The State of Machine Learning
2020 में द स्टेट ऑफ मशीन लर्निंग
1.Understanding the Subsets and Aspects of Machine Learning
2.Sample Applications of Machine Learning
3.Significant Challenges Facing the Machine Learning Industry
4.The Black Box Problem
5.Shortage of Skilled Labor
6.Data Availability and Privacy Concerns
7.Complexity and Limitations
8.What’s Next for Machine Learning?
यह उल्लेखनीय है कि कुछ ही दशकों में मशीन लर्निंग, आर्टिफिशियल इंटेलिजेंस और डीप लर्निंग के क्षेत्र में कितनी प्रगति हुई है। अपनी विनम्र शुरुआत से, AI और एल्गोरिथम कार्यक्षमता ने उद्योगों और उद्यम उपयोग के मामलों की एक भीड़ के लिए विस्तार किया है, हर दिन अधिक से अधिक कंपनियां इन तरीकों को अपना रही हैं।
इसके प्रमाण के रूप में, ओ रेली मीडिया (वार्षिक ओ रेली स्ट्राटा डेटा और एआई कॉन्फ्रेंस के मेजबान) ने हाल के अध्ययन "द स्टेट ऑफ मशीन लर्निंग इन द एंटरप्राइज" में पाया कि 49% संगठनों ने बताया कि वे खोज रहे थे या "बस देख रहे थे" मशीन लर्निंग की तैनाती में, जबकि 51% के मामूली बहुमत ने शुरुआती दत्तक (36%) या परिष्कृत उपयोगकर्ता (15%) होने का दावा किया।
यह डेटा, जबकि पूरी तरह से व्यापक नहीं है, 2020 में बढ़ते रुझान और मशीन लर्निंग और एआई अनुप्रयोगों से परे का संकेत है। मशीन लर्निंग (डेटा माइनिंग, एडवांस्ड एल्गोरिदम और प्रेडिक्टिव एनालिटिक्स) के कुछ पहलू विशेष रूप से मांग में हैं, जो 21 वीं सदी के कारोबारी माहौल में सूचना प्रसंस्करण और विश्लेषण की बढ़ती भूमिका को दर्शाते हैं।
लेकिन जहां मशीन लर्निंग की स्थिति पहले से कहीं अधिक मजबूत और रोमांचक है, वहीं उद्यम के उपयोगकर्ताओं और इस क्षेत्र में नवाचार करने वाले शोधकर्ताओं के लिए कई तरह की चुनौतियां बनी हुई हैं। विभिन्न बाजार वर्टिकल की विशिष्ट आवश्यकताओं की विशिष्ट बाधाओं से, वित्तीय और तकनीकी बाधाओं के लिए अभी भी एंटरप्राइज़ उपयोगकर्ताओं के व्यापक आधार के लिए व्यापक गोद लेना सीमित है, मशीन लर्निंग विकास और एकीकरण अभी भी एक व्यापक विकास कर रहा है। यह गाइड 2020 में मशीन लर्निंग की स्थिति के आसपास कुछ अधिक हड़ताली रुझानों और महत्वपूर्ण चुनौतियों को उजागर करेगा।
1.Understanding the Subsets and Aspects of Machine Learning
मशीन लर्निंग के सब्स्क्राइब और पहलू को समझना
वाक्यांश 'मशीन लर्निंग' में काफी वृद्धि हुई है, क्योंकि उद्योग के पेशेवरों ने इस शब्द का उपयोग गहरी शिक्षा, एआई और भविष्य कहनेवाला स्वचालन के आसपास नए और व्यापक नवाचारों को शामिल करने के लिए किया है।
शायद शब्द को परिभाषित करने के सर्वोत्तम तरीकों में से एक का उपयोग बर्नार्ड मार्र ने अपने 2016 के लेख में किया था कि आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग के बीच अंतर क्या है। इसमें, वह मशीन लर्निंग को "एक तरह से कार्यों को करने में सक्षम होने की व्यापक अवधारणा जिसे हम स्मार्ट समझेंगे" के रूप में परिभाषित करता है, जबकि मशीन लर्निंग "इस विचार के चारों ओर एआई का एक वर्तमान अनुप्रयोग है जिसे हमें वास्तव में होना चाहिए। मशीनों को डेटा तक पहुंच प्रदान करने और उन्हें स्वयं सीखने की क्षमता प्रदान करने में सक्षम है ”।
