नियम समुच्चय उत्पादन के लिए आनुवंशिक एल्गोरिदम एक विकासवादी संगणना तकनीक है जिसका उपयोग वर्गीकरण, भविष्यवाणी या नियंत्रण जैसे कार्यों के लिए IF-THEN नियमों के समुच्चय को स्वचालित रूप से उत्पन्न करने और अनुकूलित करने के लिए किया जाता है। यह प्राकृतिक चयन से प्रेरित सिद्धांतों को लागू करता है - जिसमें वंशानुक्रम, उत्परिवर्तन, चयन और क्रॉसओवर शामिल हैं - ताकि उम्मीदवार नियम समुच्चयों की आबादी को किसी दिए गए उद्देश्य पर उच्च प्रदर्शन की ओर विकसित किया जा सके। यह दृष्टिकोण मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस का एक उपक्षेत्र है, विशेष रूप से तब प्रासंगिक होता है जब गहरे तंत्रिका नेटवर्क जैसे अपारदर्शी मॉडलों की तुलना में नियम-आधारित पारदर्शिता को प्राथमिकता दी जाती है।
यह विधि प्रत्येक उम्मीदवार नियम समुच्चय को एक गुणसूत्र के रूप में एन्कोड करती है, जो आम तौर पर नियम पूर्ववर्ती (शर्तें) और परिणामी (क्रियाएँ या वर्ग) का प्रतिनिधित्व करने वाली एक बाइनरी या वास्तविक-मूल्य वाली स्ट्रिंग होती है। नियम समुच्चयों की एक प्रारंभिक आबादी यादृच्छिक रूप से उत्पन्न की जाती है या अनुमानों के साथ बीजित की जाती है। प्रत्येक व्यक्ति का मूल्यांकन एक फिटनेस फ़ंक्शन का उपयोग करके किया जाता है जो सटीकता, कवरेज, सरलता या अन्य डोमेन-विशिष्ट मानदंडों को मापता है। आनुवंशिक संचालक - चयन (जैसे, टूर्नामेंट या रूलेट व्हील), क्रॉसओवर (नियम खंडों का आदान-प्रदान), और उत्परिवर्तन (नियम शर्तों को यादृच्छिक रूप से बदलना) - नई पीढ़ियों का उत्पादन करने के लिए पुनरावृत्त रूप से लागू किए जाते हैं। यह प्रक्रिया तब तक जारी रहती है जब तक कि एक रोक मानदंड पूरा नहीं हो जाता, जैसे कि पीढ़ियों की अधिकतम संख्या या फिटनेस का अभिसरण।
ऐतिहासिक विकास
यह अवधारणा विकासवादी संगणना के व्यापक क्षेत्र से उभरी, जिसे 1960 और 1970 के दशक में मिशिगन विश्वविद्यालय में जॉन हॉलैंड जैसे शोधकर्ताओं ने अग्रणी बनाया। आनुवंशिक एल्गोरिदम पर हॉलैंड के काम ने नियम-आधारित प्रणालियों पर विकासवादी खोज को लागू करने की नींव रखी। 1980 के दशक में, मिशिगन दृष्टिकोण (जैसे, क्लासिफायर सिस्टम) ने व्यक्तिगत नियमों को विकसित किया, जबकि पिट्सबर्ग दृष्टिकोण (जैसे, GABIL) ने पूरे नियम समुच्चयों को एकल गुणसूत्रों के रूप में विकसित किया। उल्लेखनीय प्रारंभिक प्रणालियों में हॉलैंड के संज्ञानात्मक सिस्टम और 1995 में स्टीवर्ट विल्सन द्वारा XCS (विस्तारित क्लासिफायर सिस्टम) पर बाद के काम शामिल हैं, जिसने सटीकता-आधारित फिटनेस और आला विशेषज्ञता की शुरुआत की। इन विकासों ने आधुनिक व्याख्यात्मक मशीन लर्निंग को प्रभावित किया, विशेष रूप से उन डोमेन में जिन्हें लेखा-परीक्षण की आवश्यकता होती है।
एल्गोरिदमिक घटक
