क्यों आर्टिफिशियल इंटेलिजेंस पिछले टेक्नोलॉजी वेव्स से अलग है

यदि आप इस लेख को पसंद करते हैं, तो रॉबी द्वारा एक और देखें:
क्या रोकेंगी AI का मोमेंटम?

सेप्ट 2016 में पहली ओ'रेली आर्टिफिशियल इंटेलिजेंस कॉन्फ्रेंस में मेरी बात से पहले पैक किया गया घर। मैंने सोचा कि हमने पीक एआई प्रचार को हासिल किया, लेकिन यह केवल बढ़ता रहा।

1983 में क्रिसमस के लिए मेरे बड़े भाई को कमोडोर 64 मिलने के बाद से मैं लगभग गणना कर रहा हूं। मैंने 1991 में हाई स्कूल में अपनी पहली "बिजनेस मशीन" क्लास ली, 1994 में मेरी पहली कंप्यूटर साइंस क्लास (पस्कल सीखना) में भाग लिया और आगे बढ़ गया। सिस्को के बाद 1997 में सिलिकॉन वैली ने मेरी इंटर्नशिप को स्थायी स्थिति में बदल दिया। मैंने अपने इंजीनियरिंग समूह में जाने से पहले सिस्को के आईटी विभाग में कई वर्षों तक काम किया, जहाँ मैंने नेटवर्किंग प्रोटोकॉल तैयार किए। मैं 2004 में एमआईटी में ग्रेड स्कूल गया, जहां मैंने वाई कॉम्बीनेटर के पहले जोड़े में कई कंपनियों के संस्थापकों से मुलाकात की और हबस्पॉट से पहले हबस्पॉट पर काम किया। ओ'रेली के लिए कई किताबें लिखने और पहले ओ'रेली वेब 2.0 और एमआईटी स्लोन स्पोर्ट्स एनालिटिक्स सम्मेलनों में भाग लेने के बाद, मैंने 2007 में StatSheet.com नामक एक "वेब 2.0 के लिए स्पोर्ट्स" कंपनी शुरू की, जिसे 2010 में पहली प्राकृतिक भाषा में पेश किया गया। जनरेशन (NLG) कंपनी जिसे ऑटोमेटेड इनसाइट्स कहा जाता है। मैंने हाल ही में ऐ पर पीएचडी बनने के लिए कदम रखा। UNC में छात्र आर्टिफिशियल इंटेलिजेंस का अध्ययन करता है।

प्रौद्योगिकी में पिछले 30 वर्षों में हुए अविश्वसनीय नवाचार को देखने के लिए मेरे पास कहने के लिए एक पक्षी की दृष्टि थी। मैं सही समय पर सही स्थान पर रहने के लिए भाग्यशाली रहा हूं।

मैंने प्रौद्योगिकी फ़ेड्स के अपने हिस्से को भी देखा है - मुझे मेरा वेबटीवी चाहिए। एक प्रौद्योगिकी geek होने के नाते, मेरे पास चमकदार वस्तुओं के लिए एक पूर्वाग्रह है, और मेरे कैरियर में सौ से अधिक प्रोग्रामर का प्रबंधन करने के बाद, यह कई डेवलपर्स शेयर का एक लक्षण प्रतीत होता है। अब बड़े होने और विभिन्न प्रकार की प्रौद्योगिकी तरंगों को आते और जाते देखा जा सकता है (जिनमें एक वेव भी कहा जाता है), यह नवीनतम नई चीज़ों से मेल खाने वाले पैटर्न को लागू करने के लिए थोड़ा आसान है जो हमारे जीवन में क्रांति लाने वाला है। मैं सबसे नई तकनीकों के बारे में अधिक संदेहशील हो गया हूं क्योंकि मैं देखता हूं कि लोग चांदी की बुलेट सोच के साथ आसक्त हो जाते हैं।

जबकि मेरा मानना ​​है कि आर्टिफिशियल इंटेलिजेंस को कई तरीकों से ओवरहीट किया जाता है, मैं तब भी इसकी क्षमता के बारे में बेहद उत्साहित हूं जब आप सभी प्रचार में कारक होते हैं। कारकों का एक अनूठा संयोजन है जो एआई को हमारे जीवनकाल में सबसे प्रभावी तकनीक बना देगा। हां, मैंने एआई कूल-एड को पिया है, लेकिन मुझे लगता है कि यह अच्छे कारण के लिए है।

Google सेल्फ-ड्राइविंग कार में श्री कूल-ऐड मैन

एआई बेचना "शांत होने से पहले" शांत नहीं था

जैसा कि आर्टिफिशियल इंटेलिजेंस ने 2011 में फिर से वापसी करना शुरू किया, मैं सतर्कता से आशावादी था। मैंने 2010 में AI ठंडा होने से पहले AI (ऑटोमेटिक इनसाइट्स के लिए) के साथ एक कंपनी शुरू की थी। मेरा अंतर्ज्ञान यह था कि यह कुछ वर्षों के लिए एक नारा होगा, लेकिन अगर रे कुर्ज़वील उस दर के बारे में आंशिक रूप से सटीक था जिस पर AI होगा, तो 2010 की शुरुआत में AI अंतरिक्ष में एक कंपनी की स्थिति समाप्त हो जाएगी। ।