मार्र की परिभाषा उपयोगी है, क्योंकि यह अस्तित्व में और साथ ही विकसित किए जा रहे उपकरणों की व्यापक सरणी को कैप्चर करता है जो मशीनों को मानव प्रक्रियाओं में सुधार करने और उनके तेजी से कंप्यूटिंग और प्रसंस्करण शक्ति के आधार पर निर्णय लेने के लिए अनुमति देता है। इस प्रयास को क्लाउड सेवाओं के निरंतर विस्तार और एक साथ प्रसंस्करण और नेटवर्क की गति में वृद्धि के द्वारा सुपरचार्ज किया गया है, जिसने सीखने के लिए मशीनों को बढ़ावा देने और सुधारने के लिए उपलब्ध संसाधनों का विस्तार करना जारी रखा है।
मशीन सीखने के विशिष्ट उपसमूह या "वर्टिकल" के संदर्भ में, इस छतरी के नीचे शामिल कुछ प्रमुख क्षेत्र हैं:
विश्लेषिकी मंच
भविष्य कहनेवाला एल्गोरिदम
भौतिक अनुप्रयोग में कृत्रिम बुद्धिमत्ता (रोबोटिक्स, स्वचालित वाहन आदि)
सिफारिश इंजन
भू-स्थानिक विश्लेषण
तंत्रिका जाल
सीखने को सुनिश्चित करना
वीडियो विश्लेषण और चेहरे की पहचान सॉफ्टवेयर
मॉडल प्रबंधन और शासन
पदानुक्रमित क्लस्टरिंग
2. Sample Applications of Machine Learning
मशीन लर्निंग के नमूना अनुप्रयोग
जबकि इंटरनेट और मोबाइल उपकरणों के माध्यम से एकत्र की गई जानकारी का खजाना हमेशा टेक और व्यापक व्यापार क्षेत्र के विशेषज्ञों के लिए जाना जाता है, प्रभावी पूर्वानुमान एल्गोरिदम और एनालिटिक्स टूल के उद्भव ने उस डेटा को व्याख्या करने, लागू करने और हेरफेर करने की अनुमति दी है। इस से पहले।
इसके संकेत, Dresner सलाहकार सेवा की 6 वीं वार्षिक 2019 डेटा विज्ञान और मशीन लर्निंग मार्केट स्टडी ने उद्योग के रुझानों का अध्ययन किया और उद्यम मामलों में डेटा विज्ञान की जरूरतों के विकास के आसपास कई अद्वितीय डेटा बिंदुओं को पाया:
डेटा माइनिंग, उन्नत एल्गोरिदम और भविष्य कहनेवाला विश्लेषण 2019 में AI और मशीन लर्निंग को अपनाने वाले उद्यमों के लिए सर्वोच्च प्राथमिकता वाली परियोजनाओं में से थे। रिपोर्टिंग, डैशबोर्ड्स, डेटा एकीकरण और उन्नत विज़ुअलाइज़ेशन आज बिजनेस इंटेलिजेंस (BI) के लिए महत्वपूर्ण प्रौद्योगिकियां और पहल हैं। ।
विपणन और बिक्री टीमों के 40% का कहना है कि डेटा विज्ञान (एआई और मशीन सीखने सहित) एक विभाग के रूप में निरंतर सफलता के लिए आवश्यक है। बिजनेस इंटेलिजेंस कॉम्पिटेंसी सेंटर (BICC), R & D, और कार्यकारी प्रबंधन पेशेवर अगले सबसे अधिक लगे हुए हैं।
इन क्षेत्रों में पेशेवर एनालिटिक्स टूल्स और भविष्य के व्यवहार मॉडलिंग के लिए बढ़ती रुचि (और मांग) का हवाला देते हैं जो नए संभावित राजस्व धाराओं और मौजूदा और संभावित ग्राहक डेटा के बेहतर हेरफेर और उपयोग की अनुमति देता है।
ये डेटा बिंदु केवल इस बात की पुष्टि करते हैं कि मशीन लर्निंग के इन विशिष्ट सबसेट के भीतर कितने काम कर रहे हैं और एआई को पहले से ही पता है - कि व्यवसाय ऐसे उपकरणों की तलाश कर रहे हैं जो अब केवल डेटा एकत्र नहीं करते हैं, लेकिन सक्रिय रूप से और गतिशील रूप से मॉडल करते हैं और वास्तविक समय में जवाब देते हैं।
