कृत्रिम बुद्धिमत्ता
क्या AI टॉर्क क्लस्टरिंग के कारण शीघ्र ही अनसुपरवाइज़्ड सीख सकता है?
वास्तव में स्वायत्त कृत्रिम बुद्धिमत्ता क्षितिज पर है, यूनीवर्सिटी ऑफ टेक्नोलॉजी सिडनी (UTS) के नवाचारी शोधकर्ताओं के कार्य के धन्यवाद। उनका अध्ययन1 टॉर्क क्लस्टरिंग नामक एक नए एल्गोरिद्म में गहराई से जाता है, जो आकाशगंगा मर्ज के दौरान उत्पन्न गुरुत्वाकर्षण अंतःक्रियाओं से प्रेरित है।
नई विधि AI सिस्टमों के सीखने के तरीके में क्रांति ला सकती है, अधिक कुशल स्वायत्त AI का युग शुरू कर सकती है। यहाँ वह सब कुछ है जो आपको जानना चाहिए।
वर्तमान सीखने की विधियाँ
The current method used to train the majority of AI protocols relies on supervised learning. This technique can require human operators to spend thousands of hours labeling data. The labeled data enables the AI to better categorize data based on its values.
AI प्रोटोकॉल के अधिकांश को प्रशिक्षित करने के लिए वर्तमान विधि सुपरवाइज़्ड लर्निंग पर निर्भर करती है। इस तकनीक में मानव ऑपरेटरों को डेटा को लेबल करने में हजारों घंटे खर्च करने पड़ सकते हैं। लेबल किया गया डेटा AI को उसके मानों के आधार पर डेटा को बेहतर वर्गीकृत करने में सक्षम बनाता है।
You may not be aware, but you probably have helped train AI systems in the past. If you have ever filled out a captcha when entering a website to confirm that you’re not a robot, then you have labeled data for AI systems. This data was used to create large models on which AI systems could build.
आप शायद नहीं जानते हों, लेकिन आपने संभवतः पहले AI सिस्टमों को प्रशिक्षित करने में मदद की है। यदि आपने कभी वेबसाइट में प्रवेश करते समय यह पुष्टि करने के लिए कैप्चा भरा है कि आप रोबोट नहीं हैं, तो आपने AI सिस्टमों के लिए डेटा लेबल किया है। यह डेटा बड़े मॉडलों को बनाने के लिए उपयोग किया गया था, जिन पर AI सिस्टम निर्माण कर सकते थे।
एआई-संचालित रोबोट
आज के AI प्रशिक्षण में समस्याएँ
The main problem with this method is that it’s time-consuming, expensive, and not adaptable to new data. The cost of creating a new model using this method is much higher than if you could simply tell the AI system to learn autonomously. Additionally, this strategy requires developers to program new models for each system, adding to the overall expense of expanding AI projects.
इस विधि की मुख्य समस्या यह है कि यह समय‑साध्य, महंगी और नए डेटा के अनुकूल नहीं है। इस विधि से नया मॉडल बनाना बहुत अधिक लागत वाला है, जबकि यदि आप AI सिस्टम को स्वायत्त रूप से सीखने के लिए कह सकें तो लागत कम हो जाएगी। इसके अतिरिक्त, इस रणनीति के लिए प्रत्येक सिस्टम के लिए नए मॉडल को प्रोग्राम करना आवश्यक है, जिससे AI परियोजनाओं के विस्तार की कुल लागत बढ़ती है।
टॉर्क क्लस्टरिंग अध्ययन
A study published in the scientific journal IEEE Transactions on Pattern Analysis and Machine Intelligence labeled “Autonomous Clustering by Fast Find of Mass and Distance Peaks” introduces a more natural method to teach AI systems.
वैज्ञानिक जर्नल IEEE Transactions on Pattern Analysis and Machine Intelligence में प्रकाशित एक अध्ययन, जिसका शीर्षक “Autonomous Clustering by Fast Find of Mass and Distance Peaks” है, AI सिस्टमों को सिखाने की एक अधिक स्वाभाविक विधि प्रस्तुत करता है।
It allows these protocols to recognize patterns independently by analyzing data structures without requiring human-labeled datasets. This approach is an advancement in unsupervised learning, reducing reliance on costly labeled data.
