिक माहितीसाठी Artificial General Intelligence (AGI) पहा.

बुद्धिमत्तेची व्याख्या आणि ट्युरिंग चाचणी

बुद्धिमत्ता या संज्ञेशी संबंधित असताना एक समस्या अशी आहे की या संज्ञेची स्पष्ट व्याख्या नाही. एखादा म्हणू शकतो की बुद्धिमत्ता अमूर्त विचार किंवा आत्म-जाणीव यांच्याशी संबंधित आहे, परंतु आपण याची योग्य व्याख्या करू शकत नाही.

फोटो: Amber Kipp Unsplash वरून

बुद्धिमत्ता या संज्ञेच्या अस्पष्टतेचे उदाहरण पाहण्यासाठी, "मांजर बुद्धिमान आहे का?" या प्रश्नाचे उत्तर देण्याचा प्रयत्न करा. वेगवेगळ्या लोकांकडे या प्रश्नाचे वेगवेगळे उत्तर असते, कारण ही पुष्टी खरी आहे की नाही हे सिद्ध करण्यासाठी सार्वत्रिकपणे स्वीकारलेली चाचणी नाही. आणि जर तुम्हाला वाटत असेल की आहे - तर तुमच्या मांजराला IQ चाचणीमध्ये सहभागी करून पहा...

✅ बुद्धिमत्तेची व्याख्या कशी करायची याचा विचार करा. एखाद्या कावळ्याने जर भुकेसाठी एक भूलभुलैया सोडवली तर तो बुद्धिमान आहे का? एखादे मूल बुद्धिमान आहे का?

---

AGI बद्दल बोलताना, आपल्याला खरोखरच बुद्धिमान प्रणाली तयार केली आहे की नाही हे सांगण्याचा काही मार्ग असणे आवश्यक आहे. अलन ट्युरिंग यांनी ट्युरिंग चाचणी नावाचा एक मार्ग प्रस्तावित केला, जो बुद्धिमत्तेची व्याख्या म्हणूनही कार्य करतो. ही चाचणी दिलेल्या प्रणालीची तुलना काहीतरी अंतर्निहित बुद्धिमान - वास्तविक मानवाशी करते, आणि कारण कोणतीही स्वयंचलित तुलना संगणक प्रोग्रामद्वारे बायपास केली जाऊ शकते, आपण मानवी चौकशीकर्ता वापरतो. त्यामुळे, जर एखाद्या मानवी व्यक्तीला मजकूर-आधारित संवादात वास्तविक व्यक्ती आणि संगणक प्रणाली यामध्ये फरक करता आला नाही - तर ती प्रणाली बुद्धिमान मानली जाते.

Eugene Goostman नावाचा एक चॅट-बॉट, जो सेंट पीटर्सबर्गमध्ये विकसित झाला, त्याने 2014 मध्ये ट्युरिंग चाचणी जवळपास पास केली, ज्यामध्ये एक हुशार व्यक्तिमत्व युक्ती वापरली. त्याने आधीच सांगितले की तो 13 वर्षांचा युक्रेनियन मुलगा आहे, ज्यामुळे ज्ञानाचा अभाव आणि मजकूरातील काही विसंगती स्पष्ट होईल. बॉटने 5 मिनिटांच्या संवादानंतर 30% न्यायाधीशांना तो मानव असल्याचे पटवून दिले, ही एक मेट्रिक आहे जी ट्युरिंगने विश्वास ठेवला होता की 2000 पर्यंत मशीन पास करू शकेल. तथापि, हे समजले पाहिजे की याचा अर्थ असा नाही की आपण बुद्धिमान प्रणाली तयार केली आहे, किंवा संगणक प्रणालीने मानवी चौकशीकर्त्याला फसवले आहे - प्रणालीने मानवांना फसवले नाही, तर बॉट निर्मात्यांनी फसवले!

✅ तुम्ही कधी चॅट बॉटने तुम्हाला मानवाशी बोलत असल्याचा विश्वास दिला आहे का? त्याने तुम्हाला कसे पटवले?

AI साठी वेगवेगळे दृष्टिकोन

जर आपल्याला संगणकाला मानवासारखे वागवायचे असेल, तर आपल्याला संगणकात आपला विचार करण्याचा मार्ग कसा तरी मॉडेल करावा लागेल. परिणामी, आपल्याला मानव बुद्धिमान बनवणारे काय आहे हे समजून घेण्याचा प्रयत्न करावा लागेल.