नियम समुच्चय उत्पादन के लिए एक विशिष्ट आनुवंशिक एल्गोरिदम में कई प्रमुख घटक होते हैं। प्रतिनिधित्व परिभाषित करता है कि नियम कैसे एन्कोड किए जाते हैं; सामान्य रूपों में श्रेणीबद्ध विशेषताओं के लिए निश्चित-लंबाई वाली बाइनरी स्ट्रिंग, सतत सुविधाओं के लिए वास्तविक-मूल्य वाले अंतराल, या जटिल स्थितियों के लिए व्याकरण-आधारित संरचनाएँ शामिल हैं। फिटनेस फ़ंक्शन महत्वपूर्ण है; यह अक्सर भविष्य कहनेवाला सटीकता को नियम जटिलता के लिए दंड के साथ जोड़ता है ताकि ओवरफिटिंग से बचा जा सके। उदाहरण के लिए, एक फिटनेस स्कोर सटीकता घटा जटिलता शब्द हो सकता है, या सूचना लाभ का उपयोग कर सकता है। चयन तंत्र प्रजनन के लिए माता-पिता चुनता है, उच्च फिटनेस का पक्ष लेते हुए विविधता बनाए रखता है। क्रॉसओवर संचालक नियम अखंडता को संरक्षित करने के लिए डिज़ाइन किए गए हैं; उदाहरण के लिए, एक-बिंदु क्रॉसओवर नियम समुच्चयों को नियम सीमाओं पर विभाजित कर सकता है, जबकि समान क्रॉसओवर व्यक्तिगत शर्तों को स्वैप करता है। उत्परिवर्तन यादृच्छिक परिवर्तन पेश करता है, जैसे कि एक सीमा को बदलना या एक शर्त को जोड़ना/हटाना, ताकि खोज स्थान के नए क्षेत्रों का पता लगाया जा सके।
अनुप्रयोग और उपयोग के मामले
नियम समुच्चय उत्पादन के लिए आनुवंशिक एल्गोरिदम विविध क्षेत्रों में लागू किए गए हैं। चिकित्सा निदान में, वे रोगी डेटा से रोग वर्गीकरण के लिए व्याख्यात्मक नियम उत्पन्न करते हैं, जिससे निर्णय लेने में चिकित्सकों को सहायता मिलती है। वित्त में, वे ऐतिहासिक बाजार संकेतकों के आधार पर ट्रेडिंग नियम विकसित करते हैं। औद्योगिक नियंत्रण में, वे प्रक्रिया अनुकूलन के लिए नियम समुच्चय उत्पन्न करते हैं। यह दृष्टिकोण जैव सूचना विज्ञान में जीन अभिव्यक्ति वर्गीकरण और साइबर सुरक्षा में घुसपैठ का पता लगाने के लिए भी उपयोग किया जाता है। क्योंकि परिणामी नियम मानव-पठनीय होते हैं, वे विनियमित उद्योगों जैसे स्वास्थ्य सेवा और बैंकिंग में पसंद किए जाते हैं जहाँ व्याख्यात्मकता अनिवार्य है। न्यूरल नेटवर्क या लार्ज लैंग्वेज मॉडल की तुलना में, ये एल्गोरिदम पारदर्शिता प्रदान करते हैं लेकिन जटिल, उच्च-आयामी डेटा पर कच्ची भविष्य कहनेवाला शक्ति का त्याग कर सकते हैं।
लाभ और सीमाएँ
एक प्राथमिक लाभ व्याख्यात्मकता है: विकसित नियम समुच्चयों का निरीक्षण और डोमेन विशेषज्ञों द्वारा सत्यापन किया जा सकता है, ब्लैक-बॉक्स मॉडल के विपरीत। वे मिश्रित डेटा प्रकारों और लापता मूल्यों को स्वाभाविक रूप से संभालते हैं। हालाँकि, विशेषताओं और नियम लंबाई की संख्या के साथ खोज स्थान तेजी से बढ़ता है, जिससे एल्गोरिदम कम्प्यूटेशनल रूप से महंगा हो जाता है। उप-इष्टतम समाधानों के लिए समय से पहले अभिसरण एक जोखिम है, जिसे निचिंग या द्वीप मॉडल जैसी तकनीकों के माध्यम से आबादी विविधता बनाए रखकर कम किया जाता है। इसके अतिरिक्त, यदि डेटा असंतुलित है तो फिटनेस मूल्यांकन शोर भरा हो सकता है, जिसके लिए सावधानीपूर्वक डिज़ाइन की आवश्यकता होती है। 2020 के दशक के मध्य तक, आनुवंशिक एल्गोरिदम को डीप लर्निंग या रिइन्फोर्समेंट लर्निंग के साथ जोड़ने वाले हाइब्रिड दृष्टिकोणों का पता लगाया गया है ताकि व्याख्यात्मकता और स्केलेबिलिटी दोनों का लाभ उठाया जा सके, हालाँकि वे आला बने हुए हैं।