2012 में, एआई को एक क्षमता के रूप में बेचने की कोशिश करना कम से कम कहना मुश्किल था। हमारी कंपनी ने एक समाधान बनाया जो मात्रात्मक विश्लेषण और रिपोर्टिंग प्रक्रिया को स्वचालित करता है। यही है, हमने स्वचालित रूप से केवल हस्तलिखित, डेटा विश्लेषण रिपोर्टों के साथ मैन्युअल रूप से पहले किया था। तब से हम याहू के लिए फंतासी फुटबॉल रिकैप से सब कुछ स्वचालित कर चुके हैं! सबसे बड़ी बीमा कंपनियों में से एक के लिए बिक्री रिपोर्ट। हमने एसोसिएटेड प्रेस और बॉडीबिल्डिंग डॉट कॉम के लिए व्यक्तिगत वर्कआउट रिकैप्स के लिए कमाई रिपोर्ट को स्वचालित कर दिया है। 2011 में "स्वचालित लेखन" पर ग्राहकों को बेचने की कोशिश कर रहा था कि मैंने हेनरी फोर्ड को कैसे महसूस किया था जब उसने ऐसे लोगों को ऑटोमोबाइल बेचा था जिन्होंने केवल घोड़ों को देखा था: विचित्र लग रहा था और अविश्वास था कि इस तरह के एक गर्भनिरोधक भी संभव था - या आवश्यक।

चार साल बाद एक छोटा और नाटकीय रूप से चीजें बदल गईं। गार्टनर हाइप साइकिल (1995 के बाद से प्रकाशित) उभरती हुई प्रौद्योगिकियों के आसपास प्रचार का एक सुसंगत उपाय रहा है। 2016 की रिपोर्ट पर नज़र डालें:

स्रोत: गार्टनर

कई एआई-संबंधित तकनीकें स्मार्ट रोबोट, स्वायत्त वाहन, संवादी उपयोगकर्ता इंटरफेस, प्राकृतिक भाषा सवाल-जवाब, और निश्चित रूप से मशीन लर्निंग ऑफ इन्फ्लेटेड एक्सपेक्टेशन्स सहित एक उपस्थिति बनाती हैं।

हम सॉफ्टवेयर में एक सामान्य अविश्वास से गए थे जो उन चीजों को स्वचालित करने में सक्षम थे जो मनुष्यों के डोमेन में हर स्टार्टअप को अपने पिच डेक में एक टोकन एआई स्लाइड होने के लिए कड़ाई से थे। इससे पहले, मुझे "आर्टिफिशियल इंटेलिजेंस" का उल्लेख करना था, इसलिए हमने बहुत गीकी ध्वनि नहीं की और लोगों को डरा दिया, अब ग्राहकों को निराशा होती है यदि आपका समाधान पूरी तरह से जादुई नहीं है। पहले, एक डिनर पार्टी में बातचीत खत्म करने का सबसे तेज़ तरीका एआई का उल्लेख करना था, और अब मेरे बीमा एजेंट ने मुझे इस शांत नए "एआई सहायक" के बारे में बताया जो वह अपनी सभी बैठकों को शेड्यूल करने के लिए उपयोग कर रहा है।

चाहे हम "पीक एआई" तक पहुंचे हों या नहीं, मेरी सेवानिवृत्त माँ सहित अधिकांश लोगों ने इसके बारे में सुना है। बड़ा सवाल यह है कि क्या यह प्रचार तक रह सकता है? एआई अपनी क्षमता के संबंध में पिछली तकनीकों की तुलना कैसे करता है? जवाब वही है जो मुझे भविष्य के बारे में उत्साहित करता है।

आठ प्रौद्योगिकी तरंगों

मैंने पिछले 30 वर्षों में आठ व्यापक तकनीकों की पहचान की है जो मुझे लगता है कि तुलनात्मक उद्देश्यों के लिए उपयोगी हैं। मैंने विश्लेषण किया कि प्रत्येक तकनीक कितनी तेजी से विकसित हुई और उन कारकों ने या तो नवाचार की दर में मदद की या बाधित किया। इन आठों का कोई मतलब नहीं है कि केवल वही प्रौद्योगिकियाँ जिन्हें मैं चुन सकता था, लेकिन प्रत्येक को अपने चरम के दौरान समग्र प्रौद्योगिकी परिदृश्य पर महत्वपूर्ण प्रभाव पड़ा। मेरा इरादा कभी भी होने वाली हर प्रौद्योगिकी लहर से नहीं गुजरना है, लेकिन एक फ्रेमवर्क प्रदान करने के लिए जिसका उपयोग हम तुलना और इसके विपरीत करने के लिए कर सकते हैं।

इस लेख में जिन आठ I’m को शामिल किया गया है उनमें डेस्कटॉप ऑपरेटिंग सिस्टम, वेब ब्राउजर, नेटवर्किंग, सोशल नेटवर्क, मोबाइल एप, इंटरनेट ऑफ थिंग्स, क्लाउड कम्प्यूटिंग और आर्टिफिशियल इंटेलिजेंस शामिल हैं।

प्रौद्योगिकी संभावित के लिए दो प्रमुख कारक

दो कारक हैं जो समय के साथ कितनी दूर और कितनी तेजी से एक प्रौद्योगिकी अग्रिम के लिए बहुत महत्वपूर्ण निर्धारक हैं।

पहला कारक किसी भी डेवलपर के लिए कुछ उपयोगी बनाने के लिए प्रवेश के लिए बाधा है। यदि डेवलपर्स के पास खुद के कार्यान्वयन को बनाने या मोड़ने की क्षमता है, तो आपको प्रौद्योगिकी का तेजी से फैलाव मिलता है और डेवलपर भीड़ के योगदान के माध्यम से बड़े और छोटे दोनों में कई सुधार होते हैं।