मशीनमध्ये बुद्धिमत्ता प्रोग्राम करण्यासाठी, आपल्याला निर्णय घेण्याच्या आपल्या स्वतःच्या प्रक्रियेचे कार्य कसे होते हे समजून घेणे आवश्यक आहे. जर तुम्ही थोडे आत्मपरीक्षण केले तर तुम्हाला लक्षात येईल की काही प्रक्रिया उपजतपणे घडतात – उदा. आपण विचार न करता मांजर आणि कुत्र्याचा फरक करू शकतो - तर काही इतर प्रक्रिया तर्कसंगत विचारांमध्ये गुंतलेल्या असतात.

या समस्येचे दोन संभाव्य दृष्टिकोन आहेत:

वरून-खाली दृष्टिकोन (प्रतीकात्मक तर्क)	खाली-वर दृष्टिकोन (न्यूरल नेटवर्क)
वरून-खाली दृष्टिकोन एखाद्या व्यक्तीने समस्या सोडवण्यासाठी तर्क कसा करतो याचे मॉडेल तयार करते. यात मानवाकडून ज्ञान काढणे आणि ते संगणक-वाचनीय स्वरूपात सादर करणे समाविष्ट आहे. आपल्याला संगणकात तर्क मॉडेल करण्याचा मार्ग विकसित करणे देखील आवश्यक आहे.	खाली-वर दृष्टिकोन मानवी मेंदूची रचना मॉडेल करतो, ज्यामध्ये न्यूरॉन्स नावाच्या साध्या घटकांची मोठी संख्या असते. प्रत्येक न्यूरॉन त्याच्या इनपुट्सचा भारित सरासरीसारखा कार्य करतो, आणि आम्ही प्रशिक्षण डेटा प्रदान करून न्यूरॉन्सच्या नेटवर्कला उपयुक्त समस्या सोडवण्यासाठी प्रशिक्षित करू शकतो.

बुद्धिमत्तेसाठी काही इतर संभाव्य दृष्टिकोन देखील आहेत:

• उद्भवणारा, सिनर्जेटिक किंवा मल्टी-एजंट दृष्टिकोन यावर आधारित आहे की अनेक साध्या एजंट्सच्या परस्परसंवादाद्वारे जटिल बुद्धिमान वर्तन प्राप्त केले जाऊ शकते. Evolutionary Cybernetics नुसार, बुद्धिमत्ता अधिक साध्या, प्रतिक्रियात्मक वर्तनातून मेटासिस्टम ट्रांझिशन प्रक्रियेतून उद्भवू शकते.

• Evolutionary दृष्टिकोन, किंवा Genetic Algorithm हा उत्क्रांतीच्या तत्त्वांवर आधारित एक ऑप्टिमायझेशन प्रक्रिया आहे.

आम्ही या दृष्टिकोनांचा अभ्यास नंतर अभ्यासक्रमात करू, परंतु सध्या आम्ही दोन मुख्य दिशांवर लक्ष केंद्रित करू: वरून-खाली आणि खाली-वर.

वरून-खाली दृष्टिकोन

वरून-खाली दृष्टिकोन मध्ये, आपण आपल्या तर्काचा मॉडेल तयार करण्याचा प्रयत्न करतो. कारण आपण तर्क करताना आपल्या विचारांचे अनुसरण करू शकतो, आपण या प्रक्रियेचे औपचारिककरण करण्याचा प्रयत्न करू शकतो आणि ते संगणकात प्रोग्राम करू शकतो. याला प्रतीकात्मक तर्क म्हणतात.

लोकांच्या डोक्यात काही नियम असतात जे त्यांच्या निर्णय घेण्याच्या प्रक्रियांना मार्गदर्शन करतात. उदाहरणार्थ, जेव्हा डॉक्टर एखाद्या रुग्णाचे निदान करत असतो, तेव्हा त्याला कदाचित लक्षात येईल की व्यक्तीला ताप आहे, आणि त्यामुळे शरीरात काही जळजळ होत असावी. विशिष्ट समस्येसाठी नियमांचा मोठा संच लागू करून डॉक्टर अंतिम निदान काढू शकतो.

हा दृष्टिकोन ज्ञान सादरीकरण आणि तर्क यावर मोठ्या प्रमाणात अवलंबून असतो. मानव तज्ज्ञाकडून ज्ञान काढणे हे सर्वात कठीण भाग असू शकते, कारण अनेक प्रकरणांमध्ये डॉक्टरला नेमके माहित नसते की तो किंवा ती विशिष्ट निदान का करत आहे. कधीकधी उपाय स्पष्ट विचार न करता त्याच्या किंवा तिच्या डोक्यात येतो. काही कार्ये, जसे की एखाद्या व्यक्तीच्या छायाचित्रावरून वय निश्चित करणे, ज्ञान हाताळण्यामध्ये अजिबात कमी करता येत नाही.