अन्य AI विधियों से संबंध
आनुवंशिक नियम-समुच्चय उत्पादन विकासवादी मशीन लर्निंग के व्यापक परिदृश्य के भीतर बैठता है, जो डीप लर्निंग में उपयोग किए जाने वाले स्टोकेस्टिक ग्रेडिएंट डिसेंट जैसे ग्रेडिएंट-आधारित तरीकों से अलग है। यह करिकुलम लर्निंग से संबंधित है क्योंकि दोनों प्रशिक्षण को संरचित कर सकते हैं, लेकिन पूर्व स्पष्ट नियम विकसित करता है न कि आंतरिक भार। यह विधि डेटा ऑग्मेंटेशन के साथ भी प्रतिच्छेद करती है जब प्रशिक्षण के लिए सिंथेटिक नियम उत्पन्न करते हैं। ट्रांसफॉर्मर-आधारित मॉडल के विपरीत, जिन्हें विशाल डेटासेट और कम्प्यूटेशनल संसाधनों की आवश्यकता होती है, आनुवंशिक एल्गोरिदम छोटे डेटासेट के साथ काम कर सकते हैं और कॉम्पैक्ट नियम समुच्चय उत्पन्न कर सकते हैं। हालाँकि, उनमें जटिल पदानुक्रमित पैटर्न को पकड़ने की प्रतिनिधित्व शक्ति का अभाव है जिसमें न्यूरल नेटवर्क उत्कृष्ट हैं। MIT CSAIL और स्टैनफोर्ड AI लैब जैसे संस्थानों के शोधकर्ताओं ने व्याख्यात्मक AI के लिए विकासवादी दृष्टिकोणों का अध्ययन किया है, हालाँकि यह क्षेत्र मुख्यधारा के डीप लर्निंग की तुलना में कम प्रमुख बना हुआ है।
भविष्य की दिशाएँ
चल रहे शोध समानांतर कंप्यूटिंग और GPU त्वरण का उपयोग करके उच्च-आयामी समस्याओं के लिए आनुवंशिक एल्गोरिदम को स्केल करने पर केंद्रित है, जैसा कि तंत्रिका मॉडल के लिए गूगल डीपमाइंड और OpenAI में प्रयास हैं। लार्ज लैंग्वेज मॉडल के साथ एकीकरण उभर रहा है, जहाँ LLM नियम टेम्पलेट या फिटनेस अनुमान प्रस्तावित करते हैं। एक और दिशा बहु-उद्देश्य अनुकूलन है, जो सटीकता, निष्पक्षता और सरलता को संतुलित करने वाले नियम समुच्चय विकसित करता है। जैसे-जैसे व्याख्यात्मक AI के लिए नियामक दबाव बढ़ता है, आनुवंशिक एल्गोरिदम मॉडल प्रूनिंग और अन्य व्याख्यात्मकता उपकरणों के पूरक के रूप में नए सिरे से रुचि देख सकते हैं। हालाँकि, 2025 तक, किसी प्रमुख वाणिज्यिक AI विक्रेता ने इस दृष्टिकोण को मुख्य उत्पाद के रूप में नहीं अपनाया है, और यह मुख्य रूप से एक अकादमिक और आला औद्योगिक तकनीक बनी हुई है।
यह भी देखें
- मशीन लर्निंग
- evolutionary-computation (सूची में नहीं, लेकिन संबंधित)
- classifier-systems (सूची में नहीं)
- व्याख्यात्मक AI (सूची में नहीं)
(नोट: उपरोक्त यह-भी-देखें लिंक प्लेसहोल्डर हैं; वास्तविक लिंक केवल प्रदान किए गए स्लग का उपयोग करना चाहिए। इस लेख के लिए, उपयोग किए गए आंतरिक लिंक: Machine learning, Artificial intelligence, Neural network, Deep learning, Large language model, Transformer (architecture), Stochastic Gradient Descent Variants, Curriculum Learning, Data Augmentation, MIT CSAIL, Stanford AI Lab, Google DeepMind, OpenAI, Model Pruning।)