ऑपरेटिंग सिस्टम में सॉफ्टवेयर की जटिलता के कारण प्रवेश के लिए एक उच्च अवरोध है। आमतौर पर, आप सप्ताहांत में बड़ी संख्या में डेवलपर्स को किसी विशेष उद्देश्य के लिए एक ऑपरेटिंग सिस्टम को संशोधित करने की कोशिश करते समय नहीं देखते हैं। दूसरी तरफ, मोबाइल एप्लिकेशन सीमित कौशल के साथ बनाना और प्रकाशित करना आसान है (जो कि मैं समझाता हूं कि दोनों अच्छे और बुरे हैं)।

दूसरा कारक यह है कि क्या कोर प्लेटफॉर्म पर विकास केंद्रीकृत है या विकेंद्रीकृत है। क्या एक कंपनी या संगठन कोर प्लेटफॉर्म के नए संस्करणों के लिए द्वारपाल के रूप में काम करता है या कोई योगदान दे सकता है? सोशल नेटवर्क स्पेस में, नेटवर्किंग की तुलना में प्लेटफार्मों (ट्विटर, फेसबुक, आदि) के मालिकों द्वारा विकास पूरी तरह से केंद्रीकृत है; RFC प्रक्रिया ने व्यापक रूप से वितरित योगदानकर्ताओं के समूह का नेतृत्व किया।

प्रवेश और विकेंद्रीकृत प्लेटफ़ॉर्म विकास के लिए एक कम अवरोध वाली तकनीक में भविष्य के प्रभाव के लिए सबसे बड़ी क्षमता है। आर्टिफिशियल इंटेलिजेंस को छोड़कर उन आठ विशेषताओं में से कोई भी आठ तकनीकों के पास नहीं है, लेकिन बाद में उस पर और अधिक।

इस लेख के प्रयोजन के लिए, मैं मुख्य रूप से नवाचार की क्षमता में दिलचस्पी रखता हूं, न कि कितना नवाचार है या होगा। मैंने जिन दो कारकों का उल्लेख किया है, उनके लिए एक प्रौद्योगिकी का बहुत बड़ा प्रभाव होना आवश्यक नहीं है। क्लाउड कम्प्यूटिंग का जबरदस्त प्रभाव पड़ा है, हालांकि अंतरिक्ष में केवल कुछ ही खिलाड़ी हैं। लेकिन क्लाउड कम्प्यूटिंग का भविष्य लगभग पूरी तरह से उन कंपनियों पर निर्भर करता है जो प्लेटफ़ॉर्म की मालिक हैं। यदि बाजार प्रमुख खिलाड़ियों के लिए समय के साथ कम या अधिक आकर्षक हो जाता है, तो नवाचार बहुत कम हो जाएगा या कम हो जाएगा, जो 2000 के दशक की शुरुआत में वेब ब्राउज़र की कहानी थी।

नीचे बताया गया है कि मैं दोनों कारकों में आठ तकनीकों को कैसे रैंक करता हूं। गार्टनर के हाइप कर्व की तरह, चार क्वैडेंट में से प्रत्येक का प्लेसमेंट काफी हद तक मेरे विश्लेषण के आधार पर एक व्यक्तिपरक अभ्यास था। मैं प्रत्येक तकनीक पर कुछ विस्तार में जाऊंगा, लेकिन पहले मैं कवर करता हूं कि प्रत्येक चतुर्थांश क्या दर्शाता है।

लो बैरियर + सेंट्रलाइज्ड देव = प्रतिबंधित नवाचार
यह परिदृश्य बहुत असामान्य है क्योंकि डेवलपर्स आसानी से बना सकते हैं, लेकिन प्लेटफ़ॉर्म विकास केंद्रीकृत है। प्लेटफ़ॉर्म स्वामी के स्वामियों के लिए नवाचार प्रतिबंधित है। डेवलपर्स को समग्र दिशा को प्रभावित करने की सीमित क्षमता वाले मंच के दायरे में काम करना पड़ता है क्योंकि यह एकल प्राधिकरण के स्वामित्व में है। ऐप स्टोर मॉडल इस क्वाड्रेंट में आता है।

हाई बैरियर + सेंट्रलाइज्ड देव = प्रोप्रायटरी इनोवेशन
इस मामले में, विकास केवल मंच के मालिक द्वारा किया जा सकता है। डेवलपर्स के पास बनाने के लिए एक उच्च अवरोध है और वह प्लेटफ़ॉर्म पर योगदान नहीं कर सकता है। यह क्लासिक स्वामित्व मॉडल है, जो उत्पाद विकास में प्रमुख रहा है।

उच्च बाधा + विकेन्द्रीकृत देव = असंगत नवाचार
यह चतुर्थांश अक्सर उन तकनीकों का प्रतिनिधित्व करता है जो खुले स्रोत पर आधारित होती हैं या जिनके पास (या कई मामलों में वैकल्पिक) मानक होते हैं, लेकिन या तो हार्डवेयर या बहुत जटिल सॉफ्टवेयर पर आधारित होने के कारण, डेवलपर्स के लिए अवरोध गैर-तुच्छ है। परिणाम महत्वपूर्ण नवाचार हो सकता है, लेकिन उन समाधानों के साथ जो डेवलपर्स के अनुकूल नहीं हैं, वे "मानकों" को शामिल करने के लिए स्वतंत्र हैं जो वे चुनते हैं।

