विकास का केंद्र – हालिया उपलब्धियों के साथ कृत्रिम बुद्धिमत्ता की बहुमुखी प्रतिभा का प्रदर्शन

कृत्रिम बुद्धिमत्ता में नवाचार लगभग सभी क्षेत्रों में व्यवसायों के भविष्य को आकार दे रहे हैं। स्वास्थ्य देखभाल, विनिर्माण, वित्त, शिक्षा, मनोरंजन और कानूनी से लेकर मीडिया, ग्राहक सेवा, परिवहन और अधिक तक, लगभग कोई भी प्रमुख उद्योग AI से प्रभावित नहीं हुआ है।

2023 के एक IBM सर्वे के अनुसार, 42% एंटरप्राइज़-स्तर के व्यवसायों ने पहले ही अपने संचालन में AI को एकीकृत कर लिया है, जबकि अतिरिक्त 40% अपने संगठनों के लिए इस तकनीक पर विचार कर रहे हैं।

यह समझ में आता है, क्योंकि AI के पास उत्पादकता को बदलने और बदले में अर्थव्यवस्था के जीडीपी संभावनाओं को बढ़ाने की क्षमता है। 

PWC के अनुमान के अनुसार, AI विश्व अर्थव्यवस्था में अंत तक $15.7 ट्रिलियन का योगदान दे सकता है इस दशक के अंत तक, जिसमें कुल आर्थिक लाभों का 45% AI-चालित उत्पाद सुधारों से आएगा, जैसे किफायतीपन, आकर्षण, विविधता और बढ़ी हुई व्यक्तिगतकरण, जो उपभोक्ता मांग को उत्तेजित करता है। इसी बीच, PWC के अनुसार, स्थानीय अर्थव्यवस्थाओं में जीडीपी में $6.6 ट्रिलियन का बढ़ावा AI द्वारा उत्पादकता में वृद्धि से आएगा।

AI तेजी से व्यवधान और प्रतिस्पर्धात्मक लाभ का एक प्रमुख स्रोत बन रहा है, लगभग हर उद्योग को आगे बढ़ाने के लिए एक केंद्रीय हब के रूप में कार्य कर रहा है। इस तकनीक की विशाल संभावनाएँ और बहुमुखी प्रतिभा हालिया प्रगति में स्पष्ट रूप से देखी जा सकती है। 

थर्मल गुणों की भविष्यवाणी

AI का एक रोचक अनुप्रयोग सामग्री के थर्मल गुणों की भविष्यवाणी करना है। यह इंजीनियरों को तेज़ माइक्रोइलेक्ट्रॉनिक उपकरण और अधिक कुशल ऊर्जा-परिवर्तन प्रणाली डिजाइन करने में मदद कर सकता है, साथ ही अपशिष्ट गर्मी को कम कर सकता है।

स्ट्रक्चर और प्रॉपर्टी के बीच संबंध को समझना विशिष्ट गुणों वाले सामग्री को डिजाइन करने में महत्वपूर्ण है। इस दिशा में मशीन लर्निंग विधियों में पहले ही उल्लेखनीय प्रगति हुई है। हालांकि, मॉडलों की सामान्यीकरण क्षमता और गुणों की भविष्यवाणी में चुनौतियाँ बनी हुई हैं।

तो, नवीनतम शोध ने इन समस्याओं को हल करने के लिए एक वर्चुअल नोड ग्राफ न्यूरल नेटवर्क (VGNN) प्रस्तुत किया। उनके वर्चुअल नोड मॉडल में, शोधकर्ताओं ने केवल परमाणु निर्देशांक से Γ-फ़ोनॉन स्पेक्ट्रा और पूर्ण फ़ोनॉन डिस्पर्शन भविष्यवाणी हासिल की। ML इंटरऐटॉमिक पोटेंशियल्स के साथ अपने दृष्टिकोण को मिलाकर, टीम ने बेहतर सटीकता के साथ बहुत अधिक दक्षता हासिल की।

