लैरी पेज की मूल एआई दृष्टि जो Google की दीर्घकालिक रणनीति के पीछे थी

इस पोस्ट में 'लैरी पेज की एआई दृष्टि' से क्या आशय है

यह किसी एक बड़े विज्ञप्ति-क्षण या ओवरहाइप वाला लेख नहीं है। यह दीर्घकालिक सोच के बारे में है: कैसे कोई कंपनी किसी दिशा का जल्दी चुनाव कर सकती है, कई तकनीकी परिवर्तनों के माध्यम से निवेश जारी रख सकती है, और धीरे-धीरे एक बड़े विचार को रोज़मर्रा के उत्पादों में बदल सकती है।

जब यह पोस्ट 'लैरी पेज की एआई दृष्टि' कहती है, तो इसका मतलब यह नहीं है कि 'Google ने आज के चैटबॉट्स की भविष्यवाणी कर ली थी।' इसका मतलब कुछ सरल—और अधिक टिकाऊ—है: अनुभव से सीखने वाली प्रणालियाँ बनाना।

आसान भाषा में परिभाषा

इस पोस्ट में, 'एआई दृष्टि' कुछ जुड़ी मान्यताओं को दर्शाती है:

• कंप्यूटर केवल हस्त-लिखे नियमों से नहीं, बल्कि डेटा से सीखकर अपना प्रदर्शन बेहतर करें।
• सबसे अच्छे सिस्टम समय के साथ बेहतर होते जाते हैं क्योंकि वास्तविक उपयोग से फीडबैक मिलता है (लोग क्या क्लिक करते हैं, क्या नजरअंदाज करते हैं, क्या फिर से खोजते हैं)।
• सीखने को व्यावहारिक बनाने के लिए इन्फ्रास्ट्रक्चर चाहिए: तेज़ कंप्यूटिंग, विश्वसनीय स्टोरेज, और बड़े पैमाने पर सुरक्षित प्रयोग चलाने का तरीका।

अर्थात्, 'दृष्टि' किसी एक मॉडल के बारे में कम और एक इंजन के बारे में ज्यादा है: संकेत इकट्ठा करें, पैटर्न सीखें, सुधार भेजें, दोहराएँ।

हम किस क्रम का अनुसरण करेंगे

इस विचार को ठोस बनाने के लिए, बाकी पोस्ट एक सरल प्रगति का पता लगाती है:

1. सर्च: एक स्पष्ट समस्या से शुरू करें—लोगों को अच्छे जवाब खोजने में मदद करें।
2. डेटा + इन्फ्रास्ट्रक्चर: वास्तविक उपयोग से सीखें कि 'अच्छा' क्या है, और उसे प्रोसेस करने के लिए मशीनरी बनाएं।
3. एआई-फर्स्ट उत्पाद: लर्निंग सिस्टम्स को डिफ़ॉल्ट दृष्टिकोण मानें, ताकि वॉइस, इमेज और नए इंटरफेस बिना सब कुछ फिर से लिखे भी अच्छा कर सकें।

अंत तक, 'लैरी पेज की एआई दृष्टि' नारा जितनी नहीं, रणनीति उतनी ही महसूस होनी चाहिए: सीखने वाली प्रणालियों में जल्दी निवेश करें, उन्हें खिलाने वाली पाइपलाइन बनाएं, और वर्षों में सम्मिलित प्रगति के लिए धैर्य रखें।

Google ने जिस शुरुआती समस्या को हल करने की कोशिश की: अच्छे जवाब ढूँढना

शुरूआती वेब में एक सरल परंतु जटिल परिणाम वाली समस्या थी: अचानक इतनी जानकारी आ गई थी कि किसी व्यक्ति के लिए सब छाँटना असंभव था, और ज्यादातर सर्च टूल्स बस यह अनुमान लगा रहे थे कि क्या महत्व रखता है।

अगर आप कोई क्वेरी टाइप करते, तो कई इंजन स्पष्ट संकेतों पर निर्भर करते थे—किसी पेज पर शब्द कितनी बार आया, क्या यह टाइटल में है, या साइट मालिक ने उसे छुपे टेक्स्ट में कितनी बार डाला। इससे परिणाम आसानी से गेम हो जाते थे और भरोसेमंद नहीं रहते थे। वेब उसी गति से बढ़ रहा था जिस गति से उसे व्यवस्थित करने वाले टूल्स नहीं थे।

PageRank, एक सिफारिश की तरह समझाइए

लैरी पेज और सर्गेई ब्रिन का मुख्य अंतर्दृष्टि यह था कि वेब के पास पहले से ही एक अंतर्निर्मित वोटिंग सिस्टम है: लिंक।