कम बैरियर + विकेंद्रीकृत देव = पूरी तरह से वितरित नवाचार
यह नवाचार को बढ़ावा देने वाले वातावरण के संदर्भ में इष्टतम है। न केवल व्यक्तिगत डेवलपर्स बना सकते हैं क्योंकि प्रविष्टि में बाधा कम है, लेकिन वे अपने स्वयं के प्लेटफार्मों का निर्माण भी कर सकते हैं। AI एकमात्र ऐसी तकनीक है जिसे मैंने इस क्वाड्रंट में डाला है, और मैं अगले भाग में इसके कारणों पर चर्चा करूँगा।

पूरी तरह से वितरित नवाचार समय के साथ पैमाने पर करना मुश्किल है क्योंकि किसी भी केंद्रीय समन्वय के बिना, आप अक्सर कई असंगत समाधानों के साथ एक खंडित पारिस्थितिकी तंत्र के साथ समाप्त होते हैं। आप इसे एआई के भीतर होना शुरू कर सकते हैं क्योंकि कुछ रूपरेखाएं लोकप्रिय हो जाती हैं (उदाहरण के लिए टेनसफ़्लो और पियरच)।

आठ प्रौद्योगिकियों का अवलोकन

आगे, मैं उन कारणों का संक्षेप में वर्णन करने जा रहा हूं, जो मैंने प्रत्येक तकनीक को एक विशेष चतुर्थांश में रखा है।

डेस्कटॉप ऑपरेटिंग सिस्टम

डेस्कटॉप ऑपरेटिंग सिस्टम में बहुत कम खिलाड़ियों का वर्चस्व रहा है। आईबीएम की शुरुआत 1981 में उनके शुरुआती पीसी, 1990 के दशक में Microsoft (और कुछ हद तक सन) और 2000 के दशक में Apple ने की थी। लिनक्स मिश्रण में भी था, लेकिन डेस्कटॉप / लैपटॉप पर कभी मुख्यधारा में नहीं जा सका।

ऑपरेटिंग सिस्टम बड़े पैमाने पर सॉफ्टवेयर के टुकड़े हैं, इसलिए बहुत कुछ ऐसा नहीं है जो एक एकल डेवलपर कोर प्लेटफ़ॉर्म को बेहतर बनाने और पुनर्वितरित करने के लिए करेगा। प्रवेश की उच्च बाधा के लिए कोड की जटिलता और चौड़ाई एक बड़ा कारण है।

लिनक्स के अपवाद के साथ, अन्य लोकप्रिय डेस्कटॉप ऑपरेटिंग सिस्टम मालिकाना थे। इसका मतलब है कि अधिकांश भाग के लिए, ओएस में नवाचार को बड़ी कंपनियों की दीवारों के भीतर केंद्रीकृत किया गया है। यहां तक ​​कि लिनक्स के मामले में, एक उदार तानाशाह होने का मतलब है कि सभी बड़े फैसले केंद्र द्वारा प्रबंधित किए गए थे। बड़े, अखंड सॉफ्टवेयर जैसे ऑपरेटिंग सिस्टम को अंतिम उत्पाद को पूरी तरह से एकीकृत और स्थिर समाधान सुनिश्चित करने के लिए कुछ स्तर पर केंद्रीकृत समन्वय की आवश्यकता होती है।

नेटवर्किंग

1990 में सिस्को का आईपीओ अगले दशक में नेटवर्किंग कंपनियों के लिए एक अविश्वसनीय रन की शुरुआत थी। कई तरह की कंपनियां बनाई गईं और फिर उनका अधिग्रहण या विलय किया गया। डॉट-कॉम बस्ट से पहले सिस्को, ल्यूसेंट और नॉर्टेल बड़े खिलाड़ी (और आखिरकार जुनिपर) थे, जिन्होंने इस उद्योग से अपने पैर बाहर निकाल लिए, जहां से यह पूरी तरह से वापस नहीं आया।

1969 में पहला RFC प्रकाशित होने के बाद इंटरनेट प्रोटोकॉल में रिक्वेस्ट फॉर कमेंट्स फॉर रिक्वेस्ट (RFC) का विकास हुआ है। IETF जैसे मानक निकाय हैं, जो आधिकारिक मानकों के रूप में RFC की पुष्टि कर सकते हैं। प्रोटोकॉल को परिभाषित करते समय विकेन्द्रीकृत किया गया था, इन प्रोटोकॉल (जैसे सिस्को राउटर) का उपयोग करने वाले कोर प्लेटफॉर्म अभी भी मालिकाना और बंद थे।

और चूंकि प्रमुख नेटवर्किंग विक्रेताओं के पास अपना स्वयं का हार्डवेयर था, इसलिए व्यक्तिगत डेवलपर के योगदान के लिए बाधा अधिक थी। हालांकि किसी बाहरी व्यक्ति के लिए प्रोटोकॉल विनिर्देश में योगदान करना संभव था, केवल नेटवर्किंग कंपनियों के डेवलपर्स ही उन प्रोटोकॉल को अपने प्लेटफार्मों में जोड़ सकते थे।

मैं इस सूची में नेटवर्किंग को शामिल नहीं करता हूं क्योंकि यह एक प्रमुख प्रौद्योगिकी लहर थी, लेकिन उनकी अद्वितीय मानकीकरण प्रक्रिया के कारण।

वेब ब्राउज़र

जब ऑपरेटिंग सिस्टम युद्ध चल रहा था, डेस्कटॉप पर सबसे महत्वपूर्ण अनुप्रयोग भी इसी तरह की लड़ाई से गुजरा। चाहे वह 1990 के दशक में नेटस्केप और IE था या क्रोम, IE और फ़ायरफ़ॉक्स आज, ब्राउज़र हमेशा वेब के सामने-छोर होने के कारण एक प्रतिष्ठित अनुप्रयोग रहा है।

