कृत्रिम बुद्धिमत्ता क्या है?
कृत्रिम बुद्धिमत्ता (AI) यानी ऐसी कंप्यूटर प्रणाली जो वे काम कर सके जिनमें आम तौर पर इंसानी दिमाग़ लगता है। जैसे: चेहरा पहचानना, बोली समझना, भाषा का अनुवाद, शतरंज खेलना या वीडियो सुझाना।
बुद्धिमान व्यवहार किसे कहें? जो प्रणाली:
- ग्रहण करे: तस्वीर, आवाज़ या संख्याएँ ले,
- तर्क करे: जवाब या योजना निकाले,
- सीखे: ज़्यादा उदाहरणों से बेहतर हो,
- संवाद करे: इंसानी भाषा इस्तेमाल करे।
संज्ञानात्मक कंप्यूटिंग (cognitive computing) वह AI है जो इंसानी सोच के हिस्सों की नकल करती है: भाषा समझती है, बड़े डेटा में पैटर्न ढूँढती है, भरोसे के स्तर के साथ जवाब देती है और प्रतिक्रिया से सीखती रहती है।
संकीर्ण AI और सामान्य AI
आज की हर AI संकीर्ण AI (narrow AI) है: एक तरह के काम में अच्छी (जैसे स्पैम पकड़ना), पर इंसान की तरह सब कुछ नहीं कर सकती। सामान्य AI (general AI), जो हर काम में इंसान जितनी लचीली हो, अभी मौजूद नहीं है।
बुद्धिमान एजेंट: महसूस करो, सोचो, काम करो
एजेंट वह है जो अपने आसपास को महसूस करे और उस पर काम करे। रोबोट शरीर वाला एजेंट है: उसके सेंसर (कैमरा, स्पर्श, दूरी) उसकी इंद्रियाँ हैं और एक्चुएटर (मोटर, पहिए, भुजाएँ) उसकी माँसपेशियाँ। बीच का प्रोग्राम तय करता है कि क्या करना है।
रोबोट वैक्यूम क्लीनर अच्छा उदाहरण है: दीवार महसूस करता है, मुड़ने का फ़ैसला करता है और मुड़ जाता है। इंटरनेट ऑफ़ थिंग्स (IoT) में घरों, खेतों और कारख़ानों के छोटे-छोटे सेंसर AI को डेटा भेजते हैं, जो तय करती है कि जैसे खेत में कब पानी देना है।
यह चक्र चलता रहता है: काम से दुनिया बदलती है और एजेंट नई स्थिति फिर महसूस करता है।
AI कैसे काम करती है: नियम, डेटा और मशीन लर्निंग
मशीन को समझदार बनाने के दो मुख्य तरीक़े हैं।
- नियम-आधारित AI (विशेषज्ञ प्रणाली): इंसान नियम लिखते हैं। "अगर तापमान > 38 °C तो बुख़ार।" समझाना आसान, पर हर चीज़ के नियम लिखना असंभव ("क्या यह बिल्ली है?" के नियम लिखकर देखिए)।
- मशीन लर्निंग (ML): कंप्यूटर को ढेर सारे लेबल वाले उदाहरण (डेटा) देते हैं और वह ख़ुद नियम ढूँढता है। इसे प्रशिक्षण (training) कहते हैं। फिर नए मामलों पर नियम लगाना अनुमान (prediction) है।
मशीन लर्निंग के तीन प्रकार
- पर्यवेक्षित (supervised): हर उदाहरण के साथ सही जवाब (लेबल)। जैसे "बिल्ली" या "कुत्ता" लिखी तस्वीरें।
- अपर्यवेक्षित (unsupervised): लेबल नहीं; मशीन मिलती-जुलती चीज़ों के समूह बनाती है। जैसे एक जैसी ख़रीदारी वाले ग्राहकों के समूह।
- प्रबलन (reinforcement): मशीन काम आज़माती है और इनाम या दंड पाती है। जैसे खेल खेलना सीखती AI।
AI फ़ैसला कैसे करती है
एक सरल तरीक़ा है k-निकटतम पड़ोसी (k-nearest neighbours): नई चीज़ के लिए k सबसे मिलती-जुलती जानी-पहचानी चीज़ें देखो और बहुमत का वोट लो। इसके पीछे का गणित है दूरी। दूसरी AI प्रायिकता (कौन-सा जवाब कितना संभव), सांख्यिकी (औसत और पैटर्न) और फलन (इनपुट को आउटपुट में बदलने का नियम) इस्तेमाल करती है। AI का जवाब आम तौर पर भरोसे के साथ सबसे अच्छा अनुमान होता है, पक्की बात नहीं।
