अबको २९ वर्षपछि मानिसले गर्ने सबै काम आर्टिफिसियल इन्टेलिजेन्सले गर्ने

सन् २०२४ देखि मेसिनले नै भाषा अनुवाद गर्नेछन्। अक्सफोर्ड युनिभर्सिटीको फ्युचर अफ ह्युमानिटी इन्स्टिच्युट र याल युनिभर्सिटीले गरेको अनुसन्धान अनुसार सन् २०४९ पछि मेसिनले हाइ–स्कुलका निबन्ध लेख्न सक्नेछन् र सन् २०३१ पछि ‘रिटेल सर्भिस’ मा पनि काम गर्न थाल्नेछन्।

सन् २०४९ पछि मेसिनले ‘बेस्टसेलर’ लेख्नेछन् भने सन् २०५३ देखि शल्यचिकित्सक पनि मेसिन नै हुनेछन्। यी सबैको केन्द्रमा ‘आर्टिफिसियल इन्टेलिजेन्स’अर्थात एआइ हुनेछ। ‘अक्सफोर्ड–याल एआइ इम्प्याक्ट रिसर्च’ले मात्रै ४५ वर्षमा एआइले सबै काममा मानिसलाई पछि पार्ने ५० प्रतिशत सम्भावना भएको अनुमान गरेको छ। पोहोर साल तीन सय ५२ ओटा ‘मेसिन लर्निङ एक्स्पर्ट’ को सर्वेक्षणका आधारमा यस्तो निष्कर्ष निकालिएको हो।

अधिकांश अनुसन्धाताका लागि, यो अब ‘यदि ?’ नभएर ‘कहिले ?’ भन्ने विषय मात्रै हो। मेसिनले काम खोस्ला भनेर चिन्ता लाग्यो? त्यस्को तयारीका लागि यहाँ केही सुझाव दिइएका छन्।

१. आर्टिफिसियल इन्टेलिजेन्स के हो?

कम्प्युटरमा बुद्धिमत्तापूर्ण व्यवहार अनुकरण गराउने विज्ञान नै आर्टिफिसियल इन्टेलिजेन्स हो। एआइ सम्बन्धी ‘गोल्डम्यान स्याक्स’ को पछिल्लो प्रतिवेदन अनुसार यसले कम्प्युटरमा मानवजन्य व्यवहार जस्तै ज्ञान, तर्क, ‘कमन सेन्स’, सिकाइ र निर्णय गर्ने क्षमता विकास गर्नेछ।

२. मेसिन लर्निङ के हो?

मेसिन लर्निङ एआइकै एउटा शाखा हो। ‘प्रोगाम’ नगरी कम्प्युटरले ‘डाटा’बाट सिक्ने विधि हो। मेसिन लर्निङमा वर्गिकरण, समूह निर्माण र पूर्वानुमानजस्ता कार्य पर्दछन्। ‘फ्रड’, ‘स्प्याम’, ‘ग्रुपिङ टेक्स्ट’, ‘भ्वाइस’ वा तस्वीर पत्ता लगाउन र ग्राहकको व्यवहार पूर्वानुमान गर्ने कार्यमा पनि यसलाई प्रयोग गर्न सकिन्छ।

३. ‘सुपरभाइज्ड लर्निङ’ र ‘अनसुपरभाइज्ड लर्निङ’

कम्प्युटरले नतिजा पूर्वानुमान गर्न सकोस् भनेर सुपरभाइज्ड लर्निङमा प्रणालीलाई सही उत्तर भएका उदाहरण दिइन्छ। यो स्प्याम पत्ता लगाउन उपयोगी हुनसक्छ। अनसुपरभाइज्ड लर्निङमा, कम्प्युटरलाई सही उत्तरको ठाउँमा ‘लेबल’ नगरिएका उदाहरण दिइन्छ। कम्प्युटरले त्यस्को ‘प्याटर्न’ पत्ता लगाउनुपर्छ। जस्तै एउटै विशेषता भएका ग्राहकको समूह बनाउने आदि।

४. ‘डिप लर्निङ’ र मेसिन लर्निङ

डिप लर्निङ एक प्रकारको मेसिन लर्निङ हो। यसमा मानव मष्तिष्कको संरचनाजस्तै विशाल स्नायु सञ्जालको ‘गहिरो तह’ को अध्ययन गरिन्छ। प्रत्येक तहले एउटा समस्याको भिन्न पक्ष समाधान गर्दछ। यसले प्रणालीलाई जटिल समस्याहरू समाधान गर्न सहयोग गर्दछ।

५. ‘न्यारो’ र ‘जेनरल’ एआइमा के फरक छ?