खाली-वर दृष्टिकोन

पर्यायाने, आपण आपल्या मेंदूमधील सर्वात सोप्या घटक - न्यूरॉनचे मॉडेल तयार करण्याचा प्रयत्न करू शकतो. आपण संगणकात तथाकथित कृत्रिम न्यूरल नेटवर्क तयार करू शकतो आणि नंतर त्याला उदाहरणे देऊन समस्या सोडवण्यासाठी शिकवण्याचा प्रयत्न करू शकतो. ही प्रक्रिया नवजात मुलाने निरीक्षण करून त्याच्या किंवा तिच्या सभोवतालच्या गोष्टींबद्दल शिकण्यासारखी आहे.

✅ मुलं कशी शिकतात यावर थोडा अभ्यास करा. मुलाच्या मेंदूचे मूलभूत घटक काय आहेत?

ML बद्दल काय?
संगणकाला काही डेटा आधारित समस्या सोडवण्यासाठी शिकवण्यावर आधारित कृत्रिम बुद्धिमत्तेचा भाग मशीन लर्निंग म्हणून ओळखला जातो. आम्ही या अभ्यासक्रमात पारंपरिक मशीन लर्निंगचा विचार करणार नाही - आम्ही तुम्हाला स्वतंत्र Machine Learning for Beginners अभ्यासक्रमाकडे संदर्भित करतो.

AI चा थोडक्यात इतिहास

कृत्रिम बुद्धिमत्ता ही शाखा विसाव्या शतकाच्या मध्यात सुरू झाली. सुरुवातीला, प्रतीकात्मक तर्क हा प्रचलित दृष्टिकोन होता, आणि यामुळे काही महत्त्वाच्या यशस्वीतेसाठी, जसे की तज्ज्ञ प्रणाली - मर्यादित समस्या क्षेत्रांमध्ये तज्ज्ञ म्हणून कार्य करण्यास सक्षम संगणक प्रोग्राम्स. तथापि, लवकरच हे स्पष्ट झाले की असा दृष्टिकोन चांगल्या प्रकारे स्केल होत नाही. तज्ज्ञाकडून ज्ञान काढणे, ते संगणकात सादर करणे आणि त्या ज्ञानाच्या अचूकतेची खात्री करणे हे खूप जटिल कार्य आहे आणि अनेक प्रकरणांमध्ये व्यावहारिकदृष्ट्या खूप महाग आहे. यामुळे 1970 च्या दशकात तथाकथित AI Winter आले.

प्रतिमा: Dmitry Soshnikov

जसे वेळ गेला, संगणकीय संसाधने स्वस्त झाली, आणि अधिक डेटा उपलब्ध झाला, त्यामुळे न्यूरल नेटवर्क दृष्टिकोनांनी संगणकीय दृष्टिकोन किंवा भाषेची समज यासारख्या अनेक क्षेत्रांमध्ये मानवांशी स्पर्धा करताना उत्कृष्ट कामगिरी दाखवली. गेल्या दशकात, कृत्रिम बुद्धिमत्ता हा शब्द प्रामुख्याने न्यूरल नेटवर्क्सचा पर्याय म्हणून वापरला जात आहे, कारण आपण ऐकतो त्या AI च्या यशस्वीतेपैकी बहुतेक त्यावर आधारित आहेत.

आपण पाहू शकतो की दृष्टिकोन कसे बदलले, उदाहरणार्थ, बुद्धिबळ खेळणारा संगणक प्रोग्राम तयार करताना:

• सुरुवातीचे बुद्धिबळ प्रोग्राम शोधावर आधारित होते - प्रोग्रामने दिलेल्या संख्येच्या पुढील चालांसाठी प्रतिस्पर्ध्याच्या संभाव्य चालींचा अंदाज घेण्याचा स्पष्ट प्रयत्न केला आणि काही चालींमध्ये प्राप्त होऊ शकणाऱ्या सर्वोत्तम स्थितीच्या आधारे एक आदर्श चाल निवडली. यामुळे तथाकथित alpha-beta pruning शोध अल्गोरिदमचा विकास झाला.
• शोध धोरणे खेळाच्या शेवटी चांगले कार्य करतात, जिथे शोध जागा मर्यादित असते आणि संभाव्य चालींची संख्या कमी असते. तथापि, खेळाच्या सुरुवातीला, शोध जागा खूप मोठी असते, आणि मानवी खेळाडूंमधील विद्यमान सामन्यांमधून शिकून अल्गोरिदम सुधारित केला जाऊ शकतो. त्यानंतरच्या प्रयोगांमध्ये तथाकथित case-based reasoning वापरले गेले, जिथे प्रोग्रामने ज्ञानाच्या आधारावर खेळातील वर्तमान स्थितीशी खूप समान असलेल्या प्रकरणांचा शोध घेतला.
• मानवी खेळाडूंवर विजय मिळवणारे आधुनिक प्रोग्राम न्यूरल नेटवर्क्स आणि reinforcement learning वर आधारित आहेत, जिथे प्रोग्राम स्वतःशी खेळून आणि स्वतःच्या चुका शिकून खेळायला शिकतात - जसे मानव बुद्धिबळ खेळायला शिकतो. तथापि, संगणक प्रोग्राम खूप कमी वेळात अनेक खेळ खेळू शकतो आणि त्यामुळे खूप वेगाने शिकू शकतो.