न्यूरल नेटवर्क और डीप लर्निंग
न्यूरल नेटवर्क कुछ हद तक दिमाग़ से प्रेरित है। इसमें इनपुट परत (जैसे पिक्सेल की चमक की संख्याएँ), एक या ज़्यादा छिपी परतें और आउटपुट परत (जवाब) होती हैं। हर कड़ी का एक भार (weight) होता है: संख्या जो बताती है कि एक इकाई अगली को कितना प्रभावित करती है।
प्रशिक्षण में नेटवर्क अनुमान लगाता है, गलती जाँचता है और गलती घटाने के लिए हर भार थोड़ा बदलता है। लाखों बार ऐसा करने पर नेटवर्क काम में माहिर हो जाता है। बहुत-सी छिपी परतों वाले नेटवर्क को डीप लर्निंग कहते हैं। बातचीत करने और लिखने वाले बड़े भाषा मॉडल बहुत बड़े न्यूरल नेटवर्क हैं जो भारी मात्रा में पाठ पर प्रशिक्षित हैं।
AI का संक्षिप्त इतिहास
- 1950: एलन ट्यूरिंग ने पूछा "क्या मशीनें सोच सकती हैं?" और ट्यूरिंग परीक्षण सुझाया: क्या मशीन इतनी अच्छी बातचीत कर सकती है कि इंसान पहचान न पाए?
- 1956: अमेरिका के डार्टमाउथ कॉलेज की बैठक में "आर्टिफ़िशियल इंटेलिजेंस" शब्द इस्तेमाल हुआ। AI अध्ययन का क्षेत्र बनी।
- 1958: परसेप्ट्रॉन, एक इकाई वाला शुरुआती न्यूरल नेटवर्क।
- 1970 का दशक और 1980 का अंत: "AI की सर्दियाँ": वादे बड़े थे, पैसा और रुचि घटी।
- 1980 का दशक: व्यापार और चिकित्सा में विशेषज्ञ प्रणालियाँ।
- 1997: कंप्यूटर डीप ब्लू ने विश्व शतरंज चैंपियन को हराया।
- 2010 का दशक: बड़ा डेटा + तेज़ ग्राफ़िक्स चिप (GPU) से डीप लर्निंग सफल: आवाज़ और तस्वीर पहचान बहुत अच्छी हुई।
- 2016: अल्फ़ागो ने गो खेल के शीर्ष खिलाड़ी को हराया।
- 2020 का दशक: जनरेटिव AI और चैटबॉट जो लेख लिखते और तस्वीरें बनाते हैं।
गणित भी साथ बढ़ा: तर्कशास्त्र (बूल, 1850 का दशक), प्रायिकता (बेज़, 1700 का दशक), सांख्यिकी, और भार बदलने के लिए कलन।
AI कहाँ इस्तेमाल होती है
- स्वास्थ्य: एक्स-रे और आँख के स्कैन में बीमारी पहचानना।
- खेती: ड्रोन और फ़ोन ऐप से फ़सल रोग पहचानना; स्मार्ट सिंचाई।
- परिवहन: नक्शे के रास्ते, ट्रैफ़िक अनुमान, ड्राइवर-सहायक कारें।
- भाषा: वॉइस असिस्टेंट, भारतीय और विश्व भाषाओं में अनुवाद, कैप्शन।
- ख़रीदारी और मीडिया: सुझाव ("यह भी पसंद आ सकता है")।
- बैंक: असामान्य भुगतान (धोखाधड़ी) पकड़ना।
- खेल: खेलने वाली AI आगे की चालें देखती है। मिनीमैक्स तरीक़े में वह मानती है कि विरोधी सबसे अच्छी चाल चलेगा, आगे की स्थितियों को अंक देती है और वह चाल चुनती है जिसका सबसे बुरा नतीजा भी सबसे अच्छा हो।
नैतिकता, पक्षपात और समाज में AI
- पक्षपात (bias): अगर प्रशिक्षण डेटा एकतरफ़ा हो (जैसे ज़्यादातर एक ही रंग के चेहरे), तो AI दूसरों के लिए ख़राब काम करती है। उपाय: विविध, निष्पक्ष डेटा और जाँच।
- निजता: AI को डेटा चाहिए; निजी डेटा सहमति से लिया जाए और सुरक्षित रखा जाए।