फ़ोनॉन बैंड संरचनाओं की तेज़ और सटीक गणना करने की क्षमता महत्वपूर्ण है क्योंकि अनुमानित 70% विश्वव्यापी उत्पन्न ऊर्जा वास्तव में अपशिष्ट गर्मी के रूप में समाप्त होती है। यदि वैज्ञानिक यह भविष्यवाणी कर सकें कि गर्मी इन्सुलेटर और सेमीकंडक्टर में कैसे चलती है, तो अधिक कुशल पावर जेनरेशन सिस्टम डिजाइन किए जा सकते हैं। 

इन सबकी समस्या यह है कि सामग्री के थर्मल गुणों का मॉडल बनाना बहुत कठिन हो सकता है। यह फ़ोनॉन्स के कारण है, जो कंपनात्मक यांत्रिक ऊर्जा का क्वांटम है। 

ये उपपरमाणु कण गर्मी ले जाते हैं, और सामग्री के कुछ थर्मल गुण फ़ोनॉन डिस्पर्शन रिलेशन पर निर्भर करते हैं, जो फ़ोनॉन्स की ऊर्जा और उनके क्रिस्टल संरचना में मोमेंटम के बीच संबंध है। इसे सिस्टम के डिज़ाइन में शामिल करना न केवल कठिन है, बल्कि इसे प्राप्त करना भी महत्वपूर्ण चुनौतियों का सामना करता है। 

सीनियर ऑथर मिंगडा ली, जो नाभिकीय विज्ञान और इंजीनियरिंग के एसोसिएट प्रोफेसर हैं, के अनुसार:

“फ़ोनॉन्स थर्मल हानि के मुख्य कारण हैं, फिर भी उनके गुणों को प्राप्त करना कंप्यूटेशनली या प्रयोगात्मक रूप से अत्यंत चुनौतीपूर्ण है।”

यह इसलिए है क्योंकि हीट-कैरिंग फ़ोनॉन्स की अत्यधिक विस्तृत आवृत्ति रेंज उन्हें भविष्यवाणी करने में कठिन बनाती है। इसके अलावा, ये कण विभिन्न गति पर यात्रा और अंतःक्रिया करते हैं।

शोधकर्ता वर्षों से फ़ोनॉन डिस्पर्शन रिलेशन को ML के माध्यम से अनुमानित करने की कोशिश कर रहे हैं, लेकिन मॉडल कई उच्च-परिशुद्धता गणनाओं के कारण फँस जाते हैं। 

“यदि आपके पास 100 CPU और कुछ हफ़्ते हैं, तो आप संभवतः एक सामग्री के लिए फ़ोनॉन डिस्पर्शन रिलेशन की गणना कर सकते हैं। पूरी समुदाय वास्तव में इसका अधिक कुशल तरीका चाहता है।”

– सह-लीड ऑथर र्योतारो ओकाबे, एक रसायन विज्ञान स्नातक छात्र

फ़ोनॉन डिस्पर्शन रिलेशन के अनुमान के लिए उच्च-परिशुद्धता गणनाएँ करने वाले ML मॉडल को ग्राफ न्यूरल नेटवर्क (GNN) कहा जाता है। ये नेटवर्क सामग्री की परमाणु संरचना को एक क्रिस्टल ग्राफ में परिवर्तित करते हैं।

क्रिस्टल ग्राफ में कई नोड्स होते हैं जो किनारों द्वारा जुड़े होते हैं। नोड्स परमाणुओं का प्रतिनिधित्व करते हैं, जबकि किनारे परमाणुओं के बीच के अंतरपरमाणु बंधन को दर्शाते हैं।

GNN ने विद्युत ध्रुवीकरण और चुंबकीयकरण जैसी मात्राओं की गणना में अच्छा प्रदर्शन किया है, लेकिन वे फ़ोनॉन डिस्पर्शन रिलेशन को सटीक रूप से भविष्यवाणी करने के लिए पर्याप्त लचीले नहीं हैं, जो एक अत्यधिक उच्च-आयामी मात्रा है।

स्थिर ग्राफ संरचना के साथ फ़ोनॉन्स के मोमेंटम स्पेस को मॉडल करना काम नहीं करता क्योंकि वे विभिन्न अक्षों पर परमाणुओं के चारों ओर यात्रा करते हैं। यह लचीलापन की आवश्यकता को दर्शाता है, जिसे शोधकर्ताओं ने वर्चुअल नोड्स के माध्यम से लाया।

