मैन + मशीन। कृत्रिम बुद्धिमत्ता का सच्चा प्रतिमान

क्या यह पहले से ही अब सर्वनाश है?

एलोन मस्क ने कहा कि आर्टिफिशियल इंटेलिजेंस तीसरे विश्व युद्ध की शुरुआत कर सकता है। यदि ग्रह पर सबसे उन्नत और अस्थिर कृत्रिम बुद्धि वाली कार का निर्माता ऐसा कहता है, तो इसका मतलब है कि एक नींव है। कुछ समय पहले तक बहुत कम ऐसे थे जो तकनीकी नवाचार के परिणामों की परवाह करते थे जो एक उग्र कदम उठा रहा था। और हम शुरुआत में ही थे, हमने अभी तक कुछ भी नहीं देखा था।

फिर ऐसा हुआ कि प्रौद्योगिकी के परिणामों पर प्रवचन समाज के हर हिस्से में फैलना शुरू हो गया, केवल उन प्रौद्योगिकीविदों को छोड़कर जो आश्वस्त हैं कि वे "ईश्वर के लिए एक मिशन पर हैं"। सार्वजनिक धारणा के इस उलटफेर का मुख्य आरोपी आर्टिफिशियल इंटेलिजेंस है।

जब एआई की बात आती है, तो सार्वजनिक बातचीत का एक बड़ा हिस्सा सिर्फ नौकरी छूटने या चीन के ऊपरी हाथ हासिल करने से ज्यादा पर ध्यान केंद्रित करता है। लेकिन यह भी और सबसे बढ़कर इस डर पर कि बुद्धिमान मशीनें एक दिन दुनिया को जीत लेंगी और मनुष्य को खाद्य श्रृंखला में एक कड़ी बना देगी। में ऐसा नहीं होता है वॉर ऑफ़ द वर्ल्डस हक्सले द्वारा?

अंतर्निहित धारणा यह है कि मनुष्य और मशीनें प्रतिस्पर्धा में हैं। एक प्रतियोगिता जो मशीन द्वारा जीती जाएगी। अंततः बुद्धिमान प्रणालियाँ, अपनी बेहतर गति, प्रसंस्करण शक्ति और टूट-फूट के प्रतिरोध के साथ, अंततः हमें पहले व्यवसायों में, फिर संगठनों में और अंत में निर्णयों में बदल देंगी।

नेशनल ब्यूरो ऑफ इकोनॉमिक रिसर्च, एक शोध केंद्र द्वारा 2015 का अर्थमितीय अध्ययन है जो पर्याप्त सटीकता के साथ आर्थिक रुझानों की भविष्यवाणी करता है। इस अध्ययन ने आर्टिफिशियल इंटेलिजेंस के विकास पर शोध से यह निष्कर्ष निकाला:

"एक पर्याप्त राजकोषीय नीति के अभाव में जो विजेताओं से हारने वालों को पुनर्वितरित करती है, बुद्धिमान कारों का मतलब लंबे समय में सभी के लिए अधिक गरीबी होगी।"

दो स्थितियाँ जो इस समय आने से दूर प्रतीत होती हैं, यदि कल्पना भी नहीं की गई है। लेकिन एक बात हो रही है: विकसित देशों में आबादी का एक बड़ा हिस्सा वास्तव में दरिद्र है। और हम जानते हैं कि दरिद्रता के कृत्रिम बुद्धिमता से भी अधिक क्रूर परिणाम हो सकते हैं।

योगात्मक बुद्धि

आइए मामले को एक अलग नजरिए से देखने की कोशिश करते हैं। आइए खुद से पूछें। क्या होगा अगर शक्ति का मानव-मशीन संचालन घटिया नहीं, बल्कि योगात्मक हो? यह पॉल डॉटरटी और जेम्स विल्सन द्वारा अपनी पुस्तक में अंततः इतालवी में अनुवादित परिप्रेक्ष्य प्रस्तावित है मानव + मशीन। कृत्रिम बुद्धि के युग में पुनर्विचार कार्य, गुएरिनी, 2019, पी। 215 (goWare के सह-संस्करण में ईबुक में भी उपलब्ध है)।