✅ AI ने खेळलेले इतर खेळांवर थोडा अभ्यास करा.

त्याचप्रमाणे, "बोलणारे प्रोग्राम" (जे ट्युरिंग चाचणी पास करू शकतात) तयार करण्याच्या दृष्टिकोनात बदल कसा झाला हे आपण पाहू शकतो:

• या प्रकारचे सुरुवातीचे प्रोग्राम, जसे की Eliza, अतिशय सोप्या व्याकरणाच्या नियमांवर आणि इनपुट वाक्याला प्रश्नात पुन्हा तयार करण्यावर आधारित होते.
• आधुनिक सहाय्यक, जसे की Cortana, Siri किंवा Google Assistant हे सर्व हायब्रिड प्रणाली आहेत जे Neural Networks वापरून भाषण मजकुरात रूपांतरित करतात आणि आपला हेतू ओ

चित्र: Dmitry Soshnikov, फोटो Marina Abrosimova द्वारे, Unsplash

अलीकडील AI संशोधन

न्यूरल नेटवर्क संशोधनामध्ये अलीकडील मोठी वाढ सुमारे 2010 मध्ये सुरू झाली, जेव्हा मोठ्या सार्वजनिक डेटासेट्स उपलब्ध होऊ लागल्या. सुमारे 14 दशलक्ष एनोटेट केलेल्या प्रतिमा असलेल्या ImageNet नावाच्या मोठ्या संग्रहाने ImageNet Large Scale Visual Recognition Challenge ची सुरुवात केली.

चित्र: Dmitry Soshnikov

2012 मध्ये, प्रतिमा वर्गीकरणासाठी प्रथम Convolutional Neural Networks वापरण्यात आले, ज्यामुळे वर्गीकरण त्रुटीमध्ये लक्षणीय घट झाली (सुमारे 30% वरून 16.4% पर्यंत). 2015 मध्ये, Microsoft Research च्या ResNet आर्किटेक्चरने मानवी-स्तरीय अचूकता प्राप्त केली.

त्यानंतर, न्यूरल नेटवर्क्सने अनेक कार्यांमध्ये अत्यंत यशस्वी वर्तन दाखवले:

---

वर्ष	मानवी समानता प्राप्त
2015	प्रतिमा वर्गीकरण
2016	संवादी भाषण ओळख
2018	स्वयंचलित मशीन अनुवाद (चिनी-ते-इंग्रजी)
2020	प्रतिमा कॅप्शनिंग

गेल्या काही वर्षांत, BERT आणि GPT-3 सारख्या मोठ्या भाषा मॉडेल्ससह मोठ्या प्रमाणात यश पाहिले आहे. हे प्रामुख्याने यामुळे घडले की सामान्य मजकूर डेटा मोठ्या प्रमाणात उपलब्ध आहे, ज्यामुळे आम्हाला मॉडेल्स प्रशिक्षण देऊन मजकूरांची रचना आणि अर्थ समजून घेता येतो, त्यांना सामान्य मजकूर संग्रहांवर प्री-ट्रेन करता येते आणि नंतर विशिष्ट कार्यांसाठी त्या मॉडेल्सला विशेष बनवता येते. आपण या कोर्समध्ये नंतर नैसर्गिक भाषा प्रक्रिया बद्दल अधिक शिकू.

🚀 आव्हान

इंटरनेटवर फेरफटका मारा आणि तुमच्या मते AI सर्वात प्रभावीपणे कुठे वापरला जातो हे ठरवा. ते मॅपिंग अॅपमध्ये आहे का, किंवा काही भाषण-ते-मजकूर सेवा किंवा व्हिडिओ गेममध्ये? प्रणाली कशी तयार केली गेली याचा शोध घ्या.

व्याख्यानानंतरचा क्विझ

पुनरावलोकन आणि स्व-अभ्यास

AI आणि ML चा इतिहास या धड्याचा अभ्यास करून पुनरावलोकन करा. त्या धड्याच्या शीर्षस्थानी किंवा या धड्याच्या स्केच नोटमधून एक घटक घ्या आणि त्याच्या उत्क्रांतीला माहिती देणाऱ्या सांस्कृतिक संदर्भाचा अधिक सखोल अभ्यास करा.

असाइनमेंट: गेम जॅम

---

अस्वीकरण:
हा दस्तऐवज AI भाषांतर सेवा Co-op Translator चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.