- पारदर्शिता: लोग पूछ सकें कि AI ने ऐसा फ़ैसला क्यों किया।
- रोज़गार: AI काम बदलती है; कुछ काम घटते हैं, नए बनते हैं। नए कौशल सीखना ज़रूरी।
- ग़लत जानकारी: AI नकली फ़ोटो, आवाज़ और वीडियो (डीपफ़ेक) बना सकती है। स्रोत जाँचिए।
- साइबर सुरक्षा: AI हमले पकड़ने में मदद करती है, पर हमलावर भी इसे इस्तेमाल करते हैं।
- ज़िम्मेदारी: चिकित्सा या क़ानूनी जैसे बड़े फ़ैसलों में इंसान ही जवाबदेह रहे।
करके देखिए: ख़ुद मशीन बनिए
10 फल या फलों की तस्वीरें लीजिए। हर एक को नरमी (1–5) और रंग (1–5) के अंक दीजिए और "पका" या "कच्चा" लिखिए। अब एक नया फल लीजिए, अंक दीजिए और वे 3 जाने-पहचाने फल ढूँढिए जिनके अंक सबसे पास हैं। वोट लीजिए। आपने हाथ से k-निकटतम पड़ोसी विधि चला दी। 3D के खुद-खेलिए चरण में स्लाइडर से यही कीजिए और अपना जवाब मिलाइए।
मुख्य सूत्र और परिभाषाएँ
- AI एजेंट: महसूस करो → सोचो → काम करो (→ फिर महसूस करो)
- मशीन लर्निंग: डेटा + लेबल → प्रशिक्षण → मॉडल (नियम) → नए डेटा पर अनुमान
- पर्यवेक्षित = लेबल सहित; अपर्यवेक्षित = बिना लेबल (समूह बनाना); प्रबलन = इनाम और दंड
- बिंदुओं (x₁, y₁) और (x₂, y₂) की दूरी = √((x₂ − x₁)² + (y₂ − y₁)²), k-निकटतम पड़ोसी में उपयोग
- न्यूरल नेटवर्क: इनपुट परत → छिपी परतें → आउटपुट परत; प्रशिक्षण भार बदलता है
- सटीकता = सही अनुमान ÷ कुल अनुमान × 100%
हल किए गए उदाहरण
1. एक स्पैम फ़िल्टर 10,000 ईमेल से सीखता है जिन पर लोगों ने "स्पैम" या "स्पैम नहीं" लिखा है। यह कौन-सी मशीन लर्निंग है?
पर्यवेक्षित लर्निंग, क्योंकि हर उदाहरण के साथ सही लेबल है।
2. जाने-पहचाने फल (नरमी, रंग): A(1, 1) कच्चा, B(2, 1) कच्चा, C(4, 4) पका, D(5, 4) पका, E(4, 5) पका। नए फल N(3, 3) को 3-निकटतम पड़ोसी से लेबल कीजिए।
N से दूरियाँ: A = √(4+4) ≈ 2.83; B = √(1+4) ≈ 2.24; C = √(1+1) ≈ 1.41; D ≈ 2.24; E ≈ 2.24। सबसे पास C (पका), फिर B, D, E बराबर 2.24 पर। C, D, E लें तो 3 वोट पका; C, B, D लें तो 2 पका, 1 कच्चा। दोनों तरह जवाब: पका।
3. एक AI 200 एक्स-रे में से 184 सही बताती है। सटीकता कितनी है?
सटीकता = 184 ÷ 200 × 100% = 92%।
4. रोबोट घास-कटर फूलों की क्यारी से टकराता है, रुकता है और बाएँ मुड़ता है। सेंसर, "सोचने" वाला भाग और एक्चुएटर बताइए।
सेंसर: टक्कर या दूरी सेंसर। सोचना: प्रोग्राम तय करता है "रुकावट → मुड़ो"। एक्चुएटर: पहियों की मोटर।
आम गलतियाँ
- यह मानना कि AI इंसान की तरह "समझती" है। आज की AI डेटा में पैटर्न ढूँढती है; वह भरोसे से बोलकर भी ग़लत हो सकती है।
- AI और मशीन लर्निंग को एक समझना। मशीन लर्निंग AI बनाने का एक तरीक़ा है; नियम-आधारित प्रणालियाँ भी AI हैं।
- यह मानना कि ज़्यादा डेटा से सब ठीक हो जाएगा। एकतरफ़ा डेटा, चाहे बहुत हो, पक्षपाती मॉडल देता है।
- हर स्वचालित मशीन को AI कहना। तय समय पर बत्ती जलाने वाला टाइमर न महसूस करता है, न फ़ैसला, न सीखता है।