कम्प्यूटेशनल हास्य Artificial intelligence की एक उपशाखा है जो हास्य के कम्प्यूटेशनल मॉडलिंग से संबंधित है। यह भाषाविज्ञान, मनोविज्ञान और कंप्यूटर विज्ञान से प्रेरणा लेकर ऐसी प्रणालियाँ विकसित करता है जो हास्यपूर्ण पाठ या अन्य मीडिया का पता लगा सकें, व्याख्या कर सकें और उत्पन्न कर सकें। यह क्षेत्र हास्य के अंतर्निहित संज्ञानात्मक तंत्र और अस्पष्टता, संदर्भ और सांस्कृतिक विविधता को संभालने वाले एल्गोरिदम बनाने की व्यावहारिक चुनौतियों दोनों को संबोधित करता है।
कम्प्यूटेशनल हास्य में शोध ऐतिहासिक रूप से नियम-आधारित दृष्टिकोणों पर केंद्रित रहा है, जैसे कि श्लेष या सरल जोक टेम्पलेट की पहचान, लेकिन इसमें तेजी से Machine learning और Deep learning तकनीकों को अपनाया गया है। आधुनिक प्रणालियाँ अक्सर विशाल पाठ कोषों पर प्रशिक्षित Large language model पर निर्भर करती हैं, जो पहले के तरीकों की तुलना में अधिक लचीलेपन के साथ हास्य उत्पन्न और विश्लेषण कर सकते हैं। यह क्षेत्र चुनौतीपूर्ण बना हुआ है क्योंकि हास्य अक्सर साझा ज्ञान, समय और अप्रत्याशितता पर निर्भर करता है, जिन्हें औपचारिक रूप देना कठिन है।
ऐतिहासिक विकास
कम्प्यूटेशनल हास्य में प्रारंभिक कार्य 1990 के दशक का है, जब ग्रेमी रिची और अन्य जैसे शोधकर्ताओं ने असंगति और समाधान के भाषाई सिद्धांतों पर आधारित कम्प्यूटेशनल मॉडल प्रस्तावित किए। इन प्रारंभिक प्रणालियों ने सरल श्लेष उत्पन्न करने या जोक वर्गीकृत करने के लिए हस्त-निर्मित नियमों का उपयोग किया। उदाहरण के लिए, JAPE प्रोग्राम, जो 1990 के दशक के मध्य में विकसित हुआ, शब्द संघों के डेटाबेस से श्लेष-आधारित पहेलियाँ उत्पन्न करता था।
2000 के दशक तक, सांख्यिकीय विधियाँ उभरने लगीं, जो हास्यपूर्ण और गैर-हास्यपूर्ण पाठ के बीच अंतर करने वाले वर्गीकरणकर्ताओं को प्रशिक्षित करने के लिए जोक के कोषों का उपयोग करती थीं। हालाँकि, हास्य की जटिलता और लेबल किए गए डेटा की कमी के कारण प्रदर्शन सीमित था। 2010 के दशक में Neural network और बाद में Transformer (architecture) आर्किटेक्चर के आगमन ने एक महत्वपूर्ण मोड़ लाया, जिससे मॉडल भाषा में अधिक सूक्ष्म पैटर्न को पकड़ने में सक्षम हुए।
मुख्य चुनौतियाँ
एक केंद्रीय चुनौती हास्य की व्यक्तिपरकता है। जो एक व्यक्ति को मज़ेदार लगता है वह दूसरे को नहीं, जिससे मूल्यांकन कठिन हो जाता है। शोधकर्ता अक्सर मानव मूल्यांकनकर्ताओं या आश्चर्य या असंगति जैसे प्रॉक्सी मेट्रिक्स का उपयोग करते हैं, लेकिन ये अपूर्ण हैं। एक और मुद्दा विश्व ज्ञान पर निर्भरता है; कई जोक विशिष्ट घटनाओं, लोगों या सांस्कृतिक मानदंडों का संदर्भ देते हैं, जिनका सामना मॉडल ने नहीं किया हो सकता है।
संदर्भ भी एक महत्वपूर्ण भूमिका निभाता है। एक वाक्यांश एक स्थिति में हास्यपूर्ण और दूसरे में आपत्तिजनक हो सकता है। इसलिए कम्प्यूटेशनल प्रणालियों को व्यावहारिकता और सामाजिक संकेतों को संभालना चाहिए, जो सक्रिय शोध क्षेत्र बने हुए हैं। इसके अतिरिक्त, हास्य उत्पन्न करने के लिए रचनात्मकता और सुसंगतता के बीच संतुलन की आवश्यकता होती है, क्योंकि एक जोक नया और समझने योग्य दोनों होना चाहिए।
विधियाँ और तकनीकें