यह प्रोटोकॉल को डेटा संरचनाओं का विश्लेषण करके स्वतंत्र रूप से पैटर्न पहचानने की अनुमति देता है, बिना मानव‑लेबल्ड डेटासेट की आवश्यकता के। यह दृष्टिकोण अनसुपरवाइज़्ड लर्निंग में एक प्रगति है, महंगे लेबल्ड डेटा पर निर्भरता को कम करता है।
टॉर्क क्लस्टरिंग
The new AI algorithm is called Torque Clustering, and it has the potential to revolutionize the market. Inspired by the torque balance in gravitational interactions when galaxies merge, it utilizes two universal properties—mass and distance—to uncover intricate patterns. This capability has made Torque Clustering a sought-after algorithm for biology, psychology, finance, chemistry, astronomy, and medical research.
नया AI एल्गोरिद्म टॉर्क क्लस्टरिंग कहलाता है, और यह बाजार में क्रांति लाने की क्षमता रखता है। आकाशगंगाओं के मिलन के दौरान गुरुत्वाकर्षण अंतःक्रियाओं में टॉर्क संतुलन से प्रेरित, यह दो सार्वभौमिक गुण—द्रव्यमान और दूरी—का उपयोग करके जटिल पैटर्न उजागर करता है। इस क्षमता ने टॉर्क क्लस्टरिंग को जीवविज्ञान, मनोविज्ञान, वित्त, रसायन विज्ञान, खगोल विज्ञान और चिकित्सा अनुसंधान में एक मांग वाला एल्गोरिद्म बना दिया है।
क्लस्टरिंग
The concept of clustering refers to a protocol grouping similar data points. This grouping is usually based on a core characteristic. As such, it eliminates the need to label items, saving money, time, and effort.
क्लस्टरिंग की अवधारणा का अर्थ है समान डेटा बिंदुओं को समूहित करने वाली प्रोटोकॉल। यह समूह बनाना आमतौर पर एक मुख्य विशेषता पर आधारित होता है। इस प्रकार, यह वस्तुओं को लेबल करने की आवश्यकता को समाप्त करता है, जिससे पैसा, समय और प्रयास बचता है।
Clustering works on some universal principles. For one, clusters will merge with their closest neighbor if it has a greater mass. The exception to this rule is if there is a lot of distance between them, or both have a very large mass that counteracts each other.
क्लस्टरिंग कुछ सार्वभौमिक सिद्धांतों पर काम करता है। एक नियम के अनुसार, क्लस्टर अपने सबसे निकटतम पड़ोसी के साथ मिलेंगे यदि उसका द्रव्यमान अधिक हो। इस नियम का अपवाद तब होता है जब उनके बीच बहुत दूरी हो, या दोनों का द्रव्यमान बहुत बड़ा हो जो एक-दूसरे को प्रतिकूल करता है।
गलत मर्ज
The algorithm can detect and eliminate incorrect mergers autonomously. It does this by analyzing mass and distance peaks to determine the most natural clusters. The process is fast and doesn’t require any human intervention, meaning it’s far more efficient to operate.
एल्गोरिद्म स्वायत्त रूप से गलत मर्ज को पहचान और समाप्त कर सकता है। यह द्रव्यमान और दूरी के शिखरों का विश्लेषण करके सबसे स्वाभाविक क्लस्टर निर्धारित करता है। प्रक्रिया तेज़ है और किसी मानव हस्तक्षेप की आवश्यकता नहीं होती, जिसका अर्थ है कि यह संचालन में बहुत अधिक कुशल है।
टॉर्क क्लस्टरिंग परीक्षण
Testing the Torque Clustering AI algorithm involved applying it to 1,000 diverse datasets. These datasets included real-world data alongside synthetic information designed to test the AI’s ability to determine patterns. The researchers conducted a variety of experiments with varying results.
