ఏఐ అభివృద్ధికి కొత్త 'బ్లూప్రింట్' ఆవిష్కరణ

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (ఏఐ) వాస్తవ ప్రపంచంలో నేర్చుకునే, పనిచేసే విధానాన్ని సమూలంగా మార్చేందుకు రూపొందించిన ఒక కొత్త ఫ్రేమ్‌వర్క్‌ను షెఫీల్డ్ విశ్వవిద్యాలయం, అలన్ ట్యూరింగ్ ఇన్‌స్టిట్యూట్‌ పరిశోధకులు ఆవిష్కరించారు.

'నేచర్ మెషిన్ ఇంటెలిజెన్స్' జర్నల్‌లో ప్రచురించబడిన ఈ ఫ్రేమ్‌వర్క్, 'మల్టీమోడల్ ఏఐ' వ్యవస్థల నిర్మాణం, వినియోగం కోసం ఒక బ్లూప్రింట్‌గా పనిచేస్తుంది. టెక్స్ట్, చిత్రాలు, ధ్వని, సెన్సార్ రీడింగ్‌లు వంటి బహుళ రకాల డేటా నుండి నేర్చుకోగల సామర్థ్యం ఈ అధునాతన మోడళ్లకు ఉంటుంది. వాస్తవ ప్రపంచంలోని క్లిష్టమైన సమస్యలను పరిష్కరించడంలో ఏఐ సాంకేతికతలను మరింత ఆచరణాత్మకంగా, నైతికంగా, సమర్థవంతంగా మార్చడానికి ఇది రూపొందించబడింది.

దృష్టి, భాషకు మించి విస్తరణ

ప్రస్తుతం ఉన్న చాలా ఏఐ వ్యవస్థలు, ప్రసిద్ధి చెందిన లార్జ్ లాంగ్వేజ్ మోడల్స్ (ఎల్ఎల్ఎం), ఇమేజ్-రికగ్నిషన్ మోడల్స్‌తో సహా, కేవలం ఒకే రకమైన డేటాపై ఆధారపడుతున్నాయి. మల్టీమోడల్ వ్యవస్థలలో కూడా 2024లో ప్రచురించబడిన పరిశోధనలో దాదాపు 89 శాతం కేవలం విజన్, లాంగ్వేజ్ పై మాత్రమే దృష్టి సారించినట్లు కనుగొనబడింది. ఈ పరిమిత పరిధి కారణంగా సంక్లిష్టమైన, అనూహ్యమైన వాస్తవ ప్రపంచ పరిస్థితులతో వ్యవహరించే ఏఐ సామర్థ్యం తగ్గిందని అధ్యయనం పేర్కొంది.

దీనికి విరుద్ధంగా, ప్రతిపాదిత ఫ్రేమ్‌వర్క్ విస్తృతమైన అభ్యాస విధానాన్ని ప్రోత్సహిస్తుంది. దృశ్య, సెన్సార్, పర్యావరణ డేటాను ఏకీకృతం చేయడం ద్వారా సెల్ఫ్-డ్రైవింగ్ కార్లు వివిధ పరిస్థితులలో మరింత సురక్షితంగా పనిచేయడానికి సహాయపడుతుంది. అదేవిధంగా వైద్య, క్లినికల్, జెనోమిక్ డేటాను కలపడం ద్వారా రోగ నిర్ధారణ ఖచ్చితత్వాన్ని మెరుగుపరచవచ్చు, ఔషధాల పరిశోధనను వేగవంతం చేయవచ్చు.

ఆచరణాత్మక, విశ్వసనీయ ఏఐ దిశగా అడుగు

షెఫీల్డ్ విశ్వవిద్యాలయంలోని స్కూల్ ఆఫ్ కంప్యూటర్ సైన్స్ ప్రొఫెసర్, ఈ అధ్యయనానికి నాయకత్వం వహించిన ప్రొఫెసర్ హైపింగ్ లూ ఏఐ భాష, దృష్టి రంగాలలో గణనీయమైన పురోగతి సాధించినప్పటికీ.. వాస్తవ ప్రపంచం చాలా గొప్పది, సంక్లిష్టమైనదిగా ఉందని వ్యాఖ్యానించారు. మహమ్మారి నియంత్రణ, సుస్థిర శక్తి, వాతావరణ మార్పు వంటి ప్రపంచ సవాళ్లను పరిష్కరించడానికి విస్తృత శ్రేణి డేటా, నైపుణ్యాన్ని వినియోగించుకునే మల్టీమోడల్ ఏఐ వ్యవస్థలు అవసరమని ఆయన పేర్కొన్నారు.