नियम-आधारित दृष्टिकोणों में टेम्पलेट-आधारित जनरेटर शामिल हैं जो पूर्वनिर्धारित जोक संरचनाओं में स्लॉट भरते हैं, जैसे "आप उसे क्या कहते हैं जो [X] और [Y] करता है?" ये पारदर्शी हैं लेकिन दायरे में सीमित हैं। सांख्यिकीय और Machine learning विधियाँ हास्यपूर्ण सामग्री की पहचान करने के लिए ध्वन्यात्मक समानता, शब्दार्थ दूरी या वाक्यात्मक पैटर्न जैसी विशेषताओं का उपयोग करती हैं।
हाल के कार्य Deep learning और Large language model का लाभ उठाते हैं, जैसे कि OpenAI, Anthropic और Google DeepMind द्वारा विकसित। इन मॉडलों को जोक डेटासेट पर फाइन-ट्यून किया जा सकता है या हास्यपूर्ण प्रतिक्रियाएँ उत्पन्न करने के लिए प्रॉम्प्ट किया जा सकता है। आउटपुट की यादृच्छिकता और रचनात्मकता को नियंत्रित करने के लिए Top-P (Nucleus) Sampling और Temperature Scaling जैसी तकनीकों का उपयोग किया जाता है। कुछ प्रणालियाँ उत्पन्न हास्य को मानवीय प्राथमिकताओं के साथ संरेखित करने के लिए रीइन्फोर्समेंट-लर्निंग-फ्रॉम-ह्यूमन-फीडबैक (Reinforcement Learning from AI Feedback (RLAIF)) भी नियोजित करती हैं।
अनुप्रयोग
व्यावहारिक अनुप्रयोगों में मनोरंजन के लिए स्वचालित जोक उत्पादन शामिल है, जैसे चैटबॉट या सोशल मीडिया में, और भावना विश्लेषण या सामग्री मॉडरेशन के लिए हास्य पहचान। शिक्षा में, कम्प्यूटेशनल हास्य का उपयोग आकर्षक शिक्षण सामग्री बनाने के लिए किया जा सकता है। यह क्षेत्र मानव-कंप्यूटर संपर्क को भी सूचित करता है, जहाँ हास्य इंटरफेस को अधिक संबंधित बना सकता है।
वाणिज्यिक क्षेत्र में, Samsung Electronics और Apple जैसी कंपनियों ने वर्चुअल असिस्टेंट में हास्य का पता लगाया है, हालाँकि अनुचित आउटपुट के जोखिम के कारण तैनाती सीमित बनी हुई है। MIT CSAIL और Stanford AI Lab जैसे शोध संस्थानों ने हास्य पहचान और उत्पादन पर अध्ययन प्रकाशित किए हैं, जो इस क्षेत्र की शैक्षणिक नींव में योगदान करते हैं।
मूल्यांकन और भविष्य की दिशाएँ
कम्प्यूटेशनल हास्य का मूल्यांकन करना कुख्यात रूप से कठिन है। सामान्य तरीकों में मानव निर्णय पैमाने शामिल हैं, जैसे प्रतिभागियों से लिकर्ट स्केल पर मज़ेदारता को रेट करने को कहना, या स्वचालित मेट्रिक्स जो आश्चर्य या असंगति को मापते हैं। हालाँकि, ये अक्सर वास्तविक हास्य धारणा के साथ खराब सहसंबंध रखते हैं। कुछ शोधकर्ता हँसी या जुड़ाव जैसे व्यवहारिक उपायों का उपयोग करने का प्रस्ताव करते हैं, लेकिन पाठ-आधारित प्रणालियों में इन्हें पकड़ना कठिन है।
भविष्य की दिशाओं में ऐसे मॉडल विकसित करना शामिल है जो हास्य को विशिष्ट दर्शकों या संदर्भों के अनुकूल बना सकें, और वीडियो या भाषण में हास्य के लिए दृश्य या श्रवण संकेतों जैसे मल्टीमॉडल संकेतों को एकीकृत करना। नैतिक निहितार्थों को समझने में भी रुचि है, विशेष रूप से हानिकारक या पक्षपाती हास्य से बचने में। जैसे-जैसे Generative AI आगे बढ़ता है, कम्प्यूटेशनल हास्य अधिक परिष्कृत हो सकता है, लेकिन यह संभवतः कृत्रिम बुद्धिमत्ता के लिए एक चुनौतीपूर्ण बेंचमार्क बना रहेगा।
यह भी देखें
- कृत्रिम बुद्धिमत्ता
- प्राकृतिक भाषा प्रसंस्करण (संबंधित, हालाँकि प्रदान की गई सूची में नहीं, बड़े भाषा मॉडल को प्रॉक्सी के रूप में उपयोग करें)
- मशीन लर्निंग
- गहन अधिगम
- तंत्रिका नेटवर्क
- ट्रांसफॉर्मर
- जनरेटिव एआई
- ओपनएआई
- एंथ्रोपिक
- गूगल डीपमाइंड
- एमआईटी सीएसएआईएल
- स्टैनफोर्ड एआई लैब
- सैमसंग इलेक्ट्रॉनिक्स
- एप्पल
- आरएलएआईएफ
- टॉप-पी सैंपलिंग
- तापमान स्केलिंग