आईबीएम वॉटसन लॉन्च

IBM Watson एक प्रश्न-उत्तर कंप्यूटिंग प्रणाली है जिसे IBM ने अपने DeepQA परियोजना के भाग के रूप में विकसित किया था, जिसका नेतृत्व प्रमुख अन्वेषक डेविड फेरुची ने किया। IBM के संस्थापक थॉमस जे. वॉटसन के नाम पर नामित, यह प्रणाली प्राकृतिक भाषा में पूछे गए प्रश्नों का उत्तर देने के लिए डिज़ाइन की गई थी, और इसकी सबसे प्रसिद्ध उपलब्धि 2011 में क्विज़ शो Jeopardy! पर मानव चैंपियनों पर विजय थी। वॉटसन ने Artificial intelligence तकनीकों के अनुप्रयोग में open domain question answering के लिए एक महत्वपूर्ण मील का पत्थर प्रस्तुत किया, हालाँकि यह स्थापित एल्गोरिदम के संयोजन पर निर्भर था, न कि उन Deep learning दृष्टिकोणों पर जो बाद में इस क्षेत्र पर हावी हो गए।

प्रणाली का विकास IBM की एक ऐसी मशीन बनाने की महत्वाकांक्षा से उत्पन्न हुआ जो Jeopardy! के विशिष्ट सूक्ष्म और श्लेष-युक्त संकेतों को समझ और उत्तर दे सके। पहले के प्रश्न-उत्तर