जबकि ग्राफ नोड्स का उपयोग परमाणुओं का प्रतिनिधित्व करने के लिए किया जाता है, टीम ने इस विचार की समीक्षा की कि “ग्राफ नोड्स कुछ भी हो सकते हैं। और वर्चुअल नोड्स एक बहुत सामान्य दृष्टिकोण है जिसे आप कई उच्च-आयामी मात्राओं की भविष्यवाणी के लिए उपयोग कर सकते हैं।”

स्थिर क्रिस्टल संरचना में लचीले वर्चुअल नोड्स जोड़कर, टीम ने एक नया फ्रेमवर्क बनाया जिसे वर्चुअल नोड ग्राफ न्यूरल नेटवर्क (VGNN) कहा जाता है। VGNN के आउटपुट को आकार में बदलने की अनुमति देकर, यह स्थिर क्रिस्टल संरचना द्वारा प्रतिबंधित नहीं रहता।

हालाँकि, ये वर्चुअल नोड्स केवल वास्तविक नोड्स से संदेश प्राप्त करने में सक्षम हैं। इसलिए, गणना के दौरान वे वास्तविक नोड्स के साथ अपडेट होते हैं, लेकिन वर्चुअल नोड्स मॉडल की सटीकता को प्रभावित नहीं करते।

सह-लीड ऑथर अभिज़तमेधी चोत्रत्तनापितुक, जो इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर साइंस के स्नातक छात्र हैं, ने बताया कि वास्तविक नोड्स को यह पता नहीं होता कि वर्चुअल नोड्स मौजूद हैं। उन्होंने कहा:

“हम इसे कोडिंग में बहुत कुशल तरीके से करते हैं। आप बस अपने GNN में कुछ और नोड्स जेनरेट कर देते हैं।”

फ़ोनॉन्स को दर्शाने के लिए वर्चुअल नोड्स का उपयोग करके, VGNN मॉडल को फ़ोनॉन डिस्पर्शन रिलेशन की भविष्यवाणी करते समय कई जटिल गणनाएँ नहीं करनी पड़तीं, जिससे यह GNN से अधिक कुशल बन जाता है।

MIT और अन्य संस्थानों के शोधकर्ताओं द्वारा निर्मित नया AML फ्रेमवर्क पारंपरिक, गैर‑AI‑आधारित तरीकों की तुलना में फ़ोनॉन डिस्पर्शन रिलेशन को लगभग 1 मिलियन गुना तेज़ी से भविष्यवाणी करने में सक्षम पाया गया है। अन्य AI‑आधारित तकनीकों की तुलना में भी यह नया फ्रेमवर्क 1,000 गुना तेज़ है, जबकि सटीकता तुलनीय या बेहतर है। 

सामग्री की हीट कैपेसिटी की भविष्यवाणी करते समय, शोधकर्ता ने पाया कि मॉडल कुछ मामलों में दो क्रम magnitude कम त्रुटियों के साथ थोड़ा अधिक सटीक था।

शोधकर्ताओं के अनुसार, मॉडल व्यक्तिगत कंप्यूटर का उपयोग करके कुछ सेकंड में ही कई हजार सामग्रियों के लिए फ़ोनॉन डिस्पर्शन रिलेशन का अनुमान लगा सकता है। यह विशिष्ट थर्मल गुणों वाली अधिक सामग्रियों की खोज को संभव बनाता है। यह मिश्रधातु प्रणालियों में फ़ोनॉन डिस्पर्शन रिलेशन की गणना के लिए भी उपयोग किया जा सकता है, जो पारंपरिक मॉडलों के लिए विशेष रूप से चुनौतीपूर्ण है।

माइक्रोइलेक्ट्रॉनिक्स में, जहाँ गर्मी का प्रबंधन तेज़ उपकरण बनाने की बड़ी चुनौती है, यह नई विधि अत्यधिक लाभदायक हो सकती है और अधिक कुशल माइक्रोइलेक्ट्रॉनिक्स के विकास में मदद कर सकती है। इसके अलावा, यह विधि अधिक शक्ति और अधिक दक्षता उत्पन्न करने वाले ऊर्जा उत्पादन प्रणालियों के डिजाइन में सहायता कर सकती है। 