टॉर्क क्लस्टरिंग AI एल्गोरिद्म का परीक्षण 1,000 विविध डेटासेट पर लागू करके किया गया। इन डेटासेट में वास्तविक दुनिया का डेटा और सिंथेटिक जानकारी शामिल थी, जो AI की पैटर्न निर्धारित करने की क्षमता का परीक्षण करने के लिए बनाई गई थी। शोधकर्ताओं ने विभिन्न परिणामों के साथ कई प्रयोग किए।
टॉर्क क्लस्टरिंग परीक्षण परिणाम
The Torque Clustering testing provided some interesting data. For one, it proved that this algorithm is capable of outperforming traditional unsupervised learning methods. Specifically, the protocol hit a 97.7% average adjusted mutual information (AMI) score, which is used to measure clustering accuracy. In comparison, other leading clustering methods typically achieve AMI scores in the 80% range.
टॉर्क क्लस्टरिंग परीक्षण ने कुछ रोचक डेटा प्रदान किया। एक बात यह सिद्ध हुई कि यह एल्गोरिद्म पारंपरिक अनसुपरवाइज़्ड लर्निंग विधियों से बेहतर प्रदर्शन कर सकता है। विशेष रूप से, प्रोटोकॉल ने 97.7% औसत समायोजित पारस्परिक सूचना (AMI) स्कोर हासिल किया, जो क्लस्टरिंग सटीकता को मापने के लिए उपयोग किया जाता है। तुलना में, अन्य प्रमुख क्लस्टरिंग विधियां आमतौर पर 80% के आसपास AMI स्कोर प्राप्त करती हैं।
टॉर्क क्लस्टरिंग अध्ययन
There are many benefits that this study brings to the market. For one, the entire project is open source, meaning that other engineers can verify and build on their progress. This decision will help to further fully autonomous, parameter-free, high-performance AI systems.
इस अध्ययन के बाजार में कई लाभ हैं। एक बात यह है कि पूरा प्रोजेक्ट ओपन सोर्स है, जिसका अर्थ है कि अन्य इंजीनियर उनके प्रगति की पुष्टि कर सकते हैं और उस पर निर्माण कर सकते हैं। यह निर्णय पूरी तरह स्वायत्त, पैरामीटर‑मुक्त, उच्च‑प्रदर्शन AI सिस्टमों को आगे बढ़ाने में मदद करेगा।
कुशलता
The Torque Clustering AI programming method is far more efficient than its predecessors. It allows engineers to analyze massive datasets with minimal effort and improve results. Additionally, it offers a more versatile option that can adapt to changes in requirements on the fly.
टॉर्क क्लस्टरिंग AI प्रोग्रामिंग विधि अपने पूर्ववर्तियों की तुलना में बहुत अधिक कुशल है। यह इंजीनियरों को न्यूनतम प्रयास से विशाल डेटासेट का विश्लेषण करने और परिणामों में सुधार करने की अनुमति देती है। अतिरिक्त रूप से, यह एक अधिक बहुमुखी विकल्प प्रदान करती है जो आवश्यकताओं में बदलाव के साथ तुरंत अनुकूल हो सकती है।
Torque Clustering enables anyone to autonomously analyze vast amounts of data without having to take the time to manually label all the information. This reduces the workload and costs. The protocol can automatically locate and determine clusters, unique cluster types, noise, and how to optimize future searches.
टॉर्क क्लस्टरिंग किसी को भी स्वायत्त रूप से विशाल मात्रा में डेटा का विश्लेषण करने में सक्षम बनाता है, बिना सभी जानकारी को मैन्युअल रूप से लेबल करने में समय खर्च किए। यह कार्यभार और लागत को कम करता है। प्रोटोकॉल स्वचालित रूप से क्लस्टर, अनूठे क्लस्टर प्रकार, शोर और भविष्य की खोजों को अनुकूलित करने का तरीका निर्धारित कर सकता है।
अनुकूलनशीलता
Another major benefit is its versatility. Torque Clustering enables AI systems to adapt to diverse data types and varying structures without predefined parameters. Allowing engineers to create even more advanced state-of-the-art clustering techniques that can identify core elements without any human intervention.
एक और प्रमुख लाभ इसकी बहुमुखी प्रतिभा है। टॉर्क क्लस्टरिंग AI सिस्टमों को विविध डेटा प्रकारों और विभिन्न संरचनाओं के साथ पूर्वनिर्धारित पैरामीटरों के बिना अनुकूलित करने में सक्षम बनाता है। यह इंजीनियरों को और भी उन्नत अत्याधुनिक क्लस्टरिंग तकनीकें बनाने की अनुमति देता है जो किसी मानव हस्तक्षेप के बिना मुख्य तत्वों की पहचान कर सकती हैं।
टॉर्क क्लस्टरिंग AI अनुप्रयोग
There’s a long list of applications for Torque Clustering AI systems, as demand for advanced unsupervised learning techniques is on the rise in nearly every market. The ability to provide a system that can organize data autonomously is a huge advantage that is sure to spur investor and business interests. Here are a few other prime applications of this technology.