इन क्षेत्रों में मशीन लर्निंग और डेटा साइंस टूल्स के निरंतर अनुकूलन की क्षमता व्यवसायों को डेटा-संचालित विकल्पों के लिए पारंपरिक (और पुरातन) विपणन और बिक्री रणनीतियों को त्यागने की क्षमता प्रदान करती है। बेहतर अनुमानित उपकरणों के साथ, कंपनियों के पास लीडिंग जेनरेशन और कस्टमर रिटेंशन के आसपास खर्चों को सुव्यवस्थित करने की क्षमता होगी, बजाय मशीन सीखने और भविष्य कहे जाने वाले एल्गोरिदम पर भरोसा करते हुए, ग्राहकों की ज़रूरतों और संभावित समस्याओं का पूर्वानुमान लगाने और मुद्दों के आने से पहले ही निर्णय लेने की क्षमता।
3.Significant Challenges Facing the Machine Learning Industry
मशीन लर्निंग इंडस्ट्री का सामना करने वाली महत्वपूर्ण चुनौतियाँ
हालांकि मशीन सीखने के क्षेत्रों में संभावित और निरंतर नवाचार निश्चित रूप से आशाजनक हैं, कुछ पर्याप्त बाधाएं सभी उद्योगों में व्यापक रूप से अपनाने और व्यापक अनुप्रयोगों के लिए बनी हुई हैं। विभिन्न प्रमुख डेटा विज्ञान संगठनों और अकादमिक अध्ययनों की रिपोर्टों के आधार पर, मुख्य चुनौतियां जिन्हें अभी भी निरंतर विस्तार और विकास के लिए अनुमति देने के लिए हल करने की आवश्यकता है:
4.The Black Box Problem
ब्लैक बॉक्स समस्या
मशीन लर्निंग के शुरुआती पुनरावृत्तियों ने अक्सर "निर्णय ट्री एल्गोरिदम" का पालन किया और मानव पर्यवेक्षकों द्वारा सिखाए गए नियमों का कड़ाई से पालन किया। हालांकि इसने प्रसंस्करण को काफी सरल और सीमित कर दिया, निर्णय वृक्ष के डिजाइन ने यह भी सुनिश्चित किया कि पर्यवेक्षकों को पता था कि एक मशीन अपने निर्णय कैसे ले रही है और तदनुसार अनुकूलित कर सकती है।
हालांकि, अधिक आधुनिक गहन शिक्षण एल्गोरिदम डेटा के एक पदानुक्रमित प्रतिनिधित्व को विकसित करते हैं - एक डिजाइन जो उन्हें अपनी समझ का निर्माण करने की अनुमति देता है। डेटा के बड़े सेट का विश्लेषण करने के बाद, तंत्रिका नेटवर्क सीख सकते हैं कि विशिष्ट वस्तुओं या लक्ष्यों को उनके पूर्ववर्तियों की तुलना में अधिक सटीकता के साथ कैसे पहचाना जाए। हालांकि, पर्यवेक्षक अभी भी यह पता लगा रहे हैं कि वे इसे कैसे करते हैं - जिसे हम "ब्लैक बॉक्स समस्या" कहते हैं।
यह समझने में असमर्थता है कि मशीन कैसे सोच रही है और कृत्रिम बुद्धि के आसपास सांस्कृतिक और सामाजिक भय में खेलती है - सादे शब्दों में, लोग उन मशीनों पर भरोसा नहीं करते हैं जो सोचते हैं और उनके जैसे कार्य करते हैं जब वे व्यवहार के पीछे की प्रक्रिया को नहीं समझते हैं। मशीन लर्निंग एडॉप्शन को आगे बढ़ाने के लिए यह एक बहुत ही वास्तविक समाजशास्त्रीय चुनौती है - जब तक कि मशीन लर्निंग को बेहतर तरीके से नहीं समझा जाता है, और यह समझ एंड यूजर्स को मिल जाती है (जैसे, कोई व्यक्ति उनकी नेटफ्लिक्स की सिफारिशों पर विचार करता है) ट्रस्ट बाधा आगे के व्यापक उपयोग को रोकना जारी रख सकता है।
कुशल श्रम की कमी
