एआई की उत्पत्ति
वैज्ञानिक अनुशासन के रूप में एआई की औपचारिक नींव 20वीं सदी के मध्य में पड़ी।
1950 का दशक: आधारशिला रखना
एलन ट्यूरिंग और ट्यूरिंग टेस्ट: सैद्धांतिक कंप्यूटर विज्ञान और कृत्रिम बुद्धिमत्ता के जनक माने जाने वाले एलन ट्यूरिंग ने 1950 में बुद्धिमत्ता के मानदंड के रूप में 'ट्यूरिंग टेस्ट' का प्रस्ताव रखा था। यह परीक्षण मशीन की मनुष्य से अलग बुद्धिमान व्यवहार प्रदर्शित करने की क्षमता की जांच करता है। 'यूजीन गूस्टमैन' एक चैटबॉट है जिसे कुछ लोग 2014 में ट्यूरिंग टेस्ट में पास मानते हैं, जो कंप्यूटर की मनुष्य से अलग तरीके से संवाद करने की क्षमता का परीक्षण है।
डार्टमाउथ सम्मेलन (1956): इस सम्मेलन को व्यापक रूप से एआई के क्षेत्र के रूप में जन्मस्थान के रूप में स्वीकार किया जाता है। जॉन मैकार्थी, मार्विन मिंस्की, नाथनियल रोचेस्टर और क्लाउड शैनन ने एक प्रस्ताव लिखा जिसमें कहा गया था कि "सीखने के हर पहलू या बुद्धिमत्ता की किसी भी अन्य विशेषता को सिद्धांत रूप में इतनी सटीकता से वर्णित किया जा सकता है कि एक मशीन को इसका अनुकरण करने के लिए बनाया जा सकता है।"
1960-1970 का दशक: प्रारंभिक उत्साह और एआई विंटर्स
शुरुआती दशकों में महत्वपूर्ण प्रगति देखी गई, जैसे कि पहले AI प्रोग्राम का विकास, जिसमें ELIZA (एक प्राकृतिक भाषा प्रसंस्करण कंप्यूटर प्रोग्राम) और SHRDLU (एक प्रोग्राम जो ब्लॉक दुनिया में वस्तुओं के बारे में सवालों के जवाब दे सकता है) शामिल हैं। हालाँकि, इस क्षेत्र ने अपना पहला "AI विंटर" भी अनुभव किया, जो कि उम्मीदों के पूरा न होने के कारण AI अनुसंधान में कम फंडिंग और रुचि वाला दौर था।
1980 का दशक: विशेषज्ञ प्रणालियों का पुनरुत्थान
1980 के दशक में एआई में रुचि का पुनरुत्थान देखा गया, जो विशेषज्ञ प्रणालियों की सफलता से प्रेरित था, जो कंप्यूटर प्रोग्राम हैं जो मानव विशेषज्ञ की निर्णय लेने की क्षमताओं का अनुकरण करते हैं। इस अवधि में मशीन लर्निंग एल्गोरिदम में भी महत्वपूर्ण प्रगति देखी गई।
1990 के दशक से 2000 के दशक के प्रारंभ तक: इंटरनेट युग और मशीन लर्निंग
इंटरनेट के विस्तार और कम्प्यूटेशनल शक्ति में वृद्धि के कारण मशीन लर्निंग और डेटा प्रोसेसिंग क्षमताओं में महत्वपूर्ण प्रगति हुई, जिससे आधुनिक AI के लिए मंच तैयार हुआ।
2010 का दशक: डीप लर्निंग और जनरेटिव एआई में सफलताएं
2010 का दशक डीप लर्निंग में सफलताओं से चिह्नित था, जो कृत्रिम तंत्रिका नेटवर्क पर आधारित मशीन लर्निंग का एक उपसमूह है। इस अवधि में जेनरेटिव एडवर्सरियल नेटवर्क (GAN) और ट्रांसफॉर्मर जैसे जेनरेटिव मॉडल का विकास हुआ, जिससे जेनरेटिव AI का उदय हुआ, जो ऐसी सामग्री बनाने में सक्षम है जो मनुष्यों द्वारा बनाई गई सामग्री से अलग नहीं हो सकती।
2020 का दशक: तकनीकी प्रगति द्वारा संचालित जनरेटिव एआई का एक नया युग