जबकि IE एकमात्र प्रमुख ब्राउज़र है जो खुला स्रोत नहीं है या खुले स्रोत पर आधारित है, प्रवेश की बाधा अभी भी अधिक है। ऑपरेटिंग सिस्टम की तरह, आधुनिक वेब ब्राउज़र सॉफ्टवेयर के बहुत जटिल टुकड़े बन गए हैं। एक औसत डेवलपर के लिए यह सामान्य नहीं है कि वह किसी ब्राउज़र को अपनी कंपनी के उपयोग के लिए अनुकूलित कर सके। प्रत्येक ब्राउज़र एक्सटेंशन या प्लग-इन के लिए अलग-अलग समर्थन प्रदान करता है, लेकिन ये क्षमताओं के मामले में बहुत सीमित होते हैं और अक्सर भंगुर होते हैं।

कुछ ब्राउज़रों की ओपन-सोर्स प्रकृति को देखते हुए, कोर प्लेटफ़ॉर्म पर विकास विकेंद्रीकृत है, लेकिन व्यवहार में, परिवर्तनों की बारीकी से निगरानी की जाती है। ब्राउज़रों के लिए विस्तृत उपयोगकर्ता आधार को देखते हुए, ब्राउज़र मालिकों को लाखों उपयोगकर्ताओं के लिए एक त्रुटिपूर्ण उत्पाद भेजने के लिए हर परिवर्तन या जोखिम की जांच करनी होगी।

मोबाईल ऐप्स

मैं मोबाइल ऐप्स के बजाय यहां "मोबाइल" या "स्मार्टफ़ोन" सूचीबद्ध कर सकता था, लेकिन डेस्कटॉप ऑपरेटिंग सिस्टम के तहत वर्णित कई समान मुद्दे लागू होंगे। प्रवेश के लिए कम बाधा के कारण मोबाइल ऐप हमारे उद्देश्यों के लिए थोड़ा अधिक दिलचस्प हैं। जब ऐप्पल ऐप स्टोर से बाहर आया, तो उसने मोबाइल कंप्यूटिंग में हमेशा के लिए चीजों को बदल दिया। वेब पृष्ठों के समान, लेकिन अधिक सुविधा संपन्न, मोबाइल ऐप ने उपभोक्ता क्षमताओं के एक नए युग की शुरुआत की।

जहाँ तक किसी डेवलपर द्वारा कुछ उपयोगी बनाने की बात है, यह मोबाइल ऐप की तुलना में बहुत आसान नहीं है। कुछ लोग तर्क दे सकते हैं कि प्रवेश की बाधा बहुत कम है, इसलिए अब ऐप स्टोर कबाड़ से भर गए हैं। यदि इसे बनाना थोड़ा कठिन होता, तो शायद दुनिया की स्क्रिप्ट किडीज़ और कॉपीकैट का योगदान नहीं होता, लेकिन यह सभी कॉमर्स के लिए खुले रहने वाला ट्रेडऑफ़ है। एक छोटा प्रतिशत महान एप्लिकेशन बनाएगा, और विशाल बहुमत नहीं होगा।

सामाजिक नेटवर्क

चाहे वह फेसबुक और ट्विटर हो या फोरस्क्वेयर और लिंक्डइन, सामाजिक नेटवर्क सभी को सीमित मानकीकरण के साथ स्वामित्व दिया गया है। सोशल नेटवर्क्स पर कुछ ओपन सोर्स प्रयास हुए हैं, लेकिन किसी को भी आलोचनात्मक जन नहीं मिला है। इसका मतलब है कि सोशल नेटवर्क स्पेस में लगभग सभी विकास कम संख्या में कंपनियों से आए हैं।

किसी चीज़ को उपयोगी बनाने के लिए एक डेवलपर की क्षमता के बारे में, आप सोशल नेटवर्क्स को दो तरीकों में से एक पर देख सकते हैं, यही वजह है कि मैंने इसे प्रवेश के लिए बाधा डालने पर सड़क स्कोर के बीच में दिया। यह सच है कि जब तक आप सोशल नेटवर्क कंपनियों में से एक के कर्मचारी नहीं हैं, तब तक आप उनके प्लेटफॉर्म पर योगदान नहीं दे पाएंगे। दूसरी ओर, सामाजिक नेटवर्क एक ऑपरेटिंग सिस्टम या वेब ब्राउज़र के रूप में लगभग जटिल नहीं हैं। उपयोगकर्ताओं के लाखों (या अरबों) को सामाजिक नेटवर्क को स्केल करने की कोशिश में जटिलता आती है। एक डेवलपर एक वेब ऐप को एक साथ जोड़ सकता है जो एक सप्ताहांत में फेसबुक या ट्विटर से मिलता-जुलता है। उन्हें लाखों उपयोगकर्ताओं के लिए काम करना एक अलग कहानी है।

सामाजिक नेटवर्क बनाने के लिए एक उच्च अवरोधक बनाने वाला दूसरा मुद्दा उपयोगी होने से पहले आवश्यक नेटवर्क प्रभाव है। यदि आपको उपयोगकर्ताओं का महत्वपूर्ण द्रव्यमान नहीं मिलता है, तो नेटवर्क का सीमित मूल्य है। सिर्फ मोबाइल ऐप बनाने से ज्यादा, नेटवर्क इफेक्ट्स हासिल करना बेहद मुश्किल है और ऐसा नहीं कि कोई डेवलपर आसानी से अपना निर्माण कर सके।