डॉटरटी और विल्सन का काम सैद्धांतिक या कहानी कहने वाला नहीं है, बल्कि दो लेखकों द्वारा हासिल किए गए क्षेत्र के अनुभव से अपने विचारों को आकर्षित करता है। वास्तव में, दोनों एक्सेंचर में प्राथमिक जिम्मेदारियां संभालते हैं। डॉटरटी चीफ टेक्नोलॉजी एंड इनोवेशन ऑफिसर हैं, जो विश्व स्तर पर आर्टिफिशियल इंटेलिजेंस और आरएंडडी परियोजनाओं की देखरेख करती हैं। विल्सन आईटी और बिजनेस रिसर्च विभाग के प्रमुख हैं।

Accenture दुनिया की सबसे बड़ी मैनेजमेंट कंसल्टिंग फर्म है। वह कंपनियों के समान हवा में सांस लेता है, विशेष रूप से बड़ी कंपनियों के लिए, जिसके लिए वह कंधे से कंधा मिलाकर काम करता है। उस क्षेत्र के बेहतर दृश्य के साथ एक वेधशाला होना मुश्किल है जहां नवाचार और परिवर्तन हो रहे हैं।

डॉटरटी और विल्सन ने 450 के नमूने में 1500 संगठनों का एक अवलोकन विश्लेषण और केस स्टडीज का आयोजन किया और कई प्रासंगिक घटनाओं की पहचान की जो कि मात्रात्मक शोध से चूक गए हैं। एक "संलयन कौशल" की अवधारणा है: पुरुष और मशीनें मिलकर नए प्रकार के काम और पेशेवर अनुभव बनाते हैं।

संक्षेप में ज्ञान और कौशल का यह संलयन "घोस्ट स्पेस" है। भूत इस अर्थ में कि यह काम पर ध्रुवीकरण की बहस से अनुपस्थित है जिसने पुरुषों को मशीनों के खिलाफ खड़ा कर दिया है। और यह इस केंद्रीय फैंटम स्पेस में है कि अत्याधुनिक कंपनियों ने प्रदर्शन में असाधारण सुधार हासिल करते हुए अपनी कार्य प्रक्रियाओं को फिर से शुरू किया है।

एल री-स्किलिंग

पुस्तक की अपनी प्रस्तावना में, FBK ICT Fondazione Bruno Kessler Center के निदेशक पाओलो ट्रैवर्सो ने दो लेखकों की थीसिस को बहुत अच्छी तरह से प्रस्तुत किया है। लिखते हैं:

शीर्षक में कार्य की भावना की घोषणा की गई है: भविष्य मशीनों में प्रति निहित नहीं है, वे बुद्धिमान हो सकते हैं, यह शुद्ध औद्योगिक स्वचालन में नहीं है, भले ही अधिकतम दिनचर्या के उच्च प्रतिशत को बदलने के लिए अधिकतम धक्का दिया जाए और प्रत्येक पेशे के निम्न-रचनात्मकता घटक। समाज का भविष्य, बल्कि बाजार और व्यवसाय का भी, वास्तव में वह जगह है जहां मशीनें और लोग एक साथ काम करते हैं, जहां व्यापार बल्कि व्यापार मॉडल भी काफी हद तक नवीनीकृत होंगे। आर्टिफिशियल इंटेलिजेंस को लोगों, उनके कौशल, उनकी रचनात्मकता को प्रतिस्थापित नहीं करना चाहिए, लेकिन इसे उन्हें बढ़ाना चाहिए, उन्हें बढ़ाना चाहिए।

