विनाशकारी विस्मृति
भयावह भूल तब होती है जब एक तंत्रिका नेटवर्क एक नया कार्य सीखता है और अचानक उन कार्यों को करने की क्षमता खो देता है जिन पर उसे पहले से ही महारत हासिल थी।
सिंहावलोकन
It is a central obstacle to building AI that learns continually without retraining from scratch.
गहरा गोता
तंत्रिका नेटवर्क साझा भार में ज्ञान संग्रहीत करते हैं। जब आप किसी मॉडल को किसी नए कार्य पर प्रशिक्षित करते हैं, तो ग्रेडिएंट अपडेट उन्हीं मापदंडों को अधिलेखित कर देते हैं जो पहले के कौशल को एन्कोड करते थे, इसलिए पुराना प्रदर्शन ध्वस्त हो सकता है। यह विनाशकारी भूल है, जिसे विनाशकारी हस्तक्षेप भी कहा जाता है, जिसे पहली बार 1989 में मैकक्लोस्की और कोहेन द्वारा प्रलेखित किया गया था। यह अनुक्रमिक या निरंतर सीखने में तीव्र है, जहां डेटा सभी को एक साथ मिश्रित करने के बजाय चरणों में आता है। उदाहरण के लिए, कानूनी पाठ पर भारी मात्रा में चैटबॉट को ठीक करने से इसकी सामान्य बातचीत की क्षमता ख़राब हो सकती है। मानक ब्रूट-फोर्स फिक्स सभी कार्यों को संयुक्त रूप से फिर से प्रशिक्षित करना है, लेकिन यह महंगा है और मान लिया गया है कि आपके पास अभी भी पुराना डेटा है। इसके बजाय शोधकर्ता ऐसी तकनीकों का उपयोग करते हैं जो महत्वपूर्ण वज़न की रक्षा करते हैं, पिछले उदाहरणों को दोहराते हैं, या कार्य-विशिष्ट पैरामीटर जोड़ते हैं, इन सभी का उद्देश्य मॉडलों को मनुष्यों की तरह ज्ञान संचय करने देना है।
तकनीकी अंतर्दृष्टि
भूलना इसलिए होता है क्योंकि कार्यों में समान भार का पुन: उपयोग किया जाता है, और नए डेटा पर अप्रतिबंधित ग्रेडिएंट वंश उन्हें स्वतंत्र रूप से स्थानांतरित करता है। शमन में इलास्टिक वज़न समेकन शामिल है, जो एक जुर्माना जोड़ता है जो पुराने कार्यों के लिए महत्वपूर्ण समझे जाने वाले मापदंडों में परिवर्तन को धीमा कर देता है (फिशर जानकारी के माध्यम से अनुमानित)। अन्य दृष्टिकोण हैं रिहर्सल या अनुभव रीप्ले (संग्रहीत या जेनरेट किए गए पुराने उदाहरणों को इंटरलेविंग), और एडाप्टर या लोआरए जैसे पैरामीटर अलगाव विधियां जो बेस मॉडल को फ्रीज करती हैं और छोटे नए मॉड्यूल जोड़ती हैं।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
विनाशकारी विस्मृति का भविष्य
जैसे-जैसे मॉडल एक-शॉट प्रशिक्षण से आजीवन, लगातार अद्यतन प्रणालियों की ओर बढ़ते हैं, भूलने पर नियंत्रण आवश्यक हो जाता है। लोआरए एडाप्टर जैसे पैरामीटर-कुशल तरीके टीमों को बेस मॉडल को परेशान किए बिना कौशल जोड़ने देते हैं, और पुनर्प्राप्ति-संवर्धित सिस्टम वजन के बजाय बाहरी स्टोर में नए ज्ञान को रखकर समस्या को दूर कर देते हैं। निरंतर-सीखने के बेंचमार्क, मॉड्यूलर आर्किटेक्चर और मस्तिष्क-प्रेरित समेकन तकनीकों के परिपक्व होने की अपेक्षा करें, जो हमें उन मॉडलों की ओर ले जाएंगे जो ताजा जानकारी के साथ अद्यतन करते हैं जबकि वे जो पहले से जानते हैं उसे विश्वसनीय रूप से बनाए रखते हैं।
वास्तविक विश्व कार्यान्वयन
एक सामान्य चैटबॉट जो चिकित्सा पाठ पर बहुत अधिक केंद्रित है, आकस्मिक बातचीत में प्रवाह खो देता है।
इलास्टिक वेट कंसॉलिडेशन गेम खेलने वाले एजेंट को पुराने अटारी गेम को भूले बिना नए अटारी गेम सीखने की सुविधा देता है।
जमे हुए बेस मॉडल की क्षमताओं को बरकरार रखते हुए टीमें एक नया डोमेन कौशल जोड़ने के लिए LoRA एडाप्टर का उपयोग करती हैं।
अनुभव रीप्ले पिछले उदाहरणों को संग्रहीत करता है और पुराने प्रदर्शन को संरक्षित करने के लिए नए प्रशिक्षण के दौरान उन्हें इंटरलीव करता है।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Catastrophic Forgetting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
निरंतर सीखना और विनाशकारी विस्मृति
अक्सर पूछे जाने वाले प्रश्नों
What is Catastrophic Forgetting?
भयावह भूल तब होती है जब एक तंत्रिका नेटवर्क एक नया कार्य सीखता है और अचानक उन कार्यों को करने की क्षमता खो देता है जिन पर उसे पहले से ही महारत हासिल थी। यह एआई के निर्माण में एक केंद्रीय बाधा है जो बिना किसी शुरुआत के लगातार सीखता रहता है।
विनाशकारी भूल क्या है?
जब किसी नेटवर्क को किसी नए कार्य के लिए प्रशिक्षित किया जाता है, तो विनाशकारी भूल पुरानी क्षमताओं का अचानक नष्ट हो जाना है, क्योंकि साझा भार अधिलेखित हो जाता है।
तंत्रिका नेटवर्क में भयावह विस्मृति क्यों होती है?
ज्ञान साझा मापदंडों में रहता है, इसलिए नए डेटा पर प्रशिक्षण उन्हीं भारों को बदल देता है और पहले की सीख को मिटा देता है।
भूलने की समस्या को कम करने के लिए इलास्टिक वेट कंसॉलिडेशन (ईडब्ल्यूसी) क्या करता है?
ईडब्ल्यूसी एक नियमितीकरण जुर्माना जोड़ता है जो पुराने कार्यों के लिए महत्वपूर्ण समझे जाने वाले मापदंडों के अपडेट को धीमा कर देता है, जैसा कि फिशर जानकारी के माध्यम से अनुमान लगाया गया है।
अनुभव पुनरावृत्ति (रिहर्सल) भूलने से कैसे लड़ता है?
नए कार्यों को सीखते समय रिहर्सल पिछले उदाहरणों (संग्रहीत या उत्पन्न) में मिश्रित होता है ताकि पुराना प्रदर्शन मजबूत हो।
भयावह भूल से बचने के लिए LoRA एडेप्टर क्यों उपयोगी हैं?
LoRA बेस मॉडल को स्थिर रखता है और छोटे ऐड-ऑन पैरामीटर सीखता है, ताकि नए कौशल मौजूदा क्षमताओं को परेशान न करें।