टॉर्क क्लस्टरिंग AI सिस्टमों के लिए अनुप्रयोगों की एक लंबी सूची है, क्योंकि लगभग हर बाजार में उन्नत अनसुपरवाइज़्ड लर्निंग तकनीकों की मांग बढ़ रही है। डेटा को स्वायत्त रूप से व्यवस्थित करने वाली प्रणाली प्रदान करने की क्षमता एक बड़ा लाभ है जो निवेशकों और व्यवसायों की रुचि को प्रज्वलित करने की गारंटी देती है। यहाँ इस तकनीक के कुछ प्रमुख अनुप्रयोग दिए गए हैं।
रोबोटिक्स
Torque Clustering could support future AI advancements in robotics. This technology could help robots process data more efficiently, optimize movement, and improve decision-making capabilities. While still in research stages, it has the potential to aid AI-powered automation in the future.
टॉर्क क्लस्टरिंग भविष्य में रोबोटिक्स में AI प्रगति को समर्थन दे सकता है। यह तकनीक रोबोटों को डेटा को अधिक कुशलता से प्रोसेस करने, गति को अनुकूलित करने और निर्णय‑निर्धारण क्षमताओं में सुधार करने में मदद कर सकती है। जबकि अभी भी अनुसंधान चरण में है, इसका भविष्य में AI‑संचालित स्वचालन को सहायता देने की संभावना है।
चिकित्सा क्षेत्र
This technology could find many future uses in the medical field. Its ability to determine hidden patterns could be valuable in diagnosing conditions and analyzing patient data. However, its direct application in real-world medical AI is still being explored.
यह तकनीक चिकित्सा क्षेत्र में कई भविष्य के उपयोग पा सकती है। छिपे हुए पैटर्न निर्धारित करने की इसकी क्षमता स्थितियों के निदान और रोगी डेटा के विश्लेषण में मूल्यवान हो सकती है। हालांकि, वास्तविक दुनिया के मेडिकल AI में इसका प्रत्यक्ष अनुप्रयोग अभी भी खोजा जा रहा है।
धोखाधड़ी रोकथाम
Another excellent use of this technology is to discover fraudulent activity. By analyzing large-scale datasets, AI can uncover subtle fraud patterns in financial transactions and cybersecurity.
इस तकनीक का एक और उत्कृष्ट उपयोग धोखाधड़ी गतिविधियों की खोज है। बड़े पैमाने के डेटासेट का विश्लेषण करके, AI वित्तीय लेन‑देन और साइबर सुरक्षा में सूक्ष्म धोखाधड़ी पैटर्न का पता लगा सकता है।
मानव मन को समझना
Many researchers believe this technology will help people understand the human mind better. Unsupervised clustering methods like this could be used in behavioral analysis and neuroscience research.
कई शोधकर्ता मानते हैं कि यह तकनीक लोगों को मानव मन को बेहतर समझने में मदद करेगी। इस प्रकार की अनसुपरवाइज़्ड क्लस्टरिंग विधियों का उपयोग व्यवहार विश्लेषण और न्यूरोसाइंस अनुसंधान में किया जा सकता है।
टॉर्क क्लस्टरिंग शोधकर्ता
This study was led by researchers from the University of Technology Sydney (UTS). Jie Yang and Chin-Teng Lin co-authored the study. The team now seeks to expand its efforts into other industries to promote advancements in AI-powered data analysis.
यह अध्ययन यूनिवर्सिटी ऑफ टेक्नोलॉजी सिडनी (UTS) के शोधकर्ताओं द्वारा नेतृत्व किया गया था। जे यांग और चिन‑टेंग लिन ने इस अध्ययन को सह‑लेखित किया। टीम अब AI‑संचालित डेटा विश्लेषण में प्रगति को बढ़ावा देने के लिए अपने प्रयासों को अन्य उद्योगों में विस्तारित करने की तलाश में है।
सफलता के लिए स्थित एक उद्योग नेता
Many companies rely on AI systems to operate. These firms could see major boosts in productivity as self-learning AI systems go live. Here is one company that is positioned to capitalize on this development and leverage its data to secure returns.
