स्व-पर्यवेक्षित शिक्षण
स्व-पर्यवेक्षित शिक्षण एक ऐसे कार्य का आविष्कार करके बिना लेबल वाले डेटा पर मॉडल को प्रशिक्षित करता है जिसका उत्तर डेटा के अंदर ही छिपा होता है।
सिंहावलोकन
स्व-पर्यवेक्षित शिक्षण एक ऐसे कार्य का आविष्कार करके बिना लेबल वाले डेटा पर मॉडल को प्रशिक्षित करता है जिसका उत्तर डेटा के अंदर ही छिपा होता है। यह इस प्रकार है कि आधुनिक भाषा और दृष्टि आधार मॉडल मानव लेबलर्स की सेना के बिना कच्चे इंटरनेट से सीखते हैं।
स्व-पर्यवेक्षित शिक्षण मुख्य एआई टूलकिट में बैठता है। जब आप इसे समझ जाते हैं, तो अन्य एआई विषयों का मूल्यांकन और तुलना करना आसान हो जाता है।
गहरा गोता
डेटा को हाथ से लेबल करना धीमा और महंगा है, फिर भी दुनिया बिना लेबल वाले टेक्स्ट, छवियों, ऑडियो और वीडियो से भरी हुई है। स्व-पर्यवेक्षित शिक्षण 'बहाना कार्य' बनाकर इसे अनलॉक करता है जहां डेटा अपना स्वयं का उत्तर प्रदान करता है। क्लासिक उदाहरण नकाबपोश भाषा मॉडलिंग है, जिसका उपयोग BERT द्वारा किया जाता है: एक वाक्य में कुछ शब्दों को छिपाएं और संदर्भ से उनकी भविष्यवाणी करने के लिए मॉडल को प्रशिक्षित करें। GPT-शैली मॉडल अगले शब्द की भविष्यवाणी करते हैं। दृष्टि में, सिमसीएलआर जैसी विरोधाभासी विधियां मॉडल को एक ही छवि की दो संवर्धित फसलें दिखाती हैं और यह सिखाती हैं कि वे अलग-अलग छवियों को अलग करते हुए एक साथ हैं। इन स्व-निर्मित पहेलियों को हल करना मॉडल को अर्थ और संरचना का समृद्ध आंतरिक प्रतिनिधित्व बनाने के लिए मजबूर करता है। फिर वे अभ्यावेदन बहुत कम या बिना लेबल वाले डेटा के साथ वास्तविक डाउनस्ट्रीम कार्यों में शक्तिशाली रूप से स्थानांतरित हो जाते हैं।
तकनीकी अंतर्दृष्टि
यह ट्रिक मुफ़्त में पर्यवेक्षण संकेत उत्पन्न कर रही है। नकाबपोश मॉडलिंग में, छिपा हुआ टोकन लेबल होता है, इसलिए नुकसान की गणना बिना किसी मानवीय टिप्पणी के की जा सकती है। विपरीत शिक्षण में, एक छवि के दो संवर्द्धन एक 'सकारात्मक जोड़ी' बनाते हैं जिसे एम्बेडिंग स्थान में पास-पास बैठना चाहिए, जबकि अन्य छवियां 'नकारात्मक' दूर धकेल दी जाती हैं। किसी भी तरह से, मॉडल को पूरी तरह से डेटा की अपनी संरचना से प्राप्त लेबल पर अनुकूलित किया जाता है, सामान्य विशेषताओं को सीखते हुए जिन्हें बाद में केवल हल्के फाइन-ट्यूनिंग की आवश्यकता होती है।
स्व-पर्यवेक्षित शिक्षण में महारत हासिल करना
गहरी समझ बनाने के लिए, स्व-पर्यवेक्षित शिक्षण को एक ऑपरेटिंग मॉडल के रूप में मानें, न कि एक विशेषता के रूप में। वांछित परिणामों को परिभाषित करें, धारणाओं को स्पष्ट करें, और जो सिस्टम विश्वसनीय रूप से कर सकता है उसे अलग करें जिसके लिए अभी भी विशेषज्ञ निर्णय की आवश्यकता है।
व्यवहार में, स्व-पर्यवेक्षित शिक्षण का उपयोग करने वाली मजबूत टीमें पहले मजबूत वैचारिक मॉडल बनाती हैं, फिर उन मॉडलों को वास्तविक उत्पादन बाधाओं के अनुसार मैप करती हैं। वे स्पष्ट सफलता मानदंडों का दस्तावेजीकरण करते हैं, यथार्थवादी डेटा और वर्कफ़्लो के विरुद्ध परीक्षण करते हैं, और एक बार की बेंचमार्क जीत के बजाय देखे गए विफलता पैटर्न के आधार पर पुनरावृत्ति करते हैं। यहीं पर सैद्धांतिक समझ उत्पाद, नीति और संचालन में टिकाऊ क्षमता में बदल जाती है।
यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है। एक ही समय में, अलग-अलग टीमें एक ही शब्द का अलग-अलग उपयोग कर सकती हैं, इसलिए दायरे को जल्दी परिभाषित करें। सबसे लचीला दृष्टिकोण प्रयोग की गति को शासन अनुशासन के साथ जोड़ना है: पायलट चलाना, साक्ष्य प्राप्त करना, निर्णय लॉग प्रकाशित करना, और मॉडल व्यवहार, उपयोगकर्ता अपेक्षाओं और नियामक आवश्यकताओं के विकसित होने पर सुरक्षा उपायों को लगातार अपडेट करना।
सामरिक प्रभाव
यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है।
यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
आप पैसा या समय खर्च करने से पहले बेहतर कार्यान्वयन संबंधी प्रश्न पूछ सकते हैं।
आप पैसा या समय खर्च करने से पहले बेहतर कार्यान्वयन संबंधी प्रश्न पूछ सकते हैं। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
साझा समझ वाली टीमें बेहतर उत्पाद, नीति और सीखने के निर्णय लेती हैं।
साझा समझ वाली टीमें बेहतर उत्पाद, नीति और सीखने के निर्णय लेती हैं। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
वास्तविक विश्व कार्यान्वयन
BERT नकाबपोश शब्दों की भविष्यवाणी करके भाषा सीखता है, फिर खोज, भावना या प्रश्न उत्तर के लिए इसे ठीक करता है
SimCLR बिना लेबल वाली तस्वीरों पर एक छवि एनकोडर को पूर्व-प्रशिक्षित कर रहा है ताकि इसे बाद में बहुत कम लेबल के साथ वर्गीकृत किया जा सके
जीपीटी-शैली मॉडल विशाल टेक्स्ट कॉर्पोरा में अगले टोकन की बार-बार भविष्यवाणी करके लिखना सीखते हैं
प्रतिलेखन के लिए अनुकूलित होने से पहले भाषण मॉडल को कच्चे गैर-लेबल वाले ऑडियो (नकाबपोश ध्वनि खंडों की भविष्यवाणी) पर पूर्व-प्रशिक्षित किया गया
कार्यान्वयन पैटर्न
व्यवहार में स्व-पर्यवेक्षित शिक्षण
BERT नकाबपोश शब्दों की भविष्यवाणी करके भाषा सीखता है, फिर खोज, भावना या प्रश्न उत्तर के लिए इसे ठीक करता है।
टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को पहले से परिभाषित करते हैं, किनारे के मामलों के लिए मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में स्व-पर्यवेक्षित शिक्षण
SimCLR बिना लेबल वाली तस्वीरों पर एक छवि एनकोडर को पूर्व-प्रशिक्षित कर रहा है ताकि इसे बाद में बहुत कम लेबल के साथ वर्गीकृत किया जा सके।
टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को पहले से परिभाषित करते हैं, किनारे के मामलों के लिए मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में स्व-पर्यवेक्षित शिक्षण
जीपीटी-शैली मॉडल विशाल टेक्स्ट कॉर्पोरा में अगले टोकन की बार-बार भविष्यवाणी करके लिखना सीखते हैं।
टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को पहले से परिभाषित करते हैं, किनारे के मामलों के लिए मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में स्व-पर्यवेक्षित शिक्षण
प्रतिलेखन के लिए अनुकूलित होने से पहले भाषण मॉडल को कच्चे अनलेबल ऑडियो (नकाबपोश ध्वनि खंडों की भविष्यवाणी) पर पूर्व-प्रशिक्षित किया गया था।
टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को पहले से परिभाषित करते हैं, किनारे के मामलों के लिए मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
जोखिम और रेलिंग
अलग-अलग टीमें एक ही शब्द का अलग-अलग इस्तेमाल कर सकती हैं, इसलिए दायरे को पहले ही परिभाषित कर लें।
बेंचमार्क मजबूत दिख सकते हैं जबकि वास्तविक दुनिया का प्रदर्शन असमान है।
डेटा गुणवत्ता और मूल्यांकन योजनाओं की अनदेखी अक्सर नाजुक परिणाम पैदा करती है।
कार्यान्वयन रोडमैप
आपको जिस परिणाम की आवश्यकता है उसकी सरल भाषा में परिभाषा से शुरुआत करें।
इसे एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
परीक्षण से पहले एक सफलता मीट्रिक और एक विफलता स्थिति चुनें।
इसे एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
प्रतिनिधि डेटा के साथ एक छोटा पायलट चलाएँ, न कि एक परिष्कृत डेमो सेट।
इसे एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
दस्तावेज़ जहां स्व-पर्यवेक्षित शिक्षण मदद करता है और जहां सरल तरीके बेहतर हैं।
इसे एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
अन्वेषण करते रहें
Check your understanding
Test yourself: take the Self-Supervised Learning quiz