ऐसा होने के लिए मौलिक लीवर निहित है जिसे लेखक री-स्किलिंग कहते हैं, यानी सभी उम्र के लाखों लोगों को नई तकनीकों के साथ काम करने के लिए तैयार करना। एक टाइटैनिक लेकिन अपरिहार्य उपक्रम।

यहां तक ​​कि अरियाना हफिंगटन जैसी पश्चातापी टेक्नोलॉजिस्ट, जो अब वियोग की वकालत करती है, ने दो लेखकों के काम की बहुत सराहना की, जो अंततः मानव स्थिति के भीतर प्रौद्योगिकी के अवशोषण की दिशा में जाता है जब तक कि यह इसका अभिन्न अंग नहीं बन जाता। यहां बताया गया है कि हफ़िंगटन ने इसे किताब के बारे में कैसे रखा है:

«मानव + मशीन में, डॉटरटी और विल्सन भविष्य का एक मॉडल प्रदान करते हैं जिसमें कृत्रिम बुद्धि हमारे मानवीय पक्ष को बढ़ाती है। उदाहरण, निर्देश और प्रेरणा से भरी यह पुस्तक आर्टिफिशियल इंटेलिजेंस को समझने के लिए एक व्यावहारिक मार्गदर्शिका है- हमारे जीवन के लिए इसका क्या अर्थ है और हम इसका अधिकतम लाभ कैसे उठा सकते हैं।"

नीचे हम डॉटरटी और विल्सन की पुस्तक के दो संक्षिप्त अंश प्रदान करते हैं। पहला आर्टिफिशियल इंटेलिजेंस के संक्षिप्त इतिहास के बारे में है। इतिहास हमेशा समझने का काम करता है। दूसरा, हालाँकि, आज कृत्रिम बुद्धिमत्ता बनाने वाले प्रौद्योगिकी नक्षत्रों के सेट पर चर्चा करके इस मामले के दिल में उतर जाता है। संक्षेप में, विकास के इस स्तर पर कृत्रिम बुद्धिमत्ता मूल रूप से गहन शिक्षा है। हम अभी भी इसे नियंत्रित कर सकते हैं।

अच्छा पढ़ना

. . .

कृत्रिम बुद्धि का एक संक्षिप्त इतिहास

1956

अनुकूली प्रक्रियाओं के वर्तमान युग के पीछे ड्राइविंग तकनीक कृत्रिम बुद्धिमत्ता है, जो पिछले दो दशकों में विकसित हुई है। संक्षेप में इसका इतिहास हमें एक संदर्भ प्रदान करेगा जिसमें इसकी सबसे उन्नत विशेषताओं और क्षमता को तैयार किया जा सके।

आर्टिफिशियल इंटेलिजेंस का क्षेत्र आधिकारिक तौर पर 1956 में पैदा हुआ था, जब जॉन मैककार्थी के नेतृत्व में कंप्यूटर वैज्ञानिकों और शोधकर्ताओं का एक छोटा समूह, जिसमें क्लॉड शैनन, मार्विन मिंस्की और अन्य शामिल थे, डार्टमाउथ कॉलेज में इस संभावना को समर्पित पहले सम्मेलन के लिए मिले थे कि मशीन बुद्धि मानव बुद्धि की नकल कर सकती है।

सम्मेलन, अनिवार्य रूप से एक लंबा विचार-मंथन सत्र, इस धारणा पर आधारित था कि सीखने और रचनात्मकता के हर पहलू को इतने सटीक तरीके से वर्णित किया जा सकता है कि यह गणितीय मॉडल बन सकता है, इसलिए मशीनों द्वारा दोहराया जा सकता है। डिजाइन प्रस्ताव से शुरू होने वाले लक्ष्य महत्वाकांक्षी थे: "मशीन को भाषा, रूप, सार और अवधारणाओं का उपयोग करने में सक्षम बनाने के लिए कोई भी प्रयास किया जाएगा, वर्तमान में मनुष्यों तक सीमित समस्याओं को हल करें, और खुद को सुधारें" . बेशक, वह सिर्फ शुरुआत थी।