एक पेज से दूसरे पेज का लिंक किसी पेपर में संदर्भ या एक दोस्त की सिफारिश जैसा है। लेकिन सभी सिफारिशें समान नहीं होतीं। ऐसे पेज से आने वाला लिंक जिसकी स्वयं कई अन्य साइटें मूल्यवान मानती हैं, अज्ञात पेज से मिलने वाले लिंक से अधिक मायने रखता है। PageRank ने इस विचार को गणित में बदला: पेजों को सिर्फ अपनी सामग्री के आधार पर नहीं, बल्कि वेब के बाकी हिस्सों द्वारा दिए गए 'वोट्स' के आधार पर रैंक किया गया।

इससे एक साथ दो जरूरी काम हुए:

• यह प्राधिकरण वाले पेजों को समान शब्दों के न होने पर भी ऊपर लाने में मदद करता था।
• यह रैंकिंग को मनिपुलेट करना कठिन बनाता था, क्योंकि विश्वसनीयता नेटवर्क भर में अर्जित करनी पड़ती थी।

शुरुआत से ही मापन और पुनरावृत्ति क्यों महत्वपूर्ण थे

सिर्फ एक चालाक रैंकिंग विचार होना पर्याप्त नहीं था। सर्च क्वालिटी एक गतिशील लक्ष्य है: नए पेज आते हैं, स्पैम अनुकूलन होते हैं, और किसी क्वेरी का क्या मतलब है बदल सकता है।

इसलिए सिस्टम को मापने योग्य और अपडेटेबल होना पड़ा। Google लगातार टेस्टिंग पर झुका—बदलाव आजमाना, मापना कि क्या परिणाम सुधरते हैं, और दोहराना। यह पुनरावृत्ति की आदत कंपनी के दीर्घकालिक 'लर्निंग' सिस्टम्स के दृष्टिकोण को आकार देती रही: सर्च को एक बार का इंजीनियरिंग प्रोजेक्ट न मानकर निरंतर मूल्यांकन योग्य चीज़ माना गया।

डेटा एक फ़्लाइव्हील: वास्तविक उपयोग से सीखना

महान सर्च सिर्फ चालाक एल्गोरिद्म का मामला नहीं है—यह उन संकेतों की मात्रा और गुणवत्ता का मामला है जिनसे वे एल्गोरिद्म सीख सकते हैं।

शुरूआती Google के पास एक अंतर्निहित लाभ था: वेब खुद ही 'वोट्स' से भरा है जो मायने रखते हैं। पेजों के बीच के लिंक (PageRank की नींव) संदर्भ की तरह काम करते हैं, और एंकर टेक्स्ट ("click here" बनाम "best hiking boots") अर्थ जोड़ता है। इसके ऊपर, पन्नों में भाषा के पैटर्न मॉडल को पर्यायवाची, वर्तनी के भिन्न रूप और एक ही प्रश्न पूछने के कई तरीके समझने में मदद करते हैं।

वह फीडबैक लूप जो परस्पर बढ़ता है

एक बार लोग किसी सर्च इंजन का बड़े पैमाने पर उपयोग करते हैं तो उपयोग से अतिरिक्त संकेत बनते हैं:

• क्लिक दिखाते हैं कि किसी दिए गए क्वेरी के लिए असली उपयोगकर्ताओं को कौन से परिणाम प्रासंगिक लगते हैं।
• "लॉन्ग क्लिक" बनाम जल्दी वापस आने से संतोष का अंदाज़ा लगता है।
• क्वेरी सुधार (धुंधली क्वेरी के बाद अलग शब्दों से फिर खोजना) मंशा और परिणाम के बीच असंगति दिखा सकता है।

यही फ़्लाइव्हील है: बेहतर परिणाम अधिक उपयोग आकर्षित करते हैं; अधिक उपयोग समृद्ध संकेत पैदा करता है; समृद्ध संकेत रैंकिंग और समझ को सुधारते हैं; और वह सुधार और भी अधिक उपयोग खींचता है। समय के साथ, सर्च एक निश्चित नियमों के सेट की तरह कम और एक सीखने वाली प्रणाली की तरह ज्यादा बन जाता है जो लोगों को वास्तव में उपयोगी क्या लगता है, उसके मुताबिक अनुकूलित होती है।

डेटा विविधता क्यों मायने रखती है

विभिन्न प्रकार का डेटा एक-दूसरे को सुदृढ़ करता है। लिंक संरचना प्राधिकरण को उभार सकती है, जबकि क्लिक व्यवहार वर्तमान प्राथमिकताओं को दर्शाता है, और भाषा डेटा अस्पष्ट क्वेरियों (