मशीन लर्निंग कैसे विज्ञान और चिकित्सा में अनेक खोजों को जन्म दे सकती है, जानें

हम खोज के स्वर्णिम युग में जी रहे हैं - सिर्फ़ इसलिए नहीं कि हम पहले से कहीं ज़्यादा जानते हैं, बल्कि इसलिए कि जिस तरह से हम विज्ञान करते हैं, उसमें बहुत बड़ा बदलाव आ रहा है।

सेप्सिस या डायबिटिक रेटिनोपैथी की भविष्यवाणी करने या अल्जाइमर का शुरुआती पता लगाने के लिए जल्द ही व्यापक तरीके उपलब्ध होंगे। ऐसी कस्टम-मेड दवाइयाँ और उपचार होंगे जो आपकी उम्र, लिंग और आनुवंशिक प्रकार को ध्यान में रखेंगे। वास्तव में, विकास इतना तेज़ और असाधारण रहा है कि कुछ लोगों ने एक दशक में पारंपरिक बीमारी के अंत की भविष्यवाणी की है, जैसा कि हम जानते हैं। मौसमी बारिश और चक्रवातों की भविष्यवाणी अधिक सटीकता के साथ की जाएगी। नई दवाओं के संश्लेषण से पहले ही, कंप्यूटर यह पता लगा लेंगे कि वे कितनी कुशल हो सकती हैं।

वैज्ञानिक खोज क्यों बदल रही है?

मानव वैज्ञानिक इतिहास के अधिकांश समय में, खोज धैर्यवान मानवीय प्रयासों से प्रेरित थी। डेटा कीमती था, प्रयोग कठिन थे, और वैज्ञानिक अंतर्दृष्टि निकालने के लिए एल्गोरिदम को सावधानीपूर्वक डिज़ाइन करते थे - फ़िटिंग फ़ंक्शन, समीकरण हल करना, मॉडल बनाना। उपलब्ध डेटा की मात्रा मामूली थी, और इस पर काम करने में सक्षम शोधकर्ताओं की संख्या पर्याप्त थी। उस दुनिया में, मानवीय सरलता सूचना के साथ तालमेल रख सकती थी।

आज, वह संतुलन टूट गया है। सभी क्षेत्रों में, डेटा की मात्रा में भारी वृद्धि हुई है। टेलीस्कोप हर रात टेराबाइट्स उत्पन्न करते हैं। जीनोम सीक्वेंसर चौबीसों घंटे चलते हैं। सिमुलेशन पेटास्केल आउटपुट तैयार करते हैं। हार्डवेयर - अवलोकन और कम्प्यूटेशनल दोनों - नाटकीय रूप से उन्नत हुए हैं।

लेकिन मानवीय ध्यान और वैज्ञानिकों की संख्या उसी तरह नहीं बढ़ी है। विशेषज्ञों द्वारा हाथ से तैयार किए गए एल्गोरिदम जिन्हें निरंतर ट्यूनिंग की आवश्यकता होती है, अब पर्याप्त नहीं हैं जब डेटा की मात्रा उन्हें मैन्युअल रूप से संलग्न करने की हमारी सामूहिक क्षमता को बौना बना देती है।

अद्भुत रूप से, जैसे ही यह समस्या गंभीर हुई, मशीन लर्निंग ने इसका समाधान किया। हालाँकि कृत्रिम बुद्धिमत्ता की नींव दशकों पुरानी है, लेकिन यह केवल पिछले दस वर्षों में है - और विशेष रूप से पिछले पाँच वर्षों में - कि स्व-शिक्षण एल्गोरिदम शक्तिशाली और स्केलेबल वैज्ञानिक उपकरणों के रूप में परिपक्व हुए हैं।

संयोग चौंकाने वाला है: जिस क्षण विज्ञान ने अपने स्वयं के डेटा में डूबने का जोखिम उठाया, मशीनें उभरीं जो तैर ​​सकती थीं।

व्यापक रूप से अपनाई गई विधि के रूप में मशीन लर्निंग

इन एल्गोरिदम का उदय अपने आप में अभिसरण की कहानी है। 2010 के दशक की शुरुआत तक, कंप्यूटर केवल तभी पैटर्न पहचानते थे जब इंजीनियर स्पष्ट नियम लिखते थे। यह दो महत्वपूर्ण क्षणों के साथ बदल गया।