कई कंपनियां संचालन के लिए AI सिस्टमों पर निर्भर करती हैं। जैसे ही स्व‑शिक्षित AI सिस्टम लाइव होते हैं, इन फर्मों को उत्पादकता में बड़े बढ़ोतरी देखनी मिल सकती है। यहाँ एक कंपनी है जो इस विकास का लाभ उठाने और अपने डेटा का उपयोग करके रिटर्न सुरक्षित करने के लिए स्थित है।
INTUITIVE Surgical Inc
Intuitive Surgical Inc (ISRG ) 1995 में बाजार में आया ताकि सर्जिकल प्रक्रियाओं से रोगी परिणामों में सुधार हो सके। इसके संस्थापकों, फ्रेडरिक एच. मॉल, जॉन गॉर्डन फ्रॉइंड, और रॉबर्ट जी. यंग ने सटीक सर्जिकल रोबोटिक्स के लिए एक विशिष्ट बाजार देखा।
Since its launch, the company has secured millions in backing and launched several revolutionary products. Additionally, Intuitive Surgical has received Multiple FDA approvals on next-generation robotics. Its da Vinci surgical systems are its best-known offering. This device provides highly accurate assistance, resulting in large-scale integration across many hospital systems.
अपने लॉन्च के बाद से, कंपनी ने मिलियनों की फंडिंग सुरक्षित की है और कई क्रांतिकारी उत्पाद लॉन्च किए हैं। अतिरिक्त रूप से, Intuitive Surgical ने अगली पीढ़ी के रोबोटिक्स पर कई FDA अनुमोदन प्राप्त किए हैं। इसके da Vinci सर्जिकल सिस्टम इसके सबसे प्रसिद्ध उत्पाद हैं। यह उपकरण अत्यधिक सटीक सहायता प्रदान करता है, जिससे कई अस्पताल प्रणालियों में बड़े पैमाने पर एकीकरण हुआ है।
(ISRG )
Despite being sued for monopolistic practices in 2021, Intuitive Surgical remains a leader in the AI robotics department. Introducing a faster and more accurate training process would help the company to secure additional revenue and open the door for more use case scenarios for its products. As such, ISRG remains a strong “hold” for most analysts.
2021 में एकाधिकारवादी प्रथाओं के लिए मुकदमा दायर किए जाने के बावजूद, Intuitive Surgical AI रोबोटिक्स विभाग में एक नेता बना हुआ है। एक तेज़ और अधिक सटीक प्रशिक्षण प्रक्रिया का परिचय कंपनी को अतिरिक्त राजस्व सुरक्षित करने और अपने उत्पादों के लिए अधिक उपयोग केस परिदृश्यों के द्वार खोलने में मदद करेगा। इस प्रकार, ISRG अधिकांश विश्लेषकों के लिए एक मजबूत “होल्ड” बना रहता है।
टॉर्क क्लस्टरिंग AI सीखने का भविष्य
The future of AI clustering methods is autonomy in data processing. By reducing reliance on supervised learning, Torque Clustering represents a step toward more independent AI-driven pattern recognition. As such, you can expect to see unsupervised AI clustering become more popular as the technology improves.
भविष्य में, टॉर्क क्लस्टरिंग कई क्षेत्रों में AI सिस्टमों को आगे बढ़ाने में महत्वपूर्ण भूमिका निभा सकता है, यह परिष्कृत करता है कि AI स्वायत्त रूप से डेटा को कैसे व्यवस्थित और व्याख्या करता है।
In the future, Torque Clustering could play a significant role in advancing AI systems in multiple sectors, refining how AI autonomously organizes and interprets data.
अब अन्य शानदार AI परियोजनाओं के बारे में जानें now.
अध्ययन संदर्भ:
1. Yang, J., & Lin, C.-T. (2025). Autonomous clustering by fast find of mass and distance peaks. IEEE Transactions on Pattern Analysis and Machine Intelligence. https://doi.org/10.1109/TPAMI.2025.3535743