सम्मेलन तुरंत क्षेत्र को कम करने और कृत्रिम बुद्धि की अवधारणा के चारों ओर घूमने वाले कई गणितीय विचारों को एकजुट करने में सफल रहा।

अग्रणी

और इसके बाद के दशकों में, इसने अनुसंधान के पूरी तरह से नए क्षेत्रों को प्रेरित किया। उदाहरण के लिए, मिन्स्की ने सीमोर पैपर्ट के साथ मिलकर लिखा, जिसे तंत्रिका नेटवर्क की सीमाओं और संभावनाओं पर मूलभूत पुस्तक माना जाता है, एक प्रकार की कृत्रिम बुद्धि जो एक मॉडल के रूप में जैविक न्यूरॉन्स का उपयोग करती है। विशेषज्ञ प्रणाली जैसे अन्य विचार - जिसमें एक कंप्यूटर विशिष्ट क्षेत्रों जैसे कि वास्तुकला या चिकित्सा निदान - या प्राकृतिक भाषा प्रसंस्करण, कंप्यूटर दृष्टि और पोर्टेबल रोबोटिक्स से संबंधित "ज्ञान" के गहरे भंडार से लैस है, को भी इस घटना में देखा जा सकता है।

सम्मेलन में भाग लेने वालों में आईबीएम के एक इंजीनियर आर्थर सैमुअल थे, जो चेकर्स खेलने के लिए एक कंप्यूटर प्रोग्राम बना रहे थे। उनके कार्यक्रम ने बोर्ड की स्थिति का मूल्यांकन किया और संभावनाओं की गणना की कि किसी दिए गए स्थान से जीत हो सकती है।

1959 में, सैमुअल ने अभिव्यक्ति मशीन-लर्निंग, «ऑटोमैटिक लर्निंग» को गढ़ा: यानी, वह शोध क्षेत्र जो कंप्यूटर को स्पष्ट रूप से प्रोग्राम किए बिना सीखने की क्षमता प्रदान करता है। 1961 में संयुक्त राज्य अमेरिका में चौथे सबसे बड़े चेकर्स खिलाड़ी को हराने के लिए उनके मशीन-लर्निंग प्रोग्राम का उपयोग किया गया था।

लेकिन चूंकि सैमुअल एक निजी व्यक्ति थे और आत्म-प्रचार की राजनीति का अभ्यास नहीं करते थे, यह 1966 में आईबीएम से उनकी सेवानिवृत्ति तक नहीं था कि मशीन लर्निंग पर उनके काम का महत्व सार्वजनिक ज्ञान बन गया।

यंत्र अधिगम

सम्मेलन के बाद के दशकों में, एआई के अन्य मॉडलों पर ध्यान देने के कारण मशीन सीखना अस्पष्ट रहा। विशेष रूप से, XNUMX और XNUMX के दशक में किए गए शोध ने भौतिक प्रतीकों पर आधारित और तार्किक नियमों द्वारा हेरफेर की गई बुद्धि की अवधारणा पर ध्यान केंद्रित किया। हालाँकि, इन प्रतीकात्मक प्रणालियों को व्यवहार में सफलता नहीं मिली, और उनकी विफलता के कारण "कृत्रिम बुद्धिमत्ता की सर्दी" के रूप में जाना जाने लगा।

1990 के दशक में, हालांकि, मशीन लर्निंग फिर से फलने-फूलने लगी और इसके समर्थकों ने अपने दृष्टिकोण में एकीकृत सांख्यिकी और संभाव्यता सिद्धांत को अपनाया। इसी समय पर्सनल कंप्यूटर की क्रांति शुरू हुई। अगले दशक में, डिजिटल सिस्टम, सेंसर, इंटरनेट और सेल फोन आम हो जाएंगे, मशीन-शिक्षण विशेषज्ञों को सभी प्रकार के डेटा प्रदान करते हैं क्योंकि उन्होंने अपनी अनुकूली प्रणाली विकसित की थी।