क्लाउड कंप्यूटिंग

Google और Microsoft ने तेजी से अनुसरण करते हुए, अमेज़ॅन ने क्लाउड कम्प्यूटिंग सुविधाओं के नए युग की शुरुआत करने और AWS के साथ मूल्य निर्धारण में एक अद्भुत काम किया है। हालांकि, महत्वपूर्ण हार्डवेयर आवश्यकताओं के कारण, क्लाउड कम्प्यूटिंग बड़े पैमाने पर गहन व्यापार है जो सफल होने के लिए बड़े पैमाने पर है। यह आम तौर पर मुख्य मंच के केंद्रीकृत विकास की ओर जाता है जहां व्यक्तिगत कंपनियां राज्य की चाबियाँ रखती हैं, जो कि यहां मामला है (अमेज़ॅन, Google, माइक्रोसॉफ्ट, आदि)।

क्लाउड कम्प्यूटिंग को डेवलपर्स को दिलचस्प चीजें बनाने की अनुमति देने के लिए अनुकूलित किया गया है, इसलिए बनाने के लिए बाधा कम है। क्लाउड कम्प्यूटिंग ने बहुत सारे नवाचारों को सक्षम किया है, लेकिन यह केवल तब तक जारी रहेगा जब तक अमेज़ॅन, Google और Microsoft निवेश करने लायक स्थान को हटा नहीं देते।

चीजों की इंटरनेट

पिछले दस सालों में इंटरनेट ऑफ थिंग्स (IoT) को देखना दिलचस्प रहा है क्योंकि इसमें कुछ ही समय में बढ़त हुई और कुछ ही समय में हार हुई। मेरे दो कारकों के बारे में, IoT एक मिश्रित बैग है। जहां तक ​​प्रवेश में बाधा है, ज्यादातर सॉफ्टवेयर (और यहां तक ​​कि हार्डवेयर) बिल्डिंग ब्लॉक एक IoT डिवाइस बनाने के लिए आमतौर पर उपलब्ध हैं, लेकिन एक वाणिज्यिक IoT डिवाइस को बाजार में ले जाना एक महत्वपूर्ण उपक्रम है - बस मुझे किसी भी असफल किकस्टार्टर परियोजनाओं के बारे में पूछें जिसमें मैंने निवेश किया है।

IoT को कुछ मानकीकरण से लाभ हुआ है, लेकिन यह बहुत ही खंडित स्थान है। यह पहले वर्णित नेटवर्किंग नेटवर्क जैसा दिखता है। सिर्फ इसलिए कि "मानक" नहीं हैं, इसका मतलब है कि कंपनियों को उनका उपयोग करना होगा। परिणामस्वरूप, आपके पास अपने घर या कार्यालय में विभिन्न प्रकार के IoT डिवाइस हैं जो विभिन्न मानकों का उपयोग करते हैं या एक साथ काम नहीं करते हैं।

कृत्रिम होशियारी

मैंने पहली बार महसूस किया कि AI पारिस्थितिकी तंत्र के साथ कुछ अलग था जब मैंने विभिन्न विषयों पर नवीनतम शोध में खुदाई शुरू की: LSTM, GAN, CNNs, Seq-to-seq। इतना नया शोध सामने आ रहा है; इसे बनाए रखना कठिन है कला की वर्तमान स्थिति के साथ गति प्राप्त करना और नवीनतम शोध के बीच रहना कम से कम कहने के लिए चुनौतीपूर्ण रहा है।

दो कारकों को देखते हुए, पहले, एआई के साथ कुछ दिलचस्प करने के लिए एक डेवलपर के लिए प्रवेश करने की बाधा कम है। आपके लिए आवश्यक सभी उपकरण स्वतंत्र रूप से उपलब्ध हैं। बाधाएं विशुद्ध रूप से स्व-चालित हैं। कुछ दिलचस्प करने के लिए आपको एक महत्वपूर्ण डेटासेट की आवश्यकता होती है (हालाँकि इस बारे में कुछ बहस है कि आपको कितनी ज़रूरत है) और दूसरा यह है कि एक उपयोगी मॉडल बनाने के तरीके को समझने के लिए मानसिक बैंडविड्थ की आवश्यकता है। यह अंतिम बिंदु है जो मुझे उन कंपनियों की विशाल संख्या के बारे में थोड़ा संदेह करता है जो दावा करते हैं कि वे एआई, विशेष रूप से मशीन लर्निंग के साथ दिलचस्प चीजें कर रहे हैं। एमएल प्रोग्राम बनाना मोबाइल ऐप बनाने जैसा नहीं है। यह अधिक जटिल है, खासकर यदि आप कुछ भी दिलचस्प कर रहे हैं (हालांकि अमेज़ॅन ने प्रक्रिया को काफी सरल बना दिया है)।

मुख्य प्लेटफार्मों के बारे में, अभी भी शुरुआती दिन हैं, और ऐसे हेवीवेट प्लेटफॉर्म नहीं हैं जो एआई के साथ अनुभव को परिभाषित करते हैं जैसे अन्य तकनीकों को मैंने कवर किया है। मशीन लर्निंग और डीप लर्निंग प्लेटफ़ॉर्म जैसे टेन्सरफ़्लो, पायटर्च, थीनो और केरस के सभी खुले स्रोत हैं और इनमें जीवंत समुदाय हैं।