हालसम्मका उपलब्धिलाई न्यारो एआइ मानिन्छ। अहिलेका अधिकांश एआइ एप्लिकेसनले ‘गो’ खेल्ने वा बाटो पत्ता लगाउने, एउटा मात्रै काम गर्नसक्छन्। जेनरल एआइले स्वतन्त्र रूपमा तर्क र निर्णय गर्नसक्ने मानव बुद्धिमत्ताको पूर्ण नक्कल गर्ने अपेक्षा गरिएको छ।

६. एआइको वास्तविक प्रयोग के होला?

चौथो औद्योगिक क्रान्ति बताइएको प्रविधिका थुप्रै व्यवहारिक प्रयोग छन्। ‘स्पिच रिकग्निसन’ले ‘स्मार्ट होम स्पिकर्स’ सम्भव भएको छ भने ‘टेक्स्ट एनलाइसिस’ले किनमेलको पृष्ठभूमिको आधारमा ‘अटोमेटिक’ सुझाव दिन्छ। एआइले बिना चालक सवारी साधन चलाउने र ‘क्लाउड–बेस्ड डायग्नोस्टिक’ जस्ता चुनौतीपूर्ण कार्यका लागि समेत बाटो खोलेको छ।

७. एआइदेखि डराउनुपर्छ?

‘साइ–फाइ’ चलचित्रमा ‘सुपर इन्टेलिजेन्ट रोबोट’ सँग विश्व तहस–नहस बनाउन सक्ने क्षमता भएको चित्रण गरिन्छ। विज्ञहरूले भने मानवजस्ता रोबोट बनाउनलाई दशकौं नलागे पनि वर्षाैं लाग्ने बताएका छन्।

‘मानिसहरू एआइको खतराबारे कुरा गर्छन्। यसले मानव जातिलाई हानी पुर्‍याउँछ कि भन्ने उनीहरूको चासो छ। यस्तो तर्कले अलि बढी प्रचार पाएजस्तो मलाई लागेको छ,’ सिटाडेलका प्रमुख एआइ अधिकारी ली देङले बताए। विकासको गतिका सवालमा यसले प्रविधिको आवश्यकताभन्दा धेरै अनुमान गरेको छ।

८. एआइका वर्तमान सीमा के हुन्?

जनवरीमा प्रकाशित म्याकिन्से प्रतिवेदन अनुसार उद्योग–व्यवसायले ठूलो परिमाणमा एआइ प्रविधि अवलम्बन गर्नुअघि सम्बोधन गर्नुपर्ने पाँचवटा सीमा छन्।
- ‘डाटा लेबलिङ’ : अहिलेका अधिकांश एआइ नमूनालाई, निकै ठूलो परिमाण र त्रुटीको सम्भावना हुने, सुपरभाइज्ड लर्निङमार्फत प्रशिक्षण दिइने भएकाले अन्तर्निहित ‘डाटा’ मानिसले नै ‘लेबल’ र ‘वर्गिकरण’ गर्नुपर्छ।

-तालिम सम्बन्धी विशाल तथ्याङक प्राप्त गर्ने : यसता तथ्याङ्क पाउन वा सिर्जना गर्न कठिन हुने भएकाले नमूना तालिमका लागि आवश्यक उदाहरणका संख्या घटाउन जरूरी छ।

- व्याख्याको अन्तर: ठूला र बढी जटिल नमूनाले निर्णयमा किन पुगिन्छ भन्ने बुझाउन कठिन हुन्छ। तर, ‘लोकल–इन्टरप्रिटेबल–मोडेल–एग्नोस्टिक एक्सप्लेनसन’ जस्ता नयाँ पद्धतीले अझ परिस्कृत व्याख्या प्रदान गर्ने प्रयास गरिरहेका छन्।

- सिकाइको सामान्यीकरण : मानिसले सिकेका कुरालाई व्यवहारमा लागू  गरेर अज्ञातलाई बुझ्नसक्छ। एआइका नमूनालाई एउटा परिस्थितिको अनुभव अर्काेमा लागू गर्न कठिनाइ हुन्छ। यो मुद्दाले सिकाइ स्थानान्तरका लागि प्रविधिको नयाँ प्रकारलाई जन्म दिन्छ।

-डाटा र एल्गोरिदममा पूर्वाग्रह : एआइले मानव जातिबाट आयात गरिएको विभेद वा विकृत वित्तीय मोडेलजस्ता नैतिक बहस चर्काइसकेको भएपनि, धेरै पूर्वाग्रहको पहिचान भएको छैन र उनीहरूले मान्यता पनि पाएका छैनन्।