शोधकर्ता नई मॉडल के तीन संस्करण प्रस्तावित करते हैं, प्रत्येक सामग्री के परमाणु निर्देशांक से सीधे फ़ोनॉन्स का अनुमान लगाने में सक्षम है, लेकिन जटिलता में बढ़ते हुए।

यहाँ दो कंपनियाँ हैं जो सामग्री के थर्मल गुणों की भविष्यवाणी में इस AI‑संबंधित विकास से लाभान्वित हो सकती हैं:

#1. Intel

एक प्रमुख माइक्रोप्रोसेसर निर्माता के रूप में, Intel (INTC ) के लिए गर्मी का प्रबंधन अत्यंत महत्वपूर्ण है। उन्नत AI मॉडल तेज़, अधिक कुशल प्रोसेसर को बेहतर हीट डिसिपेशन के साथ डिजाइन करने में मदद कर सकते हैं, जिससे उत्पाद प्रदर्शन और आयु में वृद्धि होगी और Intel अधिक प्रतिस्पर्धी बन जाएगा।

#2. NVIDIA

डेटा सेंटर, गेमिंग और AI अनुप्रयोगों में उपयोग किए जाने वाले NVIDIA (NVDA ) के हाई‑परफॉर्मेंस GPUs के लिए कुशल थर्मल प्रबंधन आवश्यक है। उन्नत AI मॉडल बेहतर कूलिंग समाधान प्रदान कर सकते हैं, जिससे उत्पाद प्रदर्शन और विश्वसनीयता में सुधार होगा। यह ऊर्जा‑कुशल AI सिस्टम के डिजाइन का मार्ग प्रशस्त करता है, जिससे NVIDIA की बाजार स्थिति मजबूत होगी।

समानता सुनिश्चित करना

एक अलग पेपर ने AI के साथ दुर्लभ संसाधन आवंटन में संरचित रैंडमनेस पेश करके निष्पक्षता को सुधार दिया। इससे ML‑आधारित मॉडल भविष्यवाणियों को अंतर्निहित अनिश्चितताओं को संबोधित करने की अनुमति मिलती है, बिना दक्षता से समझौता किए।

पिछले वर्ष, ChatGPT जैसी जेनरेटिव AI की लोकप्रियता ने इस तकनीक को व्यवसायों का अभिन्न हिस्सा बना दिया है। संगठनों ने अपने दुर्लभ संसाधनों, जैसे कल्याण लाभ, को आवंटित करने के लिए ML मॉडल का उपयोग बढ़ाया है। यह उपयोग रेज़्यूमे स्क्रीनिंग से लेकर नौकरी साक्षात्कार के लिए उम्मीदवार चयन, और जीवन‑रक्षक चिकित्सा संसाधनों जैसे वेंटिलेटर या अंगों की सीमित आपूर्ति के आधार पर रोगियों को रैंक करने तक विस्तृत है।

AI मॉडल का उपयोग करते समय, लक्ष्य पक्षपात को कम करके निष्पक्ष भविष्यवाणियाँ प्राप्त करना होता है। यह अक्सर उत्पन्न स्कोर को कैलिब्रेट करने या मॉडल की विशेषताओं को समायोजित करके निर्णय लेने जैसी तकनीकों के माध्यम से हासिल किया जाता है। 

परम्परागत रूप से यह माना जाता रहा है कि एल्गोरिदम निष्पक्ष होते हैं, लेकिन नॉर्थईस्टर्न यूनिवर्सिटी और MIT के शोधकर्ताओं द्वारा एक नया पेपर दर्शाता है कि ML के माध्यम से निष्पक्षता हासिल करने के लिए अक्सर रैंडमनेस की आवश्यकता होती है। उनका विश्लेषण दिखाता है कि जब मॉडल के निर्णय अनिश्चितता शामिल करते हैं, तो रैंडमनेस विशेष रूप से लाभदायक होती है। साथ ही, जब वही समूह लगातार नकारात्मक निर्णय प्राप्त करता है, तो निष्पक्षता सुधारने के लिए रैंडमनेस लागू करनी चाहिए।

शोधकर्ताओं ने मॉडल के निर्णयों में विशिष्ट रैंडमनेस लाने के लिए एक फ्रेमवर्क प्रस्तुत किया। यह विधि व्यक्तिगत स्थितियों के अनुसार अनुकूलित की जा सकती है, जिससे निष्पक्षता में सुधार होता है, जबकि सटीकता या मॉडल की प्रभावशीलता को नुकसान नहीं पहुँचता।