हालांकि मशीन सीखने की क्षमता के बारे में उत्तेजना व्यापक है, दुर्भाग्य से, वास्तव में विशेषज्ञों का विकास क्षेत्र में पारंगत है और प्रौद्योगिकी ने काफी तेजी नहीं पकड़ी है। तकनीक के हर सीमित नाम पर प्रतिभा के बहुत सीमित पूल (कुछ अनुमानों, 10,000 सच्चे विशेषज्ञों के अनुसार) के साथ, मशीन लर्निंग विशेषज्ञों पर बोली लगाने वाले युद्ध ने अधिकांश कंपनियों को बड़े खिलाड़ियों से बाहर रखा है।
न केवल इसका मतलब है कि किसी भी मशीन सीखने की जरूरतों के लिए कम उम्मीदवार हैं, बल्कि यह भी कि कम-योग्य या प्रतिभाशाली उम्मीदवारों की अभी भी अत्यधिक दरों पर कीमत है। इस क्षेत्र के विभिन्न अध्ययनों में पाया गया है कि औसत मशीन लर्निंग विशेषज्ञ हर साल सैकड़ों डॉलर में सैलरी कमाते हैं, जिसमें टॉप-एंड तकनीशियन लाखों की कमाई करते हैं। इसके प्रमाण के रूप में, 2016 में एक अदालत में दाखिल होने पर, Google ने खुलासा किया कि उसके स्वयं-ड्राइविंग-कार डिवीजन के नेताओं में से एक ने Google के प्रतियोगी - उबेर के लिए जाने से पहले प्रोत्साहन में $ 120 मिलियन कमाए।
हालांकि आशावादी इस मांग और प्रतिभा की कमी को मशीन सीखने की संभावनाओं के बड़े पैमाने पर संभावित और तेजी से विकास के सबूत के रूप में पढ़ेंगे, अधिक निराशावादी दृष्टिकोण यह है कि बड़े पैमाने पर प्रतिभा की कमी मशीन विकास के व्यापक विकास और अनुप्रयोगों के लिए एक गंभीर सीमा है। अधिक कुशल विशेषज्ञों के बिना, कॉर्पोरेट हेवीवेट और सरकारी संस्थाओं से उद्योग में अग्रिमों के फैल-डाउन पर भरोसा करने के लिए औसत कंपनियों को मजबूर किया जाएगा।
5.Shortage of Skilled Labor
कुशल श्रम की कमी
हालांकि मशीन सीखने की क्षमता के बारे में उत्तेजना व्यापक है, दुर्भाग्य से, वास्तव में विशेषज्ञों का विकास क्षेत्र में पारंगत है और प्रौद्योगिकी ने काफी तेजी नहीं पकड़ी है। तकनीक के हर सीमित नाम पर प्रतिभा के बहुत सीमित पूल (कुछ अनुमानों, 10,000 सच्चे विशेषज्ञों के अनुसार) के साथ, मशीन लर्निंग विशेषज्ञों पर बोली लगाने वाले युद्ध ने अधिकांश कंपनियों को बड़े खिलाड़ियों से बाहर रखा है।
न केवल इसका मतलब है कि किसी भी मशीन सीखने की जरूरतों के लिए कम उम्मीदवार हैं, बल्कि यह भी कि कम-योग्य या प्रतिभाशाली उम्मीदवारों की अभी भी अत्यधिक दरों पर कीमत है। इस क्षेत्र के विभिन्न अध्ययनों में पाया गया है कि औसत मशीन लर्निंग विशेषज्ञ हर साल सैकड़ों डॉलर में सैलरी कमाते हैं, जिसमें टॉप-एंड तकनीशियन लाखों की कमाई करते हैं। इसके प्रमाण के रूप में, 2016 में एक अदालत में दाखिल होने पर, Google ने खुलासा किया कि उसके स्वयं-ड्राइविंग-कार डिवीजन के नेताओं में से एक ने Google के प्रतियोगी - उबेर के लिए जाने से पहले प्रोत्साहन में $ 120 मिलियन कमाए।
हालांकि आशावादी इस मांग और प्रतिभा की कमी को मशीन सीखने की संभावनाओं के बड़े पैमाने पर संभावित और तेजी से विकास के सबूत के रूप में पढ़ेंगे, अधिक निराशावादी दृष्टिकोण यह है कि बड़े पैमाने पर प्रतिभा की कमी मशीन विकास के व्यापक विकास और अनुप्रयोगों के लिए एक गंभीर सीमा है। अधिक कुशल विशेषज्ञों के बिना, कॉर्पोरेट हेवीवेट और सरकारी संस्थाओं से उद्योग में अग्रिमों के फैल-डाउन पर भरोसा करने के लिए औसत कंपनियों को मजबूर किया जाएगा।