2020 के दशक में, ओपनएआई द्वारा चैटजीपीटी के लॉन्च के साथ आर्टिफिशियल इंटेलिजेंस के क्षेत्र में एक महत्वपूर्ण मील का पत्थर देखा गया। नवंबर 2022 में जारी किया गया, चैटजीपीटी एआई की मानव-जैसे पाठ को समझने और उत्पन्न करने की क्षमता में एक क्वांटम छलांग का प्रतिनिधित्व करता है, जो इसे प्राकृतिक भाषा प्रसंस्करण और निर्माण की आवश्यकता वाले अनुप्रयोगों के लिए आधारशिला बनाता है। इस अवधि ने जनरेटिव एआई की परिपक्वता को रेखांकित किया, चैटजीपीटी रोजमर्रा की जिंदगी में एआई के बढ़ते प्रभाव का प्रतीक बन गया, यह दर्शाता है कि मशीनें मनुष्यों के साथ सार्थक, संदर्भ-जागरूक बातचीत में कैसे संलग्न हो सकती हैं।
इस AI क्रांति के चालक
कंप्यूटिंग शक्ति में वृद्धि: 2020 के दशक में कंप्यूटिंग शक्ति में तेजी से वृद्धि देखी गई है, जिससे शोधकर्ताओं और डेवलपर्स को पहले से कहीं अधिक जटिल एआई मॉडल को प्रशिक्षित करने में सक्षम बनाया गया है।
बड़े डेटासेट की उपलब्धता: एआई मॉडलों के प्रशिक्षण के लिए बड़े डेटासेट अपरिहार्य हैं, और 2020 के दशक में डेटा की प्रचुरता ने उन मॉडलों के प्रशिक्षण को सुविधाजनक बनाया है, जिन्हें मानव भाषा पैटर्न को सटीक रूप से समझने और अनुकरण करने के लिए व्यापक डेटा की आवश्यकता होती है।
चिप प्रौद्योगिकी में प्रगति: NVIDIA जैसी कंपनियों ने विशेष रूप से AI कार्यों के लिए डिज़ाइन किए गए चिप्स का उत्पादन करके इस क्षेत्र में अग्रणी भूमिका निभाई है, जो AI मॉडलों की क्षमताओं को आगे बढ़ाने में सहायक रहे हैं।
क्लाउड कंप्यूटिंग का विस्तार: क्लाउड कंप्यूटिंग ने शक्तिशाली कंप्यूटिंग संसाधनों तक पहुंच को लोकतांत्रिक बना दिया है, जिससे व्यक्तियों और संगठनों को महत्वपूर्ण हार्डवेयर निवेश की आवश्यकता के बिना एआई मॉडल को प्रशिक्षित और तैनात करने की अनुमति मिलती है।
सहयोगात्मक ओपन-सोर्स पारिस्थितिकी तंत्र: एआई समुदाय को ओपन-सोर्स सहयोग की संस्कृति से लाभ हुआ है, जिसमें शोधकर्ता और डेवलपर्स उपकरण, एल्गोरिदम और डेटासेट साझा करते हैं।
एआई के विकास में उल्लेखनीय लोग
जेफ्री हिंटन, यान लेकन और योशुआ बेंगियो: गहन शिक्षण में उनके अग्रणी कार्य के लिए इन्हें अक्सर "एआई के गॉडफादर" के रूप में संदर्भित किया जाता है।
इयान गुडफेलो: जेनरेटिव एडवर्सेरियल नेटवर्क (GANs) के आविष्कार के लिए जाने जाते हैं।
डेमिस हसाबिस: डीपमाइंड के सह-संस्थापक, जो एआई प्रौद्योगिकियों को आगे बढ़ाने में अग्रणी रहे हैं।
जनरेटिव एआई में उल्लेखनीय कंपनियाँ
ओपनएआई : जीपीटी-3 और जीपीटी-4 सहित अपनी जीपीटी श्रृंखला के लिए जाना जाने वाला ओपनएआई प्राकृतिक भाषा प्रसंस्करण और निर्माण प्रौद्योगिकियों को आगे बढ़ाने में महत्वपूर्ण रहा है। चैटजीपीटी और डीएएलएल·ई जैसी उनकी परियोजनाएं, संवादात्मक एजेंटों से लेकर छवि निर्माण तक, जेनएआई अनुप्रयोगों की व्यापकता को प्रदर्शित करती हैं।
डीपमाइंड : अल्फाबेट इंक की सहायक कंपनी, डीपमाइंड की एआई में कई उपलब्धियां हैं, जिसमें अल्फागो भी शामिल है, जिसने जटिल बोर्ड गेम गो में विश्व चैंपियन को हराया था। डीपमाइंड अल्फाफोल्ड के साथ प्रोटीन फोल्डिंग जैसे क्षेत्रों में एआई की सीमाओं को आगे बढ़ाता रहता है।
