Andhra: ज़्यादा डेटा का मतलब हमेशा बेहतर AI नहीं होता
विशाखापत्तनम: टेक्नो इंटरनेशनल न्यू टाउन के प्रोफेसर नीलांजन डे ने चेतावनी दी कि अगर डेटा वैज्ञानिक तरीके से इकट्ठा नहीं किया गया है और भरोसेमंद नहीं है, तो सबसे एडवांस्ड AI सिस्टम भी गलत नतीजे दे सकते हैं।
बुधवार को विशाखापत्तनम में AU इंजीनियरिंग कॉलेज के तहत आयोजित 'क्वांटम एन्हांस्ड सस्टेनेबल टेक्नोलॉजीज फॉर AI सिस्टम्स' (QUIST-A) नाम की इंटरनेशनल कॉन्फ्रेंस में बोलते हुए, प्रो. डे ने कहा कि मशीन-लर्निंग एल्गोरिदम पूरी तरह से डेटा पर निर्भर होते हैं। उन्होंने साफ़ और अलग-अलग तरह के डेटा की अहमियत पर ज़ोर देते हुए कहा, "ज़्यादा डेटा का मतलब हमेशा बेहतर AI नहीं होता।"
उनके मुताबिक, जब मॉडल को ऐसे डेटा से ट्रेन किया जाता है जिसमें कई तरह के वेरिएबल और असल दुनिया की स्थितियां शामिल हों, तो उनके ज़्यादा मज़बूत होने की संभावना होती है। कई उदाहरणों के साथ इस मुद्दे को समझाते हुए उन्होंने कहा कि हालांकि डेटा की मात्रा बढ़ाने से अनुमानों की सटीकता बेहतर हो सकती है, लेकिन सामान्यीकरण (जनरलाइज़ेशन) के लिए डेटा में विविधता भी उतनी ही ज़रूरी है।
सीमित या बार-बार इस्तेमाल होने वाले डेटासेट पर ट्रेन किए गए मॉडल खराब प्रदर्शन कर सकते हैं, जब उन्हें ऐसी स्थितियों का सामना करना पड़ता है जो उनके ट्रेनिंग डेटा में दिखाई गई स्थितियों से अलग हों। प्रो. डे ने हेल्थकेयर सेक्टर की चुनौतियों से निपटने में AI की क्षमता पर ज़ोर दिया। हाल ही की एक रिपोर्ट का ज़िक्र करते हुए, जिसमें भारत में डॉक्टर और मरीज़ के बीच बिताए जाने वाले औसत समय का अनुमान 2.8 मिनट और बांग्लादेश में सिर्फ़ 48 सेकंड लगाया गया था, उन्होंने कहा कि ऐसी टेक्नोलॉजी विकसित की जानी चाहिए जो हेल्थकेयर प्रोफेशनल्स पर बोझ कम करे और उनके काम को ज़्यादा कुशल बनाए।
उन्होंने रिसर्चर्स से आग्रह किया कि वे सिर्फ़ 'बिग डेटा' के पीछे भागने के बजाय 'साफ़ डेटा' और 'वेरिएबल डेटा' पर ध्यान दें। उन्होंने कहा कि ट्रेनिंग के लिए जितना ज़्यादा अलग-अलग तरह का डेटा उपलब्ध होगा, AI मॉडल उतने ही मज़बूत हो सकेंगे। प्रो. डे ने इस बात पर भी ज़ोर दिया कि एक और बड़ी चीज़ जो AI के अगले चरण को आकार दे सकती है, वह है सिंथेटिक डेटा।
