मशीन लर्निंग क्या है?

मशीन लर्निंग के प्रकार

मशीन लर्निंग की हिस्ट्री

जबकि ML सुनने में नई टेक्नोलॉजी लग सकती है, लेकिन यह कई दशकों से मौजूद है. आज जिस मशीन लर्निंग को हम जानते हैं, उसकी जड़ें 1940 के दशक तक पुरानी हैं.

1940 का दशक

1943 में, वॉरेन मैककुलॉच और वाल्टर पिट्स ने पहला न्यूरल नेटवर्क बनाया. इससे कंप्यूटर्स इंसानी इंटरैक्शन के बिना एक-दूसरे से कम्यूनिकेट कर पाए.

1950 का दशक

एलन ट्यूरिंग ने यह तय करने के लिए Turing Test बनाया कि क्या मशीनें इंसानों की तरह बर्ताव कर सकती हैं. आज भी रिसर्चर्स यह देखने के लिए Turing Test का इस्तेमाल करते हैं कि क्या इंसान, इंसानों द्वारा जेनरेट किए गए और मशीन द्वारा जेनरेट किए गए आउटपुट्स के बीच अंतर बता सकते हैं.

1960 का दशक

थॉमस कवर और पीटर हार्ट ने K-Nearest Neighbours (KNN) एल्गोरिदम को पब्लिश किया जो ऐसे पहले ML एल्गोरिदम्स में से एक था जो बड़ी मात्रा में डेटा से पैटर्न्स की पहचान कर सकते थे.

1970 का दशक

पॉल वर्बोस ने 1974 में The Roots of Backpropagationटाइटल से एक डिज़र्टेशन लिखा था जिसने बैकप्रोपेगेशन का रास्ता बनाया — यह एक ऐसी टेक्नोलॉजी है जिससे न्यूरल नेटवर्क्स ज़्यादा सटीक रूप से पैटर्न्स की पहचान कर सकते हैं.

1980 का दशक

Explanation Based Learning (EBL) ने कंप्यूटर्स के लिए डेटा को एनालाइज़ करना और खुद को ट्रेन करना और गैर-ज़रूरी डेटा को नज़रअंदाज़ करना मुमकिन बनाया. आर्टिफ़िशियल न्यूरल नेटवर्क NetTalk ने भी सीखा कि इंगलिश टेक्स्ट को सही तरीके से कैसे प्रोनाउंस करें.

1990 का दशक

1997 में, IBM ने दुनिया को तब चौंका दिया जब इसके सुपरकंप्यूटर Deep Blue ने एक्सपर्ट इंसानी चेस खिलाड़ी को हरा दिया. इसने दुनिया को दिखाया कि मशीन लर्निंग न केवल इंसानी परफ़ॉर्मेंस को मैच कर सकती है बल्कि इससे आगे निकल सकती है.

2000 का दशक

एक फ़्री सॉफ़्टवेयर लाइब्रेरी Torch (जिसे अब PyTorch के नाम से जाना जाता है) दुनिया का पहला लार्ज-स्केल ML प्लेटफ़ॉर्म बना — जिसने मशीन लर्निंग को कहीं ज़्यादा एक्सेस करने लायक बनाया. 2000 के दशक में कंप्यूटर्स ने डीप लर्निंग से टेक्स्ट और इमेजेज़ को “देखने” का तरीका भी सीखा.

2010 का दशक

Google ने Google Brain को डेवलप किया जो ऑब्ज़ेक्ट्स को ऑटोमैटिक रूप से कैटगराइज़ करने वाला डीप न्यूरल नेटवर्क है . Facebook, Amazon, और Microsoft ने भी ML मॉडल्स डेवलप किए.

2020 का दशक

नवंबर 2022 में OpenAI का ChatGPT पूरी दुनिया पर छा गया. इस टेक्नोलॉजी ने ML और AI को उन आम लोगों के लिए एक्सेस करने लायक बना दिया, जो जॉब कवर लेटर्स से लेकर ईमेल्स लिखने तक, हर काम के लिए टेक्नोलॉजी का इस्तेमाल करते हैं.