स्थिरता AI: स्टेबल डिफ्यूजन के पीछे की कंपनी, एक डीप लर्निंग मॉडल जो पाठ्य विवरण से उच्च-गुणवत्ता वाली छवियां बनाने में सक्षम है। स्टेबिलिटी AI ने शक्तिशाली छवि निर्माण उपकरणों तक पहुँच को लोकतांत्रिक बनाया है, जिससे रचनात्मकता और नवाचार को बढ़ावा मिला है।
AI/GenAI में उल्लेखनीय परियोजनाएँ
एआई-संचालित औषधि खोज (इंसिलिको मेडिसिन): संभावित औषधि उम्मीदवारों की पहचान करने की प्रक्रिया में तेजी लाने के लिए एआई का उपयोग करते हुए, इंसिलिको मेडिसिन ने दिखाया है कि कैसे जेनएआई औषधि विकास से जुड़े समय और लागत को कम करके दवा उद्योग में क्रांति ला सकता है।
कंटेंट क्रिएशन (जैस्पर): जैस्पर, जिसे पहले जार्विस के नाम से जाना जाता था, कंटेंट क्रिएशन में सहायता के लिए AI का लाभ उठाता है, मार्केटिंग कॉपी, ब्लॉग पोस्ट और बहुत कुछ लिखने के लिए टूल प्रदान करता है। GenAI का यह एप्लिकेशन कंटेंट मार्केटिंग में उत्पादकता और रचनात्मकता को बढ़ाने की अपनी क्षमता को प्रदर्शित करता है।
फैशन में एआई (स्टिच फ़िक्स): स्टिच फ़िक्स अपने ग्राहकों के लिए कपड़ों की व्यक्तिगत अनुशंसाओं के लिए एआई का उपयोग करता है। ग्राहकों की प्राथमिकताओं और रुझानों का विश्लेषण करके, स्टिच फ़िक्स के एल्गोरिदम व्यक्तिगत फैशन चयनों को क्यूरेट कर सकते हैं, जो खुदरा क्षेत्र में GenAI की क्षमता को प्रदर्शित करता है।
कानूनी दस्तावेज़ विश्लेषण (ROSS इंटेलिजेंस) : ROSS इंटेलिजेंस कानूनी दस्तावेज़ों को छानने के लिए AI का उपयोग करता है, जिससे वकीलों को पारंपरिक तरीकों की तुलना में तेज़ी से प्रासंगिक केस लॉ खोजने में मदद मिलती है। GenAI का यह अनुप्रयोग कानूनी शोध को सुव्यवस्थित करता है, कानूनी व्यवसायों में दक्षता में सुधार करने की इसकी क्षमता को प्रदर्शित करता है।
आर्ट एंड डिज़ाइन में AI (आर्टब्रीडर) : आर्टब्रीडर GenAI का उपयोग करके उपयोगकर्ताओं को मौजूदा छवियों को मिश्रित और संशोधित करके अद्वितीय कलाकृतियाँ बनाने की अनुमति देता है। यह प्लेटफ़ॉर्म इस बात का उदाहरण है कि GenAI का उपयोग कलात्मक अन्वेषण और रचनात्मकता के लिए एक उपकरण के रूप में कैसे किया जा सकता है।
एआई (कृत्रिम बुद्धिमत्ता)
परिभाषा: कृत्रिम बुद्धिमत्ता से तात्पर्य उन मशीनों में मानव बुद्धि के अनुकरण से है, जिन्हें मानव विचार प्रक्रियाओं और व्यवहार की नकल करने के लिए प्रोग्राम किया गया है।
उपयोग का मामला: ग्राहक सेवा में चैटबॉट ग्राहक पूछताछ की व्याख्या करने और जवाब देने के लिए एआई का उपयोग करते हैं, जिससे दक्षता और उपयोगकर्ता अनुभव में सुधार होता है।
एमएल (मशीन लर्निंग)
परिभाषा: मशीन लर्निंग, एआई का एक उपसमूह है जो एल्गोरिदम के विकास पर ध्यान केंद्रित करता है जो मशीनों को अनुभव से सीखने और सुधारने में सक्षम बनाता है।
उपयोग का मामला: नेटफ्लिक्स जैसे ऑनलाइन प्लेटफॉर्म में अनुशंसा प्रणालियां, देखने की आदतों का विश्लेषण करने और उपयोगकर्ताओं को वैयक्तिकृत सामग्री का सुझाव देने के लिए मशीन लर्निंग का उपयोग करती हैं।
ध्यान लगा के पढ़ना या सीखना
परिभाषा: डीप लर्निंग, आर्टिफिशियल न्यूरल नेटवर्क पर आधारित एमएल का एक उपसमूह है जिसमें रिप्रेजेंटेशन लर्निंग शामिल है। यह बड़ी मात्रा में असंरचित डेटा से सीखता है।