“भले ही आप निष्पक्ष भविष्यवाणियाँ कर सकें, क्या आपको इन सामाजिक दुर्लभ संसाधनों या अवसरों के आवंटन को केवल स्कोर या रैंकिंग के आधार पर तय करना चाहिए? जैसे-जैसे चीजें स्केल करती हैं और हम देखते हैं कि अधिक से अधिक अवसर इन एल्गोरिदम द्वारा तय किए जा रहे हैं, इन स्कोर में निहित अनिश्चितताएँ बढ़ सकती हैं। हम दिखाते हैं कि निष्पक्षता के लिए कुछ प्रकार की रैंडमनेस आवश्यक हो सकती है।”

– प्रमुख लेखक, शॉमिक जैन, IDSS में स्नातक छात्र

यह नया शोध एक पूर्व पेपर पर आधारित है, जिसने बड़े पैमाने पर निर्धारक प्रणालियों के उपयोग के नुकसान की खोज की और पाया कि संसाधनों को निर्धारक रूप से आवंटित करने में ML मॉडल मौजूदा असमानताओं को बढ़ाते हैं और पक्षपात को सुदृढ़ करते हैं। सीनियर ऑथर आशिया विल्सन, LIDS में प्रमुख शोधकर्ता, के अनुसार:

“रैंडमनेस सांख्यिकी में एक बहुत उपयोगी अवधारणा है, और हमारी खुशी के लिए, यह प्रणालीगत और व्यक्तिगत दोनों दृष्टिकोणों से आने वाली निष्पक्षता की मांगों को पूरा करती है।”

जब रैंडमनेस निष्पक्षता को सुधार सकती है, तो नवीनतम पेपर ने दार्शनिक जॉन ब्रोम के लॉटरी मूल्य के सिद्धांत को अपनाया, यह तर्क देने के लिए कि दुर्लभ संसाधन सेटिंग्स में रैंडमनेस की आवश्यकता है ताकि सभी दावों को सम्मानित किया जा सके, प्रत्येक व्यक्ति को एक मौका देकर। जैन ने कहा:

“जब आप स्वीकार करते हैं कि लोगों के इन दुर्लभ संसाधनों के प्रति अलग-अलग दावे हैं, तो निष्पक्षता के लिए हमें सभी व्यक्तियों के दावों का सम्मान करना होगा। यदि हम हमेशा अधिक मजबूत दावे वाले व्यक्ति को संसाधन देते रहें, तो क्या यह निष्पक्ष है?”

एक निर्धारक आवंटन जिसमें हमेशा अधिक मजबूत दावा वाला व्यक्ति संसाधन प्राप्त करता है, प्रणालीगत बहिष्कार या बढ़ते अन्याय का कारण बन सकता है। मशीन‑लर्निंग मॉडल भी गलतियाँ कर सकते हैं, जो निर्धारक दृष्टिकोण के उपयोग पर दोहराई जाती हैं।

पेपर ने नोट किया कि रैंडमनेस इन समस्याओं को दूर करने में मदद कर सकती है। हालांकि, सभी निर्णयों को समान रूप से रैंडम नहीं किया जाना चाहिए। कम निश्चित निर्णय में अधिक रैंडमनेस होनी चाहिए।

उदाहरण के लिए, किडनी आवंटन में जीवनकाल का प्रोजेक्शन शामिल है, जो अत्यधिक अनिश्चित है, और जब दो रोगियों के बीच केवल पाँच साल का अंतर हो, तो इसे मापना और भी कठिन हो जाता है। विल्सन ने कहा:

“हम इस अनिश्चितता स्तर का उपयोग करके रैंडमनेस को अनुकूलित करना चाहते हैं।”

विभिन्न परिस्थितियों में आवश्यक रैंडमनेस की सीमा निर्धारित करने के लिए, शोधकर्ताओं ने सांख्यिकीय अनिश्चितता मात्रात्मक विधियों का उपयोग किया, जिससे दिखाया गया कि कैलिब्रेटेड रैंडमनेस बिना मॉडल की प्रभावशीलता या उपयोगिता को महत्वपूर्ण रूप से प्रभावित किए, अधिक निष्पक्ष परिणाम दे सकती है।