आज हम मशीन-लर्निंग प्रोग्राम को डेटासेट-आधारित मॉडल बिल्डर के रूप में सोचते हैं, जिसका उपयोग इंजीनियर और विशेषज्ञ सिस्टम को प्रशिक्षित करने के लिए करते हैं। यह पारंपरिक कंप्यूटर प्रोग्रामिंग के बिल्कुल विपरीत है। मानक एल्गोरिदम ने स्थिर निर्देशों या प्रोग्रामर कोड द्वारा गति में निर्धारित पूर्व निर्धारित पथों का अनुसरण किया। दूसरी ओर, मशीन-लर्निंग सिस्टम काम करते हुए सीख सकता है। डेटा के प्रत्येक नए सेट के साथ, यह अपने मॉडल को अपडेट करता है और यह दुनिया को "कैसे देखता है"। एक ऐसे युग में जहां मशीनें सीख सकती हैं और अनुभव और जानकारी के माध्यम से बदल सकती हैं, प्रोग्रामर कम से कम विधायक और तानाशाह बन गए हैं, और शिक्षकों और प्रशिक्षकों की तरह बहुत अधिक हो गए हैं।

आज जैसा आज

आज, आर्टिफिशियल इंटेलिजेंस सिस्टम जो मशीन लर्निंग को नियोजित करते हैं, हर जगह हैं। बैंक खुद को धोखाधड़ी से बचाने के लिए इनका इस्तेमाल करते हैं; डेटिंग साइटें संभावित मैचों का सुझाव देने के लिए उनका उपयोग करती हैं; विपणक उनका उपयोग यह अनुमान लगाने के लिए करते हैं कि विज्ञापन के लिए कौन अनुकूल प्रतिक्रिया देगा; और फ़ोटो साझाकरण साइटें स्वचालित रूप से चेहरा पहचानने के लिए उनका उपयोग करती हैं। चेकर्स के पहले गेम के बाद से अब तक एक लंबा सफर तय किया जा चुका है। 2016 में, Google AlphaGo ने क्षेत्र में महत्वपूर्ण प्रगति की। पहली बार, एक कंप्यूटर ने गो के चैंपियन को हरा दिया है, चेकर्स या शतरंज की तुलना में कहीं अधिक जटिल खेल। समय के संकेत के रूप में, AlphaGo ने इतनी अप्रत्याशित चालें उत्पन्न की हैं कि कुछ पर्यवेक्षकों ने उन्हें रचनात्मक, यहां तक ​​कि "सुंदर" भी कहा है।

आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग का विकास पिछले कुछ वर्षों में रुक-रुक कर हुआ है, लेकिन जिस तरह से दोनों हाल ही में उत्पादों और व्यवसाय संचालन में टूट गए हैं, उससे पता चलता है कि वे एक अभिनीत भूमिका के लिए तैयार हैं। उबेर में मशीन लर्निंग के पूर्व प्रमुख डैनी लैंगे के अनुसार, तकनीक ने आखिरकार अनुसंधान प्रयोगशालाओं की दीवारों को छोड़ दिया है और तेजी से "इस तूफानी नए औद्योगिक परिवर्तन की आधारशिला" बन रही है।

स्मार्ट प्रौद्योगिकियां और अनुप्रयोग: वे एक साथ कैसे रह सकते हैं?