उपयोग का मामला: सिरी या गूगल असिस्टेंट जैसे वॉयस असिस्टेंट प्राकृतिक भाषा प्रश्नों को समझने और संसाधित करने के लिए गहन शिक्षण का उपयोग करते हैं।
जेनएआई (जेनरेटिव एआई)
परिभाषा: जनरेटिव एआई, एआई के भीतर एक उन्नत क्षेत्र है, जहां एल्गोरिदम सीखे गए डेटा के आधार पर पाठ से लेकर छवियों तक नए और मूल आउटपुट बनाते हैं।
यह डीप लर्निंग और एमएल का विस्तार है, जो डेटा की व्याख्या या वर्गीकरण करने के बजाय नए आउटपुट उत्पन्न करने के लिए जटिल मॉडल का लाभ उठाता है। एक पीएम के लिए इन एएल एमएल मूल बातें समझना महत्वपूर्ण है।
GenAI के प्रकार और उपयोग के मामले
जनरेटिव एआई, नई सामग्री उत्पन्न करने की अपनी क्षमता के कारण, विभिन्न प्रकारों को शामिल करता है और इसके अनुप्रयोगों की एक विस्तृत श्रृंखला है। इन प्रकारों और उनके संभावित उपयोग के मामलों को समझना इस डोमेन में परियोजनाओं की देखरेख करने वाले कार्यक्रम प्रबंधकों के लिए महत्वपूर्ण है।
पाठ निर्माण मॉडल
ये मॉडल पाठ्य सामग्री उत्पन्न करते हैं, जो सरल प्रतिक्रियाओं से लेकर जटिल वर्णनात्मक पाठ्य तक हो सकती है।
बक्सों का इस्तेमाल करें
ब्लॉग, लेख और सोशल मीडिया पोस्ट के लिए सामग्री निर्माण।
स्वचालित रिपोर्ट निर्माण.
गेमिंग में पटकथा लेखन और कथा डिजाइन।
छवि निर्माण मॉडल
दृश्य सामग्री बनाने में सक्षम ये मॉडल नई छवियां उत्पन्न करते हैं या मौजूदा छवियों को संशोधित करते हैं।
बक्सों का इस्तेमाल करें:
कलाकृति और डिजाइन तैयार करना।
अन्य AI मॉडलों के प्रशिक्षण के लिए दृश्य डेटा संवर्द्धन।
मीडिया और मनोरंजन उद्योगों के लिए अवधारणा कला सृजन।
संगीत और ध्वनि उत्पादन मॉडल
ये मॉडल या तो नए टुकड़ों की रचना करके या मौजूदा ट्रैक में परिवर्तन करके संगीत या ऑडियो सामग्री बनाते हैं।
बक्सों का इस्तेमाल करें:
खेलों और फिल्मों के लिए पृष्ठभूमि संगीत रचना।
अद्वितीय ध्वनि प्रभाव बनाना.
धुन और सामंजस्य उत्पन्न करके संगीत निर्माण में सहायता करना।
डेटा जनरेशन मॉडल
विवरण: सिंथेटिक डेटा उत्पन्न करने पर केंद्रित इन मॉडलों का उपयोग ऐसे डेटासेट बनाने के लिए किया जाता है जो वास्तविक दुनिया के डेटा की नकल करते हैं।
बक्सों का इस्तेमाल करें:
मशीन लर्निंग मॉडलों के प्रशिक्षण के लिए डेटा संवर्द्धन।
सॉफ्टवेयर परीक्षण और सत्यापन के लिए परीक्षण डेटा तैयार करना।
ऐसे क्षेत्रों में अनुसंधान जहां डेटा गोपनीयता एक चिंता का विषय है, जैसे स्वास्थ्य सेवा।
वीडियो जनरेशन मॉडल
ये मॉडल वीडियो सामग्री उत्पन्न या परिवर्तित कर सकते हैं, नये फुटेज बना सकते हैं या मौजूदा वीडियो को संशोधित कर सकते हैं।
बक्सों का इस्तेमाल करें:
शैक्षिक उद्देश्यों के लिए प्रशिक्षण वीडियो बनाना।
फिल्म उद्योग में दृश्य प्रभाव उत्पन्न करना।
विपणन एवं प्रचार सामग्री का विकास करना।
3D मॉडल निर्माण
त्रि-आयामी मॉडल बनाने में सक्षम, इनका उपयोग विभिन्न डिजाइन और सिमुलेशन अनुप्रयोगों में किया जाता है।
बक्सों का इस्तेमाल करें:
वास्तुशिल्प डिजाइन और दृश्य.
