उत्सुक अधिगम (eager learning) मशीन-अधिगम में एक प्रतिमान है जहाँ एक एल्गोरिथ्म किसी भी पूर्वानुमान करने से पहले प्रशिक्षण डेटा से एक सामान्यीकृत मॉडल का निर्माण करता है। शब्द "उत्सुक" इस तथ्य को दर्शाता है कि सिस्टम प्रशिक्षण के तुरंत बाद एक परिकल्पना (इनपुट को आउटपुट से मैप करने वाला एक फलन) के लिए प्रतिबद्ध हो जाता है, बजाय किसी विशिष्ट क्वेरी की प्रतीक्षा करने के। यह दृष्टिकोण पैरामीट्रिक मॉडलों की विशेषता है, जो प्रशिक्षण सेट को मापदंडों के एक निश्चित समुच्चय में सारांशित करते हैं, प्रशिक्षण के बाद कच्चे डेटा को त्याग देते हैं। परिणामी मॉडल का उपयोग तब सभी भविष्य के अनुमानों के लिए किया जाता है, जिससे पूर्वानुमान का समय तेज़ होता है और यह मूल डेटासेट के आकार से स्वतंत्र होता है।
इसके विपरीत, आलसी अधिगम (जिसे उदाहरण-आधारित अधिगम भी कहा जाता है) प्रशिक्षण डेटा को संग्रहीत करता है और क्वेरी के समय सामान्यीकरण करता है, अक्सर संग्रहीत उदाहरणों की दूरियों की गणना करके। उत्सुक अधिगम उन अनुप्रयोगों में पसंद किया जाता है जहाँ अनुमान की गति महत्वपूर्ण होती है और जहाँ प्रशिक्षण डेटा इतना बड़ा होता है कि अग्रिम कम्प्यूटेशनल लागत उचित ठहराई जा सके। सामान्य उदाहरणों में तंत्रिका नेटवर्क, गहन अधिगम मॉडल, और कई शास्त्रीय एल्गोरिथ्म जैसे निर्णय वृक्ष और सपोर्ट वेक्टर मशीन शामिल हैं।
प्रशिक्षण और पूर्वानुमान चरण
उत्सुक अधिगम प्रक्रिया दो अलग-अलग चरणों में विभाजित है। प्रशिक्षण चरण के दौरान, एल्गोरिथ्म अपने आंतरिक मापदंडों को पुनरावृत्त रूप से समायोजित करता है ताकि एक हानि फलन (loss function) को न्यूनतम किया जा सके, जो पूर्वानुमानित और वास्तविक आउटपुट के बीच के अंतर को मापता है। यह चरण कम्प्यूटेशनल रूप से गहन हो सकता है, विशेष रूप से बड़े डेटासेट और जटिल मॉडलों के लिए, और इसके लिए AWS Trainium चिप्स या Google Cloud TPU जैसे विशेष हार्डवेयर की आवश्यकता हो सकती है। प्रशिक्षण चरण डेटा का एक संक्षिप्त प्रतिनिधित्व उत्पन्न करता है, जिसे अक्सर मॉडल आर्टिफैक्ट कहा जाता है।
पूर्वानुमान चरण के दौरान, प्रशिक्षित मॉडल को नए इनपुट पर लागू किया जाता है। चूँकि मॉडल पहले से ही निश्चित होता है, प्रत्येक पूर्वानुमान में सीखे गए फलन के माध्यम से एक सरल फॉरवर्ड पास शामिल होता है, जो आम तौर पर तेज़ होता है और मूल प्रशिक्षण डेटा तक पहुँच की आवश्यकता नहीं होती है। यह पृथक्करण वास्तविक समय प्रणालियों में तैनाती को सक्षम बनाता है, जैसे Waymo स्वायत्त वाहन या Intuitive Surgical रोबोटिक सर्जरी, जहाँ विलंबता एक महत्वपूर्ण बाधा है।
आलसी अधिगम के साथ तुलना
उत्सुक और आलसी अधिगम के बीच प्राथमिक अंतर यह है कि सामान्यीकरण कब होता है। उत्सुक अधिगमकर्ता प्रशिक्षण के दौरान लक्ष्य फलन का एक वैश्विक सन्निकटन बनाते हैं, जो जटिल पैटर्न को पकड़ सकता है लेकिन यदि मॉडल बहुत लचीला हो या डेटा शोरगुल वाला हो तो अति-अनुकूलन (overfitting) से ग्रस्त हो सकता है। आलसी अधिगमकर्ता, जैसे k-निकटतम पड़ोसी, सभी गणनाओं को क्वेरी आने तक स्थगित कर देते हैं, जो उन्हें स्थानीय डेटा वितरणों के अनुकूल होने की अनुमति देता है लेकिन बड़े डेटासेट के लिए पूर्वानुमान को धीमा बना देता है।
उत्सुक अधिगम के लिए आम तौर पर प्रशिक्षण से पहले एक निश्चित मॉडल आर्किटेक्चर और हाइपरपैरामीटर चुनने की आवश्यकता होती है, जबकि आलसी अधिगम में न्यूनतम प्रशिक्षण लागत लेकिन उच्च मेमोरी उपयोग होता है। उदाहरण के लिए, OpenAI या Anthropic द्वारा विकसित एक बड़ा भाषा मॉडल विशाल कोरपोरा पर उत्सुकता से प्रशिक्षित किया जाता है, फिर प्रशिक्षण पाठ का संदर्भ दिए बिना प्रश्नों के उत्तर देने के लिए तैनात किया जाता है। इसके विपरीत, एक आलसी प्रणाली जैसे अनुशंसा इंजन उपयोगकर्ताओं के बीच समानताओं की गणना तुरंत कर सकता है।