6.Data Availability and Privacy Concerns
डेटा उपलब्धता और गोपनीयता चिंताएँ
जैसा कि पहले उल्लेख किया गया है, मशीन कंप्यूटिंग की वृद्धि केवल क्लाउड कंप्यूटिंग, डेटा प्रोसेसिंग और कनेक्टिविटी में तेजी से प्रगति के कारण संभव हुई है जो पिछले कुछ वर्षों में उभरी है। चूंकि उन्नत मशीन सीखने की प्रक्रियाएं संचालित करने के लिए अधिक से अधिक डेटा का उपभोग करती हैं, क्लाउड सेवाओं के निरंतर अनुकूलन और डेटा ट्रांसफर को संयोजन में वृद्धि की आवश्यकता होगी।
लेकिन यह मुख्य डेटा समस्या को छोड़ देता है जब यह मशीन सीखने - पहुंच में आता है। हालांकि क्लाउड सेवाओं ने विश्वसनीय सर्वर क्षमता और भंडारण खोजने के आसपास के खर्चों और सिरदर्द में काफी कटौती की है, लेकिन डेटा तक पहुंचने के साथ-साथ व्यक्तिगत डेटा के उपयोग और भंडारण के बारे में गोपनीयता की चिंताओं के साथ-साथ मुद्दे उत्पन्न हुए हैं।
हाल ही में विकसित यूरोपीय जनरल डेटा प्रोटेक्शन रेगुलेशन (जीडीपीआर) की तुलना में इसका कोई और स्पष्ट उदाहरण नहीं है, जो प्रमुख तकनीकी कंपनियों द्वारा बहुत संघर्ष किया गया था, लेकिन गोपनीयता मापदंडों को स्थापित किया गया था जो व्यक्तिगत डेटा का उपयोग करने और इकट्ठा करने के लिए पिछली क्षमताओं को गंभीर रूप से सीमित करते हैं। जबकि यह नियमन यूरोपीय संघ के लिए विशिष्ट है, दुनिया भर की सरकारों में इसी तरह के विनियमन प्रश्नों पर बहस हो रही है।
7.Complexity and Limitations
जटिलता और सीमाएँ
एक अतिरिक्त बाधा जो मशीन सीखने की वृद्धि का मूल्यांकन करते समय अक्सर भूल जाती है कि वास्तव में कितने नए और अनछुए कई पहलू हैं। यह सच है कि सबसे बड़ी तकनीकी कंपनियां ओपन सोर्स फ्रेमवर्क पर महत्वपूर्ण पूंजी खर्च करती हैं (उदाहरण के लिए, Google TensorFlow प्रदान करता है, और Microsoft ओपन न्यूरल नेटवर्क एक्सचेंज (ONNX) विकसित करने में फेसबुक के साथ सहयोग करता है।
हालाँकि, ये सभी वातावरण बहुत छोटे हैं। TensorFlow का पहला संस्करण फरवरी 2017 में जारी किया गया था, जबकि एक अन्य लोकप्रिय पुस्तकालय PyTorch, अक्टूबर 2017 में सामने आया था। इसकी तुलना में, कुछ अधिक लोकप्रिय वेब एप्लिकेशन डेवलपमेंट फ्रेमवर्क "टेक" वर्षों में काफी पुराने हैं - रूबी अब रेल्स में है पंद्रह साल पुराना है, और पायथन-आधारित Django एक दशक से अधिक समय से उपयोग में है।
यह सिर्फ यह दर्शाता है कि कई लोगों के लिए, मशीन सीखने की क्षमता के आसपास के सपने और सपने अभी तकनीक की व्यावहारिक क्षमताओं से बहुत दूर हैं। हालांकि प्रतीत होता है कि असीम उपयोग के मामले हैं (ऊपर व्यावसायिक उद्यम उदाहरण से परे), फिर भी उन तक पहुंचने के लिए व्यापक वित्तीय, तकनीकी और सामाजिक बाधाएं हैं। लेकिन यह जरूरी नहीं कि तकनीक की निंदा हो - यह तकनीक के सापेक्ष नएपन की एक वास्तविकता मात्र है।
8.What’s Next for Machine Learning?
मशीन लर्निंग के लिए आगे क्या है?
तो अगर यह यथास्थिति है, तो मशीन सीखना यहाँ से कहाँ जाता है? अपने विकास को जारी रखने और उपरोक्त सीमाओं को पार करने के लिए क्षेत्र में नवाचार के व्यक्तियों, शैक्षिक संस्थानों और कॉर्पोरेट और सरकारी ड्राइवरों से क्या कदम उठाने की आवश्यकता है? यहाँ कुछ पहलें हैं जो निकट अवधि में मदद कर सकती हैं:
आर एंड डी में विस्तारित निवेश
हालांकि कई कंपनियां मशीन सीखने में वर्षों तक (या यहां तक कि दशकों) का भुगतान नहीं कर सकती हैं, जो कि मशीन लर्निंग में प्रत्यक्ष भुगतान करने के लिए मितभाषी हैं, मशीन लर्निंग के उपयोग की लंबी अवधि की संभावनाएं रिटर्न की संभावना को बढ़ाती हैं जो तेजी से अधिक हैं। कंपनियों को अपने उपकरणों की क्षमता का विस्तार जारी रखने के लिए मशीन अनुसंधान के आगे के अनुसंधान, परीक्षण और आवेदन को बढ़ावा देने में संतुलित जोखिम लेना जारी रखना चाहिए।
बेहतर शैक्षणिक और प्रशिक्षण मार्ग
हालांकि कई प्रमुख विश्वविद्यालय संभावित डेटा वैज्ञानिकों और तकनीशियनों के लिए उच्च-गुणवत्ता वाले अनुसंधान और शैक्षणिक अवसर प्रदान करते हैं, लेकिन यह संख्या ऊपर मौजूद "ब्रेन ड्रेन" को काउंटर करने के लिए पर्याप्त नहीं है जो वर्तमान में योग्य टेक पूल को सीमित करता है। शैक्षिक संस्थानों और सरकारी नीतियों को इस बढ़ती मांग और संभावित आवश्यकता को स्वीकार करना चाहिए, और मौजूदा पूल को और अधिक गुणवत्ता वाले तकनीशियनों को ड्राइव करने के लिए पाठ्यक्रम और प्रशिक्षण कार्यक्रमों को अनुकूलित करना चाहिए - दोनों मौजूदा मांग को पूरा करने और अंतरिक्ष में अधिक कंपनियों को प्रवेश करने के लिए वेतन मुद्रास्फीति को रोकने के लिए।
पब्लिक ट्रस्ट का निर्माण जारी रखें
मशीन सीखने को केवल कुछ विशेषज्ञों और उद्योग के नेताओं द्वारा ही समझा जाता है, कम जनता समझेगी कि यह कैसे काम करता है - और इस प्रकार, ब्लैक बॉक्स समस्या बनी रहेगी। चाहे वह नेटफ्लिक्स और अन्य लोगों द्वारा किए गए कार्यों के माध्यम से हो, जो यह बताता है कि उनके भविष्य कहनेवाला एल्गोरिदम कैसे काम करते हैं, या बेहतर प्रचार और सगाई के अवसरों के माध्यम से मशीन सीखने को सामान्य नागरिकों और अंतिम उपयोगकर्ताओं के लिए भरोसेमंद और समझने योग्य बनाते हैं, मशीन सीखने में निवेश और विकास के पीछे सार्वजनिक समर्थन को प्रेरित करते हैं। विकास को गति देने के लिए आवश्यक पहल की कुंजी।
शेयर
Comments