वीडियो गेम और आभासी वास्तविकता के लिए 3D मॉडल का निर्माण।
उत्पाद डिजाइन और विनिर्माण में प्रोटोटाइपिंग।
प्रोग्राम मैनेजरों के लिए, इन प्रकारों और उनके अनुप्रयोगों को समझना महत्वपूर्ण है। प्रत्येक प्रकार का जनरेटिव AI अद्वितीय परियोजना चुनौतियाँ लेकर आता है, जैसे कि अलग-अलग कम्प्यूटेशनल आवश्यकताएँ, डेटा गोपनीयता विचार, नैतिक निहितार्थ और विशेष प्रतिभा की आवश्यकता।
AI, ML, DL और GenAI के बीच अंतर
पहलू | कृत्रिम बुद्धिमत्ता (एआई) | मशीन लर्निंग (एमएल) | ध्यान लगा के पढ़ना या सीखना | जनरेटिव एआई |
परिभाषा | कंप्यूटर विज्ञान का एक व्यापक क्षेत्र जिसका उद्देश्य ऐसे स्मार्ट मशीनों का निर्माण करना है जो ऐसे कार्य कर सकें जिनके लिए सामान्यतः मानवीय बुद्धि की आवश्यकता होती है। | एआई का एक उपसमूह एल्गोरिदम के विकास पर केंद्रित है जो डेटा के आधार पर सीख सकता है और भविष्यवाणियां या निर्णय ले सकता है। | मशीन लर्निंग का एक उपसमूह जो डेटा से सीखने के लिए कई परतों (गहरे नेटवर्क) वाले तंत्रिका नेटवर्क का उपयोग करता है। | एक प्रकार का AI जो प्रशिक्षण डेटा के आधार पर नई सामग्री, डेटा या जानकारी बनाने पर केंद्रित है। |
दृष्टिकोण | तर्क और नियमों पर आधारित एल्गोरिदम का उपयोग करता है। | मशीनों को अनुभव के साथ बेहतर बनाने के लिए सांख्यिकीय तरीकों का उपयोग करता है। | पैटर्न पहचानने और बड़ी मात्रा में डेटा से सीखने के लिए जटिल तंत्रिका नेटवर्क का उपयोग करता है। | प्रशिक्षण सेट के समान नया डेटा उत्पन्न करने के लिए अक्सर गहन शिक्षण पर आधारित उन्नत एल्गोरिदम का उपयोग करता है। |
अनुप्रयोग | आभासी सहायक, गेम खेलना, भाषा अनुवाद, आदि। | अनुशंसा प्रणालियाँ, स्पैम फ़िल्टरिंग, धोखाधड़ी का पता लगाना, आदि। | छवि और वाक् पहचान, प्राकृतिक भाषा प्रसंस्करण, आदि। | कला सृजन, पाठ सृजन, संगीत रचना, डेटा संवर्द्धन, आदि। |
डेटा निर्भरता | इसमें व्यापक भिन्नता होती है; नियम-आधारित प्रणालियों को कम डेटा की आवश्यकता होती है, जबकि सीखने-आधारित प्रणालियों को अधिक डेटा की आवश्यकता होती है। | प्रशिक्षण और सटीकता में सुधार के लिए पर्याप्त डेटा की आवश्यकता होती है। | प्रभावी शिक्षण और सटीकता के लिए बड़ी मात्रा में डेटा की आवश्यकता होती है। | उच्च गुणवत्ता वाले, नवीन आउटपुट को प्रभावी ढंग से उत्पन्न करने के लिए एक बड़े और विविध डेटासेट की आवश्यकता होती है। |
जटिलता | इसमें सरल, नियम-आधारित प्रणालियों से लेकर जटिल शिक्षण और समस्या-समाधान तक शामिल है। | सामान्यतः पारंपरिक एल्गोरिदम की तुलना में अधिक जटिल लेकिन गहन शिक्षण की तुलना में सरल। | गहरे तंत्रिका नेटवर्क और बड़े पैमाने पर डेटा प्रसंस्करण के कारण उच्च जटिलता। | बहुत अधिक, क्योंकि नई विषय-वस्तु तैयार करने के लिए इनपुट डेटा की बारीकियों को समझना और उनका अनुकरण करना आवश्यक है। |
अतिरिक्त पठन: हेनरिक नाइबर्ग का यह अद्भुत वीडियो देखें - जनरेटिव एआई संक्षेप में - एआई के युग में कैसे जीवित रहें और कैसे आगे बढ़ें।