“समग्र उपयोगिता और उन व्यक्तियों के अधिकारों के बीच संतुलन होना चाहिए जो दुर्लभ संसाधन प्राप्त कर रहे हैं, लेकिन अक्सर समझौता अपेक्षाकृत छोटा होता है।”

– विल्सन

जबकि रैंडमनेस कॉलेज प्रवेश जैसी क्षेत्रों में निष्पक्षता सुधारने में वास्तव में लाभदायक हो सकती है, शोध ने आपराधिक न्याय जैसी स्थितियों को भी नोट किया जहाँ निर्णयों को रैंडमाइज़ करने से व्यक्तियों को नुकसान हो सकता है, न कि निष्पक्षता में सुधार। 

भविष्य में, शोधकर्ता अन्य उपयोग मामलों का अध्ययन करने और कीमतों और प्रतिस्पर्धा जैसे अन्य कारकों पर रैंडमनेस के प्रभाव की जांच करने की योजना बना रहे हैं, और यह कैसे ML मॉडलों की मजबूती को सुधारने में उपयोग किया जा सकता है। अब, हम दो कंपनियों को देखेंगे जो इस विकास से काफी लाभान्वित हो सकती हैं:

#1. UnitedHealth Group 

UnitedHealth (UNH ) Group Inc. AI मॉडलों में संरचित रैंडमनेस को शामिल करके रोगी देखभाल प्रबंधन और संसाधन वितरण में निष्पक्षता को बढ़ा सकता है। यह दृष्टिकोण पक्षपात को कम करता है और उपचारों तक समान पहुंच सुनिश्चित करता है, जो UnitedHealth की उच्च‑गुणवत्ता, किफायती देखभाल प्रदान करने की प्रतिबद्धता के साथ मेल खाता है।

इसने 2024 की दूसरी तिमाही में $98.9 बिलियन की आय दर्ज की, जो वर्ष‑दर‑वर्ष $6 बिलियन की वृद्धि को दर्शाती है।

#2. Pfizer 

Pfizer Inc. (PFE ) AI में संरचित रैंडमनेस का उपयोग करके क्लिनिकल ट्रायल में रोगी चयन को निष्पक्ष बना सकता है और प्रयोगात्मक उपचारों के समान वितरण को सुनिश्चित कर सकता है। यह दृष्टिकोण Pfizer के स्वास्थ्य समानता को आगे बढ़ाने और व्यापक जनसंख्या को लाभ पहुंचाने के मिशन का समर्थन करेगा।

राजस्व के संदर्भ में, Pfizer ने 2023 में $58.5 बिलियन की वार्षिक आय दर्ज की।

व्यक्तिगत भाषा सीखने की प्रणालियाँ

AI का एक और रोचक अनुप्रयोग व्यक्तिगत कहानी पुस्तकों के निर्माण में है, जो बच्चों की भाषा सीखने में मदद करता है। जेनरेटिव AI और होम IoT तकनीक का उपयोग करके, नवीनतम अध्ययन का लक्ष्य एक प्रभावी और अनुकूलित तरीका प्रदान करना है, जिससे बच्चे भाषण और संचार को बेहतर ढंग से प्रोसेस कर सकें। 

बच्चों में भाषा विकास अत्यंत महत्वपूर्ण है, क्योंकि यह उनके संज्ञानात्मक और शैक्षणिक विकास को प्रभावित करता है। बच्चों के समग्र सामाजिक विकास में इसकी भूमिका को देखते हुए, भाषा प्रगति का नियमित मूल्यांकन आवश्यक है, ताकि समय पर भाषा हस्तक्षेप प्रदान किए जा सकें। 

परम्परागत रूप से, एक-आकार-सबके‑लिए‑उपयुक्त दृष्टिकोण मानकीकृत शब्दावली सूचियों और पूर्व‑निर्मित सामग्री के माध्यम से भाषा कौशल मूल्यांकन और हस्तक्षेप के लिए उपयोग किया जाता है। यह इस तथ्य के बावजूद है कि बच्चे अपने वातावरण के साथ बातचीत करके भाषा सीखते हैं, और विविध परिवेश में बड़े होने के कारण शब्दावली के संपर्क में विविधता आती है।