एआई जो अन्य तकनीकों की तुलना में एआई को अलग बनाती है, वह इसकी मजबूत शोध पृष्ठभूमि है। डिफ़ॉल्ट रूप से, कंप्यूटर विज्ञान क्षेत्र अकादमिक सम्मेलनों द्वारा चिह्नित एक खुला समुदाय रहा है जहां शोधकर्ता अपने नवीनतम निष्कर्ष प्रस्तुत करते हैं। एआई दुनिया में कई दिग्गजों ने शिक्षाविदों से कहा, जहां उनके शोध को प्रकाशित करना आदर्श था। नवाचार को बंद रखने या अंतिम क्षण तक प्रतीक्षा करने के बजाय एक बार एक विचार पूरी तरह से पके हुए और बहुत सारे कोड लिखे गए हैं, अधिकांश शोध कुछ महीनों के काम और सीमित कोड के आधार पर आधारित हैं। बिंदु यह है कि विचारों को समुदाय तक जल्दी से जल्दी पहुंचा दिया जाए ताकि दूसरे उन पर सुधार कर सकें (और किसी और के होने से पहले आपको इस विचार का श्रेय मिल जाए)।

इस तरह के इकोसिस्टम के बारे में हमने जो सबसे करीब से देखा है, वह है इंटरनेट मानक निकाय या ओपन सोर्स मूवमेंट जिनका मैंने पहले उल्लेख किया था, लेकिन एआई अभी भी महत्वपूर्ण तरीकों से अलग है। जब एआई अनुसंधान की बात आती है, तो कोई शासी निकाय नहीं है जो नए अग्रिमों को मंजूरी देता है। IETF और अन्य संगठन उद्योग जगत में बड़ी शक्तियों के साथ अपने प्रतिनिधित्व के लिए बहुत अधिक राजनीतिक होने के साथ-साथ असंतुष्टों के लिए पसंदीदा खेलने के लिए कुख्यात हो गए, ताकि वे विशेष तरीकों से मानक समूहों को संचालित कर सकें। शोध समुदाय में सबसे करीबी बात यह है कि बड़े अकादमिक सम्मेलनों में पेपर जमा करने की प्रक्रिया और सर्वश्रेष्ठ पेपर के लिए पुरस्कार। हालांकि उन लोगों की प्रशंसा अच्छी है, वे आपके नए विचार के लिए अनुसंधान भीड़ द्वारा उठाए जाने के लिए एक आवश्यक शर्त नहीं हैं।

यहां तक ​​कि Google, फेसबुक, अमेज़ॅन और Baidu के साथ पीएच.डी. छात्र जितनी जल्दी हो सके, मशीन लर्निंग पर अपने कार्यबल को पुनः प्राप्त कर रहे हैं, और अंतरिक्ष में अरबों डॉलर का निवेश कर रहे हैं, यह पिछले 30 वर्षों में कुछ समय में से एक है जहां बहुत से निवेश पूरे उद्योग को आगे बढ़ाने में मदद कर रहे हैं बस एक विशेष कंपनी का एजेंडा।

परिस्थितियों का संगम

मैं अक्सर उद्यमियों को बताता हूं कि अधिकांश स्टार्टअप बहुत जल्द विफल हो जाते हैं। परिस्थितियों के संगम को अपने पक्ष में करने के लिए उन्हें लंबे समय तक घूमना पड़ता है। मेरे मामले में ऐसा ही हुआ। कंपनियों के अधिग्रहित होने का एक प्रभावी प्रभाव था जिसके कारण मुझे एक शानदार वापसी के लिए अधिग्रहण करना पड़ा। इसने कहा, यह मेरे लिए स्टार्टअप लाइफ का सबसे परेशान करने वाला पहलू है - आप हर उस चीज को नियंत्रित नहीं कर सकते जो आपको सफल बनाएगी। बाजार की ताकत, प्रौद्योगिकी बदलाव, आर्थिक स्थिति आदि सभी का आपकी कंपनी पर महत्वपूर्ण प्रभाव पड़ता है।

यही बात प्रौद्योगिकियों पर भी लागू होती है। अतीत में विफल प्रयासों के बावजूद, सही समय पर मौजूदा एआई उछाल आया। विभिन्न परिस्थितियों में इसकी सफलता में योगदान दिया है:

  • पूरी तरह से वितरित नवाचार वातावरण, जिसकी मैंने चर्चा की है, पूरे एआई क्षेत्र में नई क्षमताओं की बहुत तेजी से दर हुई है।
  • 2000 के दशक के मध्य से बिग डेटा शुरू होने के वर्षों के बाद, 2010 और 2011 तक कई कंपनियों ने अंततः बिग डेटा इन्फ्रास्ट्रक्चर विकसित करना शुरू कर दिया था।
  • "क्यों" के बजाय "क्या" पर वर्षों का ध्यान केंद्रित करने के बाद, कंपनियां अपने बिग डेटा निवेशों में मूल्य का एहसास करना चाहती थीं। बिग डेटा के साथ समस्या यह एक अंत नहीं है, लेकिन एक अंत के लिए एक साधन है। बिग डेटा से कुछ सार्थक पाने के लिए पेंट-अप की मांग का मतलब था कि कंपनियां अपने डेटा के उपयोग के नए तरीकों के लिए खुली थीं (AI चरण बाईं ओर दर्ज करें)।
  • गेमिंग की दुनिया में बड़े हिस्से में धन्यवाद, एआई (जीपीयू के रूप में) के लिए अनुकूलित गणना आसानी से उपलब्ध हो गई है। जीपीयू मैट्रिक्स गुणा करता है पारंपरिक सीपीयू की तुलना में तेजी से होना चाहिए, जिसका मतलब है कि मशीन लर्निंग और डीप लर्निंग मॉडल बहुत तेजी से प्रदर्शन कर सकते हैं। एनवीडिया खुश है।
  • एआई समाधान विकसित करने के लिए प्रवेश के लिए एक कम बाधा है, लेकिन इसके लिए उच्च स्तर के तकनीकी ज्ञान की आवश्यकता होती है। यह मोबाइल ऐप्स से एक महत्वपूर्ण अंतर है, जो विकसित करने के लिए कम बाधा है। जहां ऐप स्टोर में कई भद्दे ऐप हैं, जब तक कि आप महत्वपूर्ण डेटा तक पहुंच रखने वाले गंभीर डेवलपर नहीं हैं, तब तक आप मशीन लर्निंग के साथ बहुत कुछ नहीं कर पाएंगे। नतीजतन, औसत एआई ऐप उच्च गुणवत्ता वाला होगा।

एआई लेब्रोन जेम्स या ग्रेग ओडेन होगा?