सैद्धांतिक आधार
उत्सुक अधिगम सांख्यिकीय अधिगम सिद्धांत पर आधारित है, जो पूर्वाग्रह और विचरण के बीच के व्यापार-बंद को औपचारिक रूप देता है। उच्च पूर्वाग्रह वाला मॉडल (जैसे, एक रैखिक मॉडल) अल्प-अनुकूलन (underfit) कर सकता है, जबकि उच्च विचरण (जैसे, एक गहरा वृक्ष) अति-अनुकूलन कर सकता है। माइकल जॉर्डन और अनिमा आनंदकुमार जैसे शोधकर्ताओं ने नियमितीकरण और मॉडल चयन के माध्यम से इन त्रुटियों को संतुलित करने को समझने में योगदान दिया है। Adam ऑप्टिमाइज़र और SGD वेरिएंट उत्सुक मॉडलों को प्रशिक्षित करने के लिए मानक उपकरण हैं, जिन्हें अक्सर अभिसरण में सुधार के लिए अधिगम दर अनुसूचियों के साथ जोड़ा जाता है।
एक अन्य प्रमुख अवधारणा पूर्वाग्रह-विचरण व्यापार-बंद है, जिसे अक्सर एक वक्र के रूप में देखा जाता है जो दर्शाता है कि जैसे-जैसे मॉडल जटिलता बढ़ती है, विचरण बढ़ता है जबकि पूर्वाग्रह घटता है। उत्सुक अधिगम एल्गोरिथ्म का लक्ष्य इष्टतम बिंदु खोजना है, अक्सर सामान्यीकरण त्रुटि का अनुमान लगाने के लिए क्रॉस-वैलिडेशन जैसी तकनीकों का उपयोग करते हुए। नो-फ्री-लंच प्रमेय का तात्पर्य है कि कोई एक उत्सुक एल्गोरिथ्म अन्य सभी पर हावी नहीं होता, जो अवशिष्ट नेटवर्क और ट्रांसफॉर्मर जैसे विविध आर्किटेक्चर के विकास को प्रेरित करता है।
अनुप्रयोग और उदाहरण
उत्सुक अधिगम आधुनिक AI में सर्वव्यापी है। छवि पहचान के लिए गहन अधिगम मॉडल, जैसे चिकित्सा इमेजिंग के लिए U-Net, बड़े डेटासेट पर उत्सुकता से प्रशिक्षित किए जाते हैं। प्राकृतिक भाषा प्रसंस्करण में, एनकोडर-डिकोडर आर्किटेक्चर वाले अनुक्रम-से-अनुक्रम मॉडल भाषाओं का अनुवाद करने या पाठ उत्पन्न करने के लिए उत्सुकता से प्रशिक्षित किए जाते हैं। Google DeepMind और Samsung Research जैसी कंपनियाँ खोज से लेकर स्मार्टफोन सहायकों तक के उत्पादों में उत्सुक मॉडल तैनात करती हैं।
उद्योग में, उत्सुक अधिगम अनुशंसा प्रणालियों, धोखाधड़ी का पता लगाने और पूर्वानुमानित रखरखाव को शक्ति प्रदान करता है। उदाहरण के लिए, BigBear AI आपूर्ति श्रृंखला पूर्वानुमान के लिए उत्सुक मॉडल का उपयोग करता है, जबकि Fermata उन्हें कृषि निगरानी के लिए लागू करता है। AMD और Intel हार्डवेयर त्वरक उत्सुक प्रशिक्षण में सामान्य मैट्रिक्स गुणन के लिए अनुकूलित हैं, और TSMC डेटा केंद्रों में उपयोग होने वाले चिप्स का निर्माण करता है।
सीमाएँ और हालिया विकास
अपने लाभों के बावजूद, उत्सुक अधिगम की सीमाएँ हैं। इसके लिए पहले से एक पूर्ण प्रशिक्षण डेटासेट की आवश्यकता होती है, जो स्ट्रीमिंग डेटा या ऐसे वातावरण के लिए अव्यावहारिक हो सकता है जहाँ डेटा वितरण समय के साथ बदलता है। एक उत्सुक मॉडल को फिर से प्रशिक्षित करना अक्सर महंगा होता है, जिससे दक्षता में सुधार के लिए मॉडल प्रूनिंग और डेटा संवर्धन जैसी तकनीकें विकसित हुई हैं। इसके अतिरिक्त, उत्सुक मॉडल अपारदर्शी हो सकते हैं, जिससे मेलानी मिशेल और ब्रायन क्रिश्चियन जैसे विद्वानों द्वारा व्याख्यात्मकता पर शोध को बढ़ावा मिला है।
हालिया विकास में पाठ्यक्रम अधिगम शामिल है, जो प्रशिक्षण उदाहरणों को आसान से कठिन क्रम में व्यवस्थित करता है, और RLAIF (AI फीडबैक से सुदृढीकरण अधिगम) जो मॉडलों को मानवीय प्राथमिकताओं के साथ संरेखित करता है। जनरेटिव AI के उदय ने भी उत्सुक अधिगम को पैमाने पर धकेल दिया है, जिसमें Amazon Web Services और Azure के वितरित सिस्टम का उपयोग करके खरबों टोकन पर मॉडल प्रशिक्षित किए जाते हैं। 2025 तक, ग्रेडिएंट क्लिपिंग और बैच सामान्यीकरण जैसी तकनीकों के माध्यम से प्रशिक्षण लागत को कम करने पर शोध जारी है, साथ ही पूर्वानुमानित सटीकता को बनाए रखते हुए जो उत्सुक अधिगम को व्यावहारिक मशीन-अधिगम में प्रमुख प्रतिमान बनाती है।