ఈ ఫ్రేమ్‌వర్క్ ఏఐ వ్యవస్థలను ప్రయోగశాల వాతావరణాల వెలుపల కూడా సురక్షితంగా, విశ్వసనీయంగా, సమర్థవంతంగా అభివృద్ధి చేయడానికి డెవలపర్లు, పరిశోధకులకు ఒక రోడ్‌మ్యాప్‌ను అందిస్తుంది. ఈ అధ్యయనం తన అప్లికేషన్‌ను మూడు ప్రధాన రంగాలైన మహమ్మారి ప్రతిస్పందన, అటానమస్ వాహన రూపకల్పన, వాతావరణ మార్పు అనుసరణ ద్వారా వివరిస్తుంది. ఈ అధ్యయనానికి యూకే, విదేశాలలోని 22 సంస్థల నుండి 48 మంది నిపుణులు సహకరించారు.

ప్రస్తుత ఏఐ టెక్నాలజీలతో అనుసంధానం

ఇప్పటికే ఉన్న ఏఐ వ్యవస్థల మాదిరిగానే మల్టీమోడల్ ఏఐ కూడా మెషిన్ లెర్నింగ్, డీప్ లెర్నింగ్ సూత్రాలపై ఆధారపడి ఉంది. అయితే ఇది మరింత ఆధునిక పరిణామంగా పరిగణించబడుతుంది. ప్రస్తుత మోడళ్ల మాదిరిగానే, ఇది పెద్ద డేటాసెట్‌లు, కంప్యూటేషనల్ శిక్షణపై ఆధారపడి ఉంటుంది. కానీ మనుషులు దృష్టి, ధ్వని, స్పర్శ ద్వారా సమాచారాన్ని ఏకీకృతం చేసి తమ పరిసరాలను అర్థం చేసుకున్నట్లే, ఈ ఫ్రేమ్‌వర్క్ బహుళ ఇన్‌పుట్ మూలాలను కలపడం ద్వారా అభ్యాస ప్రక్రియను విస్తరిస్తుంది.

ఈ బహుళ-పరిమాణ విధానం ద్వారా ఏఐ తన వాతావరణం గురించి మరింత పూర్తి, సందర్భోచిత అవగాహనను ఏర్పరుచుకుంటుంది. తద్వారా పక్షపాతాన్ని తగ్గించి, నిర్ణయాల ఖచ్చితత్వాన్ని మెరుగుపరుస్తుంది.

సహకార ఆవిష్కరణల ప్రోత్సాహం

ఈ చొరవ అలన్ ట్యూరింగ్ ఇన్‌స్టిట్యూట్‌లోని 'మెటా-లెర్నింగ్ ఫర్ మల్టీమోడల్ డేటా ఇంట్రెస్ట్ గ్రూప్' నుండి ప్రారంభమైంది. దీనికి ప్రొఫెసర్ లూ నాయకత్వం వహిస్తున్నారు. ఈ సహకారం యూకే ఓపెన్ మల్టీమోడల్ ఏఐ నెట్‌వర్క్ ఏర్పాటుకు స్ఫూర్తినిచ్చింది. ఈపీఎస్ఆర్సీ నిధులు సమకూర్చిన £1.8 మిలియన్ల ఈ ప్రాజెక్ట్, వినూత్న ఏఐ రంగంలో యూకే నాయకత్వాన్ని బలోపేతం చేయనుంది.

అలన్ ట్యూరింగ్ ఇన్‌స్టిట్యూట్‌లోని పరిశోధనా నాయకురాలు డాక్టర్ లూయిసా వాన్ జీలాండ్, మల్టీమోడల్ ఏఐ ద్వారా పెద్ద, విభిన్న డేటాసెట్‌లను ఏకీకృతం చేయడం ద్వారా పర్యావరణ అంచనా కోసం ఒక కొత్త ప్రమాణాన్ని నెలకొల్పవచ్చని పేర్కొన్నారు. ఈ అధునాతన మోడలింగ్ విధానం ఆర్కిటిక్ పరిరక్షణ నుండి వ్యవసాయ అనుకూలత వరకు అనేక రంగాలలో కొలవదగిన ప్రభావాలకు దారితీస్తుందని ఆమె తెలిపారు.

ఏఐ యుగానికి కొత్త దిశ

నిపుణులు ఈ షెఫీల్డ్-ట్యూరింగ్ ఫ్రేమ్‌వర్క్‌ను ఏఐ పరిణామంలో ఒక ముఖ్యమైన మైలురాయిగా భావిస్తున్నారు. ఇది డేటా-పరిమిత వ్యవస్థల నుండి బహుళ-పరిమాణాల సమాచారం ద్వారా ప్రపంచాన్ని ప్రాసెస్ చేయగల, అర్థం చేసుకోగల ఏఐ వైపు మార్పును సూచిస్తుంది. ఆరోగ్య సంరక్షణ, చలనశీలత, పర్యావరణ నిర్వహణ వంటి రంగాలలో ఏఐ అంతర్భాగంగా మారుతున్న ఈ యుగంలో ఈ మల్టీమోడల్ బ్లూప్రింట్ ఏఐని మరింత తెలివైనదిగా, సురక్షితమైనదిగా, వాస్తవ ప్రపంచ సంక్లిష్టతలకు అనుగుణంగా మార్చడానికి కీలకమైన అడుగు.