अध्याय 3: रीयल वर्ल्ड एआई और अनिश्चितता (भाग 1)

अनिश्चित दुनिया में संभावनाओं की सोच

खेल के बोर्ड पर तो सारी जानकारी साफ दिखाई देती है और नियम बिल्कुल पक्के होते हैं, लेकिन हमारी असली दुनिया बहुत उलझी हुई, शोर से भरी और अनिश्चित है। सेंसर (Sensors) खराब हो सकते हैं, जानकारी अधूरी हो सकती है, और नतीजों की कभी कोई 100% गारंटी नहीं होती। इसलिए, असली दुनिया में काम करने वाले आधुनिक एआई (Real-World AI) ने पक्के और सख्त नियमों वाले लॉजिक को छोड़कर प्रोबेबिलिटी थ्योरी (Probability Theory - संभावनाओं का गणित) को अपना लिया है।

मारवाड़ के सूखे और शुष्क इलाकों में जीवन हमेशा से ही अनिश्चितता के बीच फैसले लेने पर निर्भर रहा है। यहाँ खेती और पशुपालन पूरी तरह से मेह (मानसूनी बारिश) पर टिके हैं, जो शायद ही कभी तय समय पर आती है। यहाँ के किसान और चरवाहे पक्की गारंटी के इंतजार में हाथ पर हाथ धरे नहीं बैठे रहते; वे संभावनाओं और अनुमानों के सहारे अपनी उम्मीदें तय करते हैं। हम विद्यार्थियों को सिखाते हैं कि कैसे ऑड्स (Odds - किसी घटना के होने और न होने का अनुपात, जैसे बारिश होने के पक्ष में 3:1) और प्रतिशत (Percentage - जैसे 75% संभावना) के बीच आसानी से बदलाव किया जाता है। यही अधूरी जानकारी के बीच सही फैसले लेने का गणितीय आधार है।

बेज रूल से अपनी समझ को अपडेट करना

जब कोई नया सबूत या नई जानकारी सामने आती है, तो एक समझदार इंसान या एक एल्गोरिदम (Algorithm) को अपनी पुरानी राय कैसे बदलनी चाहिए? इसका सही जवाब बेज रूल (Bayes Rule - नए सबूत या जानकारी मिलने पर अपनी पुरानी धारणा या संभावना को अपडेट करने का गणितीय सूत्र) में मिलता है, जो आधुनिक एआई (AI) की एक बहुत बड़ी नींव है। यह नियम हमें सिखाता है कि कैसे अपने पुराने अनुमानों को नए अनुभवों के साथ जोड़कर एक नया और सटीक अनुमान (Posterior Probability) निकाला जाए:

Posterior Odds = Likelihood Ratio × Prior Odds

हम इस सिद्धांत को बीमारियों की मेडिकल जांच के उदाहरण से समझते हैं, जहाँ हम बेस-रेट फैलेसी (Base-Rate Fallacy - किसी खास टेस्ट के नतीजे पर ध्यान देकर कुल आबादी में उस बीमारी की असली दर को नजरअंदाज कर देने की इंसानी गलती) के बारे में जानते हैं। अक्सर लोग किसी टेस्ट की पॉजिटिव रिपोर्ट देखकर डर जाते हैं, जबकि वे यह भूल जाते हैं कि पूरी आबादी में वह बीमारी असल में कितनी दुर्लभ है।

इसे मारवाड़ के अपने माहौल से समझिए: मान लीजिए कि एक किसान तीज या गणगौर के त्योहार से पहले बारिश होने का अंदाजा लगा रहा है। अपने पुराने चौमासो (मानसून कैलेंडर) के अनुभव से वह बारिश होने का एक शुरुआती अनुमान यानी प्रायर ऑड्स (Prior Odds - पहले से मौजूद अनुमान) तय करता है। अचानक, उसे एक नया सबूत दिखता है: हवा का रुख बदलता है और आसमान में सुंतो (तेज बरसाती तूफानी हवा) के काले बादल घिर आते हैं। अब किसान अपने दिमाग में लाइकलीहुड रेशियो (Likelihood Ratio - नए सबूत के दिखने की संभावना का अनुपात) का हिसाब लगाता है कि जब वाकई बारिश होने वाली होती है, तब इस तरह के तूफान का आना, सूखी धूल भरी आँधी के मुकाबले कितना ज्यादा संभव होता है। अपने पुराने अनुमान को इस अनुपात से गुणा करके वह एक बहुत ही सटीक और नया अनुमान यानी पोस्टीरियर ऑड्स (Posterior Odds - नया सबूत मिलने के बाद अपडेटेड अनुमान) निकालता है। यही अपडेटेड समझ तय करती है कि गाँव में हालसोतियो (खेत जोतने से पूर्व की प्रार्थना) की तैयारी शुरू होगी या बीज को खालो (अनाज भण्डारगृह) में ही सुरक्षित रखा जाएगा।

नेव बेज और टेक्स्ट क्लासिफिकेशन

हम संभावनाओं के इसी गणित का उपयोग करके ईमेल में आने वाले स्पैम (Spam - बेकार या फर्जी संदेश) को रोकने जैसे काम के टूल्स बनाते हैं, जिसे नेव बेज क्लासिफायर (Naive Bayes Classifier - शब्दों को एक-दूसरे से स्वतंत्र मानकर चीजों को अलग-अलग श्रेणियों में बाँटने का आसान तरीका) कहा जाता है। जब यह एल्गोरिदम (Algorithm) किसी संदेश को पढ़ता है, तो वह उसमें मौजूद शब्दों को देखता है और गणितीय हिसाब लगाता है कि उस संदेश के बेकार (Spam) होने की कितनी संभावना है और सही (Ham) होने की कितनी।

इस सिस्टम को "नेव" (Naive - भोला या सीधा) इसलिए कहा जाता है क्योंकि यह एक बहुत ही सरल मानकर चलने वाली बात (Assumption) पर काम करता है: यह मान लेता है कि संदेश का हर शब्द एक-दूसरे से बिल्कुल स्वतंत्र है, और व्याकरण या शब्दों के क्रम पर ध्यान नहीं देता। इतनी बड़ी सरलता के बावजूद, यह सिस्टम गजब की सटीकता और तेजी से काम करता है। यह व्यावहारिक अंगूठे का नियम उस छोटे लड़के की समझ जैसा है जो अपने पशुओं को चराने के लिए बाहर ले जाता है और तुरंत यह पहचान लेता है कि सामने की जमीन अच्छी चरागाह है या बंजर भूमि। किसी जटिल मिट्टी जांच के बजाय, वह अलग-अलग स्वतंत्र लक्षणों को देखता है: क्या वहाँ खास तरह की काँटेदार झाड़ियाँ हैं, किस तरह की सूखी घास उगी है, या जमीन की सतह पर कितनी नमी है? इन अलग-अलग लक्षणों को स्वतंत्र रूप से देखकर वह तुरंत और सटीक अंदाजा लगा लेता है कि जमीन चराने लायक है या नहीं।