एआई प्रौद्योगिकियों के समूह की एक शब्दावली यहां दी गई है, जिसके बारे में आज आपको जानकारी होनी चाहिए। नीचे दिए गए चित्र के अनुसार ये प्रौद्योगिकियां मशीन-लर्निंग, आर्टिफिशियल इंटेलिजेंस क्षमताओं और एप्लिकेशन लेयर्स के अनुरूप हैं।

मशीन लर्निंग के घटक

- मशीन लर्निंग (एमएल). कंप्यूटर विज्ञान का क्षेत्र जो डेटा से सीखने वाले एल्गोरिदम से संबंधित है और डेटा से स्पष्ट रूप से प्रोग्राम किए बिना भविष्यवाणियां करता है। यह एक ऐसा क्षेत्र है जिसकी जड़ें आईबीएम के आर्थर सैमुअल के शोध में हैं, जिन्होंने 1959 में इस शब्द को गढ़ा था और कंप्यूटर गेम पर अपने काम में मशीन-लर्निंग के सिद्धांतों का इस्तेमाल किया था। एल्गोरिदम को प्रशिक्षित करने के लिए उपलब्ध डेटा के विस्फोट के लिए धन्यवाद, मशीन लर्निंग का उपयोग वर्तमान में कंप्यूटर दृष्टि अनुसंधान, धोखाधड़ी जांच, मूल्य भविष्यवाणी, प्राकृतिक भाषा प्रसंस्करण, और भी बहुत कुछ के रूप में विविध क्षेत्रों में किया जा रहा है।

- पर्यवेक्षित अध्ययन. एक प्रकार की मशीन-लर्निंग जिसमें अनुकरणीय इनपुट और वांछित आउटपुट से बना पूर्व-वर्गीकृत और चयनित डेटा एक एल्गोरिथम के लिए प्रस्तुत किया जाता है। एल्गोरिथ्म का लक्ष्य सामान्य नियमों को सीखना है जो इनपुट को आउटपुट से जोड़ते हैं और इन नियमों का उपयोग केवल इनपुट डेटा से भविष्य की घटनाओं की भविष्यवाणी करने के लिए करते हैं।

- अनियंत्रित शिक्षा. एल्गोरिदम को लेबल के साथ आपूर्ति नहीं की जाती है, इसे संरचनाओं और इनपुट मॉडल खोजने के लिए अकेला छोड़ दिया जाता है। अनियंत्रित शिक्षा अपने आप में एक अंत हो सकती है (डेटा में छिपे पैटर्न की खोज के संदर्भ में) या कुछ विशिष्ट के लिए लक्ष्य (जैसे, डेटा से प्रासंगिक लक्षण निकालना)। पर्यवेक्षित शिक्षण की तुलना में अनसुपरवाइज्ड लर्निंग आउटपुट पर कम केंद्रित है, और इनपुट डेटा की खोज और छिपी हुई संरचनाओं और अचिह्नित डेटा के अनुमान पर अधिक केंद्रित है।

- अर्ध-पर्यवेक्षित शिक्षा. टैग किए गए और टैग नहीं किए गए डेटा का उपयोग करें — आम तौर पर प्लस सेकंड। कई शोधकर्ताओं ने पाया है कि दो डेटा सेट के संयोजन से सीखने की प्रक्रिया की सटीकता में काफी वृद्धि होती है।

- सुदृढीकरण सीखना. यह एक प्रकार का प्रशिक्षण है जिसमें एक एल्गोरिथम को एक विशिष्ट लक्ष्य सौंपा जाता है, जैसे कि एक यांत्रिक हाथ का संचालन करना या गो खेलना। एल्गोरिथम द्वारा किए गए प्रत्येक कदम को पुरस्कृत या दंडित किया जाता है। फीडबैक एल्गोरिदम को लक्ष्य के लिए सबसे कुशल पथ बनाने की अनुमति देता है।

- तंत्रिका नेटवर्क. एक प्रकार की मशीन लर्निंग जिसमें अवलोकन डेटा से सीखने वाला एक एल्गोरिदम मानव तंत्रिका तंत्र के समान जानकारी को संसाधित करता है। 1957 में, कॉर्नेल विश्वविद्यालय के फ्रैंक रोसेनब्लैट ने पहला तंत्रिका नेटवर्क, एक सरल, एकल-स्तरीय वास्तुकला (जिसे सतह नेटवर्क के रूप में जाना जाता है) का आविष्कार किया।