इस पारंपरिक दृष्टिकोण की कमियों को दूर करने के लिए, शोधकर्ताओं की एक टीम ने एक नवाचारी शैक्षिक प्रणाली विकसित की है, जो प्रत्येक बच्चे के अनूठे वातावरण के अनुसार अनुकूलित है। 

इस व्यक्तिगत भाषा सीखने की प्रणाली को “Open Sesame? Open Salami! (OSOS)” कहा जाता है। यह भाषण रोग विज्ञान सिद्धांत को व्यावहारिक विशेषज्ञता के साथ मिलाता है और बच्चों के भाषा विकास में विविधताओं को व्यक्तिगत कारकों के वजन और लचीले शब्दावली चयन मानदंडों के माध्यम से समायोजित करता है। 

जेनरेटिव AI और व्यापक सेंसरिंग द्वारा संचालित, OSOS बच्चे के भाषा वातावरण को प्रोफ़ाइल करता है, व्यक्तिगत रूप से अनुकूलित प्राथमिक शब्दों को निकालता है, और उन शब्दों को स्वाभाविक रूप से शामिल करते हुए कस्टम कहानी पुस्तकें बनाता है। इसमें तीन प्रमुख मॉड्यूल शामिल हैं:

1. व्यक्तिगत भाषा प्रोफ़ाइलर
2. लक्ष्य शब्दावली एक्सट्रैक्टर
3. व्यक्तिगत हस्तक्षेप सहायता जनरेटर

प्रोफ़ाइलर को घर में तैनात किया जाएगा और घर के उपकरणों या स्मार्ट स्पीकर्स में एम्बेड किया जाएगा ताकि भाषण नमूने एकत्र किए जा सकें। माता‑पिता रिकॉर्डिंग शुरू और बंद करने का नियंत्रण करेंगे।

इस उद्देश्य के लिए, घर के IoT उपकरणों का उपयोग बच्चों के दैनिक वातावरण और भाषा संपर्क को कैप्चर और मॉनिटर करने के लिए किया गया। फिर बच्चों की शब्दावली को स्पीकर सेपरेशन द्वारा जांचा गया, जो विभिन्न स्पीकर्स की पहचान और पृथक्करण करता है, और भाषा के सबसे छोटे अर्थात्मक इकाइयों का मूल्यांकन करने के लिए मोर्फ़ोलॉजिकल विश्लेषण तकनीकों का उपयोग किया गया।

एक्सट्रैक्टर उच्चारणों का विश्लेषण करता है और बच्चे के लिए अनुशंसित शब्दों की चयन योग्य प्राथमिकता सूची निकालता है। प्रत्येक शब्द को भाषण रोग विज्ञान से संबंधित महत्वपूर्ण कारकों के आधार पर स्कोर की गणना करके विश्लेषित किया जाता है।

जनरेटर, इस बीच, कहानी पुस्तकों के रूप में हस्तक्षेप प्रदान करता है, जो एक सामान्य क्लिनिकल प्रैक्टिस है और अधिकांश बच्चों की प्राकृतिक दिनचर्या का हिस्सा है। व्यक्तिगत सामग्री बनाने के लिए, टीम ने GPT‑4 और Stable Diffusion सहित उन्नत जेनरेटिव AI तकनीकों का उपयोग किया। इन समाधानों ने उन्हें प्रत्येक बच्चे की लक्ष्य शब्दावली को सहजता से एकीकृत करने वाली कस्टम पुस्तकें बनाने की अनुमति दी। 

टीम ने चार‑सप्ताह की अवधि में नौ परिवारों के साथ व्यक्तिगत भाषा सीखने की प्रणाली का परीक्षण किया। परिणामों ने प्रणाली की दैनिक सेटिंग्स में लागू होने की क्षमता को प्रदर्शित किया और लक्ष्य शब्दावली के सीखने में बच्चों की प्रभावी प्रगति को दिखाया।

“हमारा लक्ष्य AI का उपयोग करके विभिन्न व्यक्तियों के स्तर और आवश्यकताओं के अनुसार अनुकूलित गाइड बनाना है।”