मशीन लर्निंग सिस्टम्स का इस्तेमाल करने के लाभ

मशीन लर्निंग ऐसी उपयोगी टेक्नोलॉजी है जो बिज़नेसेज़ को मदद करती है:

• प्रोडक्टिविटी बढ़ाएँ. 80% से ज़्यादा एंप्लॉयीज़ का मानना है कि AI काम पर उनके परफ़ॉमेंस में सुधार करता है. आम तौर पर इंसानों के लिए रिज़र्व किए गए टास्क्स को ऑटोमेट करके, ML ऑर्गनाइज़ेशन की प्रोडक्टिविटी को बढ़ा सकती है.
• कस्टमर्स की मदद करें. कंपनियाँ अपने कस्टमर्स की ज़िंदगी को आसान बनाने के लिए अपने प्रोडक्ट्स को ऑप्टिमाइज़ करने के लिए ML का इस्तेमाल करती हैं. दरअसल, 62% कंज़्यूमर्स तब अपना डेटा शेयर करना चाहते हैं यदि इससे उन्हें बेहतर एक्सपीरिएंस मिले.
• इंसानी गलती को कम करें. ML ऐसे मैन्युअल टास्क्स को ऑटोमेट करती है जिनमें आम तौर पर इंसानी गलतियाँ और टाइपिंग की गलतियाँ होने की गुंजाइश होती है. इसका मतलब है कि आपका ऑर्गनाइज़ेशन बेहतर बिज़नेस इनसाइट्स के लिए क्लीनर डेटा का लाभ उठा सकता है.
• मौजूदगी बढ़ाएँ. इस पर विचार करें कि 51% कंज़्यूमर्स बिज़नेसेज़ के 24/7 मौजूद रहने की उम्मीद करते हैं. अपने बिज़नेस के लिए ML सॉल्यूशंस को इंप्लीमेंट करने से आप दिन-रात कस्टमर्स के लिए मौजूद रहते हैं.
• रिस्क को दूर करें. कंप्लायंस को पूरा न कर पाने से आपके ऑर्गनाइज़ेशन को लाखों का जुर्माना भरना पड़ सकता है और बिज़नेस का नुकसान हो सकता है. अच्छी बात यह है कि ML आपको स्केल पर कंप्लायंट बने रहने में मदद करने के लिए पहले से तय किए गए रूल्स को फ़ॉलो करती है.
• दोहराए जाने वाले टास्क्स कम करें. ML डेटा एंट्री जैसे उबाऊ टास्क्स को ऑटोमेट करती है ताकि आपके एंप्लॉयीज़ ज़्यादा हाई-वैल्यू टास्क्स पर फ़ोकस कर सकें. दरअसल, 68% एंप्लॉयीज़ टास्क्स को एग्ज़िक्यूट करने में खुद की मदद किए जाने के लिए और अधिक AI-बेस्ड टेक्नोलॉजीज़ चाहते हैं.
• इनसाइट्स को अनकवर करें. ML ऐसी इनसाइट्स को अनकवर कर सकती है जहाँ इंसानों में इन पर विचार करने तक की ब्रेन पावर नहीं होती है.

मशीन लर्निंग एल्गोरिदम्स की कमियाँ

मशीन लर्निंग सिस्टम्स का इस्तेमाल करने में कुछ कमियाँ हैं, जिनमें ये शामिल हैं:

• ज़रूरी डेटा की मात्रा. ML मॉडल्स के कारगर होने के लिए ज़्यादातर विशाल मात्रा में डेटा की ज़रूरत होती है.
• डेटासेट का साइज़. कोई मॉडल कितना अच्छा है, यह तय करने के लिए डेटासेट का साइज़ और क्वालिटी दो सबसे बड़े फ़ैक्टर्स हैं, और जितना ज़्यादा डेटा आपके पास है, उस डेटा को सुपरवाइज़ किए गए लर्निंग तरीकों में इस्तेमाल करने के लिए एक्युरेट रूप से लेबल करने में उतना ज़्यादा समय लगता है.
• डेटा टाइप्स को कंबाइन करना. आपको अलग-अलग तरह के ऐसे डेटा के बारे में सोचना होगा जिसे आपको मॉडल को मज़बूत बनाने के लिए अपने डेटासेट में जोड़ने की ज़रूरत है क्योंकि आप मशीन को इस तरह फ़ैसले लेना सिखा रहे हैं जैसे इंसान लेते हैं.
• संभावित बायस. ML की एक और कमी नैतिकता से जुड़ी है, खास तौर पर जब गहराई से सीखने की बात आती है. इनमें से बहुत-से मॉडल्स यह शेयर नहीं करते कि वे फ़ैसले कैसे लेते हैं, इसलिए आप पूरी तरह से श्योर नहीं होते कि वे किन फ़ैक्टर्स का इस्तेमाल कर रहे हैं. मॉडल उतना ही अच्छा होता है जितना डेटा आप इसमें फ़ीड करते हैं, लेकिन इसके बावजूद शायद आपको पता न चले कि मॉडल किस तरह के संबंध नोटिस करेगा और क्या वे नैतिक रूप से उचित हैं.
• संभावित गलतियाँ. यह याद रखना अहम है कि हालाँकि ML इंसानी आउटपुट्स से ज़्यादा कारगर हो सकती है लेकिन यह गलतियों से परे नहीं है. यदि आपके डेटा या लॉजिक में गलतियाँ हैं, तो मशीन लर्निंग मॉडल उन गलतियों को दिखाएगा.
• लागत. यदि आप अपने ऑर्गनाइज़ेशन के लिए कस्टम ML बनाना चाहते हैं, तो इन मॉडल्स को बनाने ओर मेंटेन करने के लिए डेटा साइंटिस्ट्स को हायर करने की लागत इससे जुड़ी होती है. ऑर्गनाइज़ेशंस किसी मॉडल को इस्तेमाल करने के पहले पाँच सालों में औसतन $60,000 से $95,000 तक खर्च करते हैं. हालाँकि Adobe Sensei जैसे सॉल्यूशंस को चुनने से आपका ऑर्गनाइज़ेशन इनमें से कई खर्चों को ऑफ़सेट कर पाता है.

बिज़नेसेज़ कैसे मशीन लर्निंग का इस्तेमाल कर रहे हैं

ऐसे कई उदाहरण हैं जहाँ ML एलगोरिदम्स को इंप्लीमेंट करने से किसी ऑर्गनाइज़ेशन के रिसोर्सेज़ को स्ट्रीमलाइन करने और ऑप्टिमाइज़ करने में मदद मिल सकती है. एक आम केस है जब बड़ा डेटा किसी इंसान के लिए चुनना बहुत मुश्किल होता है, लेकिन इसमें अहम जानकारी होती है जो कंपनी के फ़ैसले लेने में जानकारी दे सकती है.

यह लाभ सिर्फ़ टेक्नोलॉजी कंपनियों के लिए नहीं है — पूरी दुनिया की 68% कंपनियाँ ML का इस्तेमाल करती है, और इस संख्या के बढ़ने की संभावना है. मशीन लर्निंग बहुत फ़ायदेमंद है, इसलिए अलग-अलग उद्योगों में इसका इस्तेमाल बढ़ रहा है.

हेल्थकेयर

हेल्थकेयर कंपनियाँ बड़ी मात्रा में पेशंट डेटा को प्रोसेस करने के लिए ML का इस्तेमाल करती हैं — और यह सब डेटा प्रोटेक्शन कानूनों का पालन करते हुए किया जाता है. उदाहरण के लिए, कुछ ऑर्गनाइज़ेशंस बीमारियों का शुरुआत की स्टेजेज़ में पता लगाने के लिए डायग्नोस्टिक इमेजिंग की एक्युरेसी में सुधार करने के लिए मशीन लर्निंग का इस्तेमाल करती हैं. यह धोखाधड़ी का पता लगाने, गलतियाँ पकड़ने, और ट्रीटमेंट को पर्सनलाइज़ करने में भी सहायक होती है.