- गहरी शिक्षा और सबसेट: डीप न्यूरल नेटवर्क्स (DNN), रिकरंट न्यूरल नेटवर्क्स (RNN), और फीडफॉरवर्ड न्यूरल नेटवर्क्स (FNN)। बहुस्तरीय तंत्रिका नेटवर्क के प्रशिक्षण के लिए तकनीकों का सेट। डीएनएन में "कथित" डेटा को विभिन्न स्तरों के माध्यम से संसाधित किया जाता है; प्रत्येक स्तर इनपुट के रूप में पिछले एक के आउटपुट का उपयोग करता है। आरएनएन डेटा को स्तरों के बीच आगे और पीछे प्रवाहित करने की अनुमति देता है, एफएनएन के विपरीत, जहां डेटा एकतरफा होता है।

बुद्धिमान कौशल घटक

- भविष्यवाणी प्रणाली. सिस्टम जो संबंधित परिणामों के साथ ऐतिहासिक डेटासेट में वेरिएबल्स के बीच संबंध ढूंढता है। संबंधों का उपयोग मॉडल विकसित करने के लिए किया जाता है, जो बदले में भविष्य के परिदृश्यों की भविष्यवाणी करने के लिए उपयोग किया जाता है।

- स्थानीय खोज (अनुकूलन). समस्या समाधान के लिए एक गणितीय दृष्टिकोण जो संभव समाधानों के एक बड़े समूह का उपयोग करता है। एल्गोरिथ्म श्रृंखला में एक बिंदु से शुरू होने वाले इष्टतम समाधान की तलाश करता है और पुनरावृत्त रूप से और व्यवस्थित रूप से पड़ोसी समाधानों तक जाता है जब तक कि यह इष्टतम समाधान नहीं पाता।

- ज्ञान का प्रतिनिधित्व. कृत्रिम बुद्धिमत्ता का एक क्षेत्र जो दुनिया के बारे में जानकारी को एक ऐसे रूप में प्रस्तुत करने के लिए समर्पित है, जिसका उपयोग कंप्यूटर कार्य करने के लिए कर सकता है, जैसे कि चिकित्सा निदान करना या किसी व्यक्ति के साथ बातचीत करना।

- विशेषज्ञ प्रणाली (अनुमान). एक प्रणाली जो एक नियम-आधारित इंजन के साथ मिलकर क्षेत्रीय ज्ञान (चिकित्सा, रसायन विज्ञान, कानून) का उपयोग करती है जो यह तय करती है कि ज्ञान कैसे लागू किया जाता है। जैसे-जैसे नई जानकारी जोड़ी जाती है या नियमों को अपडेट या बढ़ाया जाता है, सिस्टम में सुधार होता है।

- कंप्यूटर दृष्टि. छवियों और वीडियो की सामग्री को पहचानने, वर्गीकृत करने और समझने के लिए कंप्यूटर को पढ़ाने के लिए समर्पित क्षेत्र, मानव दृष्टि की नकल और कार्यान्वयन।

- ऑडियो संकेतों का प्रसंस्करण. मशीन-लर्निंग जिसका उपयोग ऑडियो और अन्य डिजिटल संकेतों का विश्लेषण करने के लिए किया जा सकता है, विशेष रूप से उच्च ध्वनि संतृप्ति वाले वातावरण में। अनुप्रयोगों में कम्प्यूटेशनल भाषण और ऑडियो और दृश्य-श्रव्य प्रसंस्करण शामिल हैं।

भाषण से पाठ. तंत्रिका नेटवर्क जो विभिन्न प्रकार की प्राकृतिक भाषाओं में ऑडियो सिग्नल को टेक्स्ट सिग्नल में परिवर्तित करते हैं। एप्लिकेशन में अनुवाद, वॉयस कमांड और कंट्रोल, ऑडियो ट्रांसक्रिप्शन और बहुत कुछ शामिल हैं।