इस लेख में, मैंने वर्णन किया है कि क्यों हम आर्टिफिशियल इंटेलिजेंस के साथ भविष्य के नवाचार की क्षमता पिछले प्रमुख प्रौद्योगिकी तरंगों के बीच देखी गई किसी भी चीज के विपरीत है। हालांकि, आपके पास दुनिया में सभी क्षमता हो सकती है और इसका पूरा उपयोग नहीं कर सकते हैं। बस टाइगर वुड्स से पूछिए।

AI इकोसिस्टम पूरी तरह से वितरित इनोवेशन मॉडल जिसे मैंने वर्णित किया है, के कारण लचीला होगा, लेकिन कुछ बाहरी कारक हैं जो प्रगति को बाधित कर सकते हैं।

  • डीप लर्निंग पर बहुत ध्यान केंद्रित किया। एआई के लिए एलन इंस्टीट्यूट के एक शोधकर्ता ने पिछले साल ओ'रेली एआई सम्मेलन में एक बात कही और अपनी चिंता साझा की कि डीप लर्निंग ने सभी का ध्यान आकर्षित किया है, हम डीएल पर एक स्थानीय अधिकतम विकसित कर सकते हैं और अन्य तरीकों का पता नहीं लगा सकते हैं सामान्य एआई हासिल करने में मदद करने के लिए बेहतर अनुकूल है।
  • पर्याप्त अच्छा बिग डेटा नहीं। प्रगति के बावजूद कई कंपनियों ने अपने डेटा को व्यवस्थित करने के लिए, अधिकांश अभी भी एक लंबा रास्ता तय किया है। स्वचालित अंतर्दृष्टि में, हमने देखा है कि सफल परियोजनाओं के लिए # 1 बाधा पर्याप्त गुणवत्ता डेटा की कमी है। ज्यादातर कंपनियों को लगता है कि उनके पास इससे बेहतर डेटा है।
  • मनुष्य! आसानी से अगली पीढ़ी के स्वचालन और एआई प्रौद्योगिकियों को अपनाने के लिए सबसे बड़ी बाधा खुद होगी। एक समाज के रूप में, हम पूरी तरह से प्रौद्योगिकियों को गले नहीं लगाएंगे जो स्वायत्त कारों की तरह लाखों लोगों को बचा सकते हैं। लेवल 5 स्वायत्त कारों की तकनीक पहुंच के भीतर है, लेकिन सामाजिक और राजनीतिक दबाव पूरी तरह से लागू होने में काफी लंबा समय लेगा।
  • मोहभंग के गर्त से बचे। गार्टनर के लोगों से पूछना दिलचस्प होगा, लेकिन मैं उत्सुक हूं कि अगर उन्होंने पिछले 20 वर्षों में देखा है कि एक तकनीक एआई जितनी जल्दी सम्मोहित हो जाती है। वे सभी उभरती हुई प्रौद्योगिकियों के लिए एक ही प्रचार वक्र का उपयोग करते हैं, लेकिन वास्तव में, प्रत्येक को अपने वक्र के लिए अलग ढलान होता है। यह देखते हुए कि हाइप ने एआई को कितना घेर लिया है, इसका मतलब हो सकता है कि गर्त का मोहभंग भी गहरा हो सकता है और संभावित रूप से बाहर आना मुश्किल है। क्या लोगों को AI पर खटास आएगी जब शुरुआती परिणाम उतने शानदार नहीं आएंगे जितने कि हमें उम्मीद थी?
  • एआई प्लेटफॉर्म उभरता है जो विकास को अधिक केंद्रीकृत करता है। Tensorflow ने ML समुदाय में बहुत अधिक कर्षण प्राप्त किया है। क्या यह एक अधिक हैवीवेट प्लेटफॉर्म बन सकता है जो कि प्रत्येक एमएल इंजीनियर के लिए डिफ़ॉल्ट फ्रेमवर्क बन जाता है? फिर हम एक अधिक केंद्रीकृत नवाचार पैटर्न के बाद जोखिम उठाते हैं।

अंत में, मुझे विश्वास है कि अमारा का नियम AI के लिए सही रहेगा:

हम छोटी अवधि में एक प्रौद्योगिकी के प्रभाव को कम करने और लंबे समय में प्रभाव को कम आंकते हैं।

कई मैनुअल कार्य जिन्हें मैंने सोचा था कि एक या दो साल पहले मैं अछूत था, मैं उन्हें और अधिक स्वचालित बनाने के लिए एक रास्ता देख सकता हूं। यह देखना दिलचस्प होगा कि क्या कोई टिपिंग बिंदु है जहां नवाचार की दर और भी तेज हो जाती है क्योंकि हम अतिरिक्त सफलताएं बनाते हैं।

यदि आप इस पोस्ट को पसंद करते हैं, तो इसे नीचे, दें ताकि अन्य लोग भी इसे देखेंगे। धन्यवाद!