– प्रमुख लेखक जंग्यून ली, POSTECH से

नीचे दो कंपनियाँ हैं जो AI‑संचालित व्यक्तिगत भाषा सीखने की प्रणालियों से लाभान्वित हो सकती हैं:

#1. Amazon

Amazon (AMZN ), अपनी व्यापक AI और IoT क्षमताओं के साथ, Alexa जैसे स्मार्ट होम डिवाइस में व्यक्तिगत भाषा सीखने की प्रणालियों को एकीकृत कर सकता है। इससे माता‑पिता वास्तविक‑समय में Alexa का उपयोग करके अपने बच्चों के भाषा विकास को कैप्चर और विश्लेषण कर सकते हैं, और अनुकूलित सीखने के अनुभव प्रदान कर सकते हैं।

2023 में, Amazon की कुल आय 12% बढ़कर $575 बिलियन हुई, जिसमें उत्तर अमेरिका, अंतर्राष्ट्रीय और AWS खंडों ने महत्वपूर्ण योगदान दिया। 

उत्तर अमेरिकी आय 12% बढ़कर $353 बिलियन, अंतर्राष्ट्रीय आय 11% बढ़कर $131 बिलियन, और AWS आय 13% बढ़कर $91 बिलियन हुई। इसका ऑपरेटिंग इनकम 2022 के $12.2 बिलियन से बढ़कर 2023 में $36.9 बिलियन हो गया, जबकि फ्री कैश फ्लो 2022 में नकारात्मक $11.6 बिलियन से सकारात्मक $36.8 बिलियन में बदल गया।

#2. Alphabet Inc. (Google)

Google अपने Google Home और Nest डिवाइस का उपयोग करके व्यक्तिगत भाषा सीखने की प्रणालियों को लागू कर सकता है। Google की AI विशेषज्ञता का उपयोग करके, ये डिवाइस कस्टमाइज़्ड लर्निंग कंटेंट प्रदान कर सकते हैं और भाषा विकास को ट्रैक कर सकते हैं, जिससे बच्चों के लिए अधिक प्रभावी भाषा हस्तक्षेप संभव हो सके।

2023 में, Alphabet Inc. (GOOG ) की कुल आय $307.4 बिलियन तक बढ़ी, जो 2022 के $282.8 बिलियन से अधिक थी। Google Services, जिसमें Google Search और YouTube विज्ञापन शामिल हैं, ने $272.5 बिलियन उत्पन्न किए, जबकि Google Cloud ने $33.1 बिलियन कमाए। ऑपरेटिंग इनकम $84.3 बिलियन तक बढ़ी, और Google Cloud ने 2022 में $1.9 बिलियन के नुकसान को $1.7 बिलियन के लाभ में बदल दिया। कुल संपत्तियां $402.4 बिलियन तक पहुंच गईं, जिसमें $110.9 बिलियन नकद शामिल है।

निष्कर्ष

जैसा कि हमने इन हालिया उपलब्धियों से देखा है, AI के उपयोग केस विविध हैं, जो बच्चों की भाषा विकास में मदद करने से लेकर अधिक कुशल ऊर्जा‑परिवर्तन प्रणालियों और हाई‑परफॉर्मेंस माइक्रोइलेक्ट्रॉनिक उपकरणों के डिजाइन तक फैले हैं। यह दर्शाता है कि AI की बहुमुखी प्रतिभा कितनी शक्तिशाली है। 

डेटा को बड़े पैमाने पर संभालने, दोहराव वाले कार्यों को कुशलता से करने, डेटा से सीखने और समय के साथ सुधार करने की AI क्षमता इसे उन कई उद्योगों के लिए वास्तव में विघटनकारी शक्ति बनाती है जो नवाचार करते हैं, अपनी दक्षता और उत्पादकता में सुधार करते हैं, लागत घटाते हैं, और निर्णय‑निर्धारण को बेहतर बनाते हैं। इस पृष्ठभूमि में, AI विशाल संभावनाएं प्रदर्शित करता है, जो हमारे वर्तमान अनुमान से परे जाकर उद्योगों को बदल सकता है और, बदले में, हमारे जीवन को।

कृत्रिम बुद्धिमत्ता में निवेश के बारे में सब कुछ जानने के लिए यहाँ क्लिक करें।