- प्राकृतिक भाषा प्रसंस्करण (एनएलपी, प्राकृतिक भाषा प्रसंस्करण)। एक डोमेन जिसमें कंप्यूटर मानव (प्राकृतिक) भाषाओं को प्रोसेस करते हैं। अनुप्रयोगों में वाक् पहचान, मशीनी अनुवाद, मनोभाव विश्लेषण शामिल हैं।

एआई अनुप्रयोग घटक

- बुद्धिमान एजेंट. एजेंट जो प्राकृतिक भाषा के माध्यम से लोगों के साथ बातचीत करते हैं। उनका उपयोग ग्राहक सेवा, मानव संसाधन, इंटर्नशिप और व्यवसाय के अन्य क्षेत्रों में मानव श्रम को लागू करने के लिए किया जा सकता है जहां अक्सर पूछे जाने वाले प्रश्न टेम्पलेट अनुरोधों को संभाला जाता है।

- सहयोगी रोबोटिक्स (कोबोट्स). रोबोट जो धीमी गति से काम करते हैं और सेंसर से लैस होते हैं जो मानव सहयोगियों के साथ सुरक्षित बातचीत की अनुमति देते हैं।

- बॉयोमीट्रिक, चेहरा और हावभाव पहचान. मानव-मशीन संपर्क, या पहचान और सत्यापन उद्देश्यों के लिए बायोमेट्रिक माप (तनाव, गतिविधि, आदि) में लोगों, इशारों, या प्रवृत्तियों की पहचान करें।

- बुद्धिमान स्वचालन. यह कुछ कार्यों को आदमी से मशीन में स्थानांतरित करता है ताकि पारंपरिक ऑपरेशन को काफी हद तक बदल दिया जा सके। मशीनों की क्षमता और क्षमताओं (गति, आयाम, जटिलता को दरकिनार करने की क्षमता) के माध्यम से, ये उपकरण मानव कार्य के पूरक हैं और जहां संभव हो, इसका विस्तार करते हैं।

- सिफारिश प्रणाली. वे एल्गोरिदम द्वारा समय के साथ पहचाने गए सूक्ष्म पैटर्न के आधार पर अनुशंसाएँ प्रदान करते हैं। उन्हें नए उत्पादों का सुझाव देने के लिए ग्राहकों पर लक्षित किया जा सकता है या रणनीतिक सुझावों के लिए आंतरिक रूप से उपयोग किया जा सकता है।

- स्मार्ट उत्पाद. इंटेलिजेंस डिजाइन में अंतर्निहित है ताकि वे ग्राहकों की जरूरतों और वरीयताओं को पूरा करने और अनुमान लगाने के लिए लगातार विकसित हो सकें।

- निजीकरण. व्यक्तिगत उपयोगकर्ताओं या ग्राहकों के लिए उपकरणों और उत्पादों का अनुकूलन करने के लिए ग्राहकों और कर्मचारियों के लिए रुझानों और पैटर्न का विश्लेषण करें।

- पाठ, भाषण, छवि और वीडियो की पहचान. यह पाठ, भाषण, छवियों और वीडियो से डेटा की व्याख्या करता है और ऐसे संघ बनाता है जिनका उपयोग विश्लेषणात्मक गतिविधियों को व्यापक बनाने और बातचीत और दृष्टि के लिए उन्नत अनुप्रयोगों को सक्षम करने के लिए किया जा सकता है।

- संवर्धित वास्तविकता. प्रशिक्षण, रखरखाव और अन्य कार्यों में बुद्धिमत्ता जोड़ने के लिए एआई की शक्ति को आभासी, संवर्धित और मिश्रित वास्तविकता प्रौद्योगिकियों के साथ मिलाएं।