सबसे पहले, इमेजनेट चैलेंज नामक एक सार्वजनिक प्रतियोगिता ने प्रतिस्पर्धा करने के लिए दस लाख लेबल वाली तस्वीरें प्रदान कीं। एक प्रतिभागी, एलेक्सनेट नामक एक डीप न्यूरल नेटवर्क ने वीडियो गेम के लिए मूल रूप से बनाए गए ग्राफ़िक्स प्रोसेसर पर परीक्षण और त्रुटि के माध्यम से अपने आंतरिक कनेक्शन को ट्यून करके वस्तुओं की पहचान करना सीखा। बिना किसी हाथ से कोड किए गए फ़ीचर डिटेक्टर के, एलेक्सनेट ने सभी पिछली प्रणालियों की त्रुटि दर को आधा कर दिया। इससे साबित हुआ कि पर्याप्त डेटा और कंप्यूट के साथ, मशीनें अपने आप जटिल पैटर्न सीख सकती हैं।

फिर 2016 में, डीपमाइंड के अल्फागो - जिसे प्राचीन बोर्ड गेम गो खेलने के लिए डिज़ाइन किया गया था - ने सुदृढीकरण सीखने की शक्ति का प्रदर्शन किया, एक ऐसा दृष्टिकोण जहाँ एक सिस्टम बार-बार खेलकर और जीत के लिए खुद को पुरस्कृत करके बेहतर होता है। एक ऐतिहासिक पाँच-गेम मैच में, अल्फागो ने विश्व चैंपियन ली सेडोल को हराया, पहले कभी नहीं देखी गई चालों के अनुक्रम खेलकर पेशेवरों को आश्चर्यचकित किया।

गो में, संभावित बोर्ड विन्यास शतरंज के विन्यास से कई गुना अधिक हैं। गेम टू के अप्रत्याशित "मूव 37" के बाद, ली ने स्वीकार किया, "मैं अवाक हूँ," यह मशीन की मानवीय अंतर्ज्ञान से परे नवाचार करने की क्षमता का प्रमाण है।

विभिन्न विषयों में सफलताएँ

इस अभिसरण ने विभिन्न विषयों में सफलताओं के द्वार खोल दिए हैं। जीव विज्ञान में, प्रोटीन-फोल्डिंग समस्या प्रभाव का उदाहरण है। एक सामान्य प्रोटीन 200-300 अमीनो एसिड की एक श्रृंखला होती है जो खगोलीय संख्या में आकृतियों में बदल सकती है, फिर भी केवल एक ही सही जैविक कार्य उत्पन्न करती है।

इन संरचनाओं को निर्धारित करने के लिए प्रायोगिक तरीकों में महीनों लग सकते हैं या पूरी तरह विफल हो सकते हैं। 2020 में, डीपमाइंड के अल्फाफोल्ड2 ने इसे बदल दिया। दशकों से ज्ञात प्रोटीन संरचनाओं और अनुक्रम डेटा पर प्रशिक्षित, यह अब प्रयोगशाला-स्तर की सटीकता के साथ सेकंड में त्रि-आयामी आकृतियों की भविष्यवाणी करता है।

ऐसी सटीकता रसायनज्ञों को किसी भी संश्लेषण से पहले यह मॉडल बनाने की अनुमति देकर दवा की खोज को गति देती है कि उम्मीदवार अणु अपने लक्ष्यों में कैसे फिट होते हैं। एंजाइम इंजीनियर संधारणीय रसायन विज्ञान के लिए उत्प्रेरक डिजाइन कर सकते हैं, और रोग शोधकर्ता यह समझ सकते हैं कि उत्परिवर्तन किस प्रकार कार्य को बाधित करते हैं। इस छलांग की मान्यता में, रसायन विज्ञान में 2024 का नोबेल पुरस्कार डेमिस हसबिस, जॉन जम्पर और डेविड बेकर को दिया गया।

यह भी पढ़ें | एक्सोप्लैनेट K2-18b एलियन जीवन के सुराग प्रदान करता है: पृथ्वी से परे जीवन के बारे में 5 प्रमुख खोजें

मशीन लर्निंग तब से रसायन विज्ञान और खगोल विज्ञान से लेकर जीनोमिक्स, सामग्री विज्ञान और उच्च-ऊर्जा भौतिकी तक के क्षेत्रों में नियमित हो गई है, जहाँ यह उन जानकारियों के लिए विशाल डेटासेट का खनन करती है जिन्हें कोई भी इंसान बिना सहायता के नहीं निकाल सकता। तकनीक की शक्ति के अलावा, आधुनिक समाज में अब इस तकनीक की जो लोकप्रियता है, उसका श्रेय आंशिक रूप से लोकतंत्रीकरण को दिया जा सकता है।