मैन्युफ़ैक्चरिंग

ज़्यादा से ज़्यादा मैन्यूफ़ैक्चरर्स स्मार्टर प्रिवेंटिव मेंटेनेंस के लिए ML को अपना रहे हैं. ऐसी मशीनें जिन्हें अभी मेंटेनेंस की ज़रूरत नहीं है, उन्हें मेंटेन करने में समय और पैसा बर्बाद करने की बजाय मैन्यूफ़ैक्चरर्स डेटा ट्रेंड्स को एनालाइज़ करने और कौन-सी मशीनें सर्विस की जाती हैं, इसे ऑप्टिमाइज़ करने के लिए मशीन लर्निंग का इस्तेमाल करते हैं.

लेकिन सिर्फ़ यही अकेला तरीका नहीं है जिस तरह मैन्यूफ़ैक्चरर्स मशीन लर्निंग का इस्तेमाल करते हैं. वे अपनी फ़ैसिलिटीज़ के अंदर सेमी-ऑटोनॉमस और ऑटोनॉमस वेहिकल्स को मैनेज करने के लिए भी इस टेक्नोलॉजी का भी लाभ उठाते हैं.

एंटरटेनमेंट

क्या आपका Netflix अकाउंट है? यदि हाँ, तो आप ML को प्रैक्टिस में देख चुके हैं. यह स्ट्रीमिंग सर्विस थंबनेल्स को पर्सनलाइज़ करने, मूवीज़ और शोज़ की सिफ़ारिश करने, और स्ट्रीमिंग क्वालिटी को ऑप्टिमाइज़ करने के लिए मशीन लर्निंग का इस्तेमाल करती है.

मार्केटिंग

मान लेते हैं कि आपकी मार्केटिंग टीम अलग-अलग कस्टमर सेगमेंट्स से नए डेटा को रिव्यू कर रही है. हाई-परफ़ॉर्मिंग सेगमेंट्स को पहचानने या कस्टमर सेगमेंट B के प्रेफ़रेंसेज़ के मुकाबले कस्टमर सेगमेंट A के प्रेफ़रेंसेज़ क्या हैं, इसकी पहचान करने के लिए अलग-अलग एट्रिब्यूट्स को छाँटना मुश्किल है.

जितनी मात्रा में डेटा मौजूद है, उसे देखते हुए काम के उपयोगी इनसाइट्स इकट्ठा करना तो छोड़िए, इस बात की भी संभावना नहीं है कि आपकी मार्केटिंग टीम के पास इस पूरे डेटा को प्रोसेस करने के लिए ब्रेन पावर होगी. यह काम ML तेज़ी से और शायद इंसानों से बेहतर कर सकती है.

मशीन लर्निंग ऑटोमेशन का इस्तेमाल करने से आपको ऐसे प्रिडिक्टिव इनसाइट्स मिल सकते हैं जो शायद आपकी टीम को खुद की कोशिशों से न मिल पाते.

फ़ाइनांस

फ़ाइनांस की दुनिया में रोबो-एडवाइज़र्स दिनों-दिन मशहूर होते जा रहे हैं. उदाहरण के लिए Wealthfront जैसी सर्विसेज़ अपने यूज़र्स के लिए पोर्टफ़ोलियो मैनेजमेंट को ऑटोमेट करने के लिए ML और AI का इस्तेमाल करती हैं. इससे फ़ाइनांस कंपनियों द्वारा क्लायंट्स को मैनेज्ड इनवेस्टमेंट्स का लाभ देते हुए क्लायंट्स के इनवेस्टमेंट्स को मैनेज करने में कम समय लगाना पड़ता है.

मशीन लर्निंग से जबरदस्त कस्टमर एक्सपीरिएंसेज़ को पावर करें.

क्या आपको मशीन लर्निंग (ML) से बेहतर सेगमेंटेशन और पर्सनलाइज़ेशन की ज़रूरत है? Adobe Real-Time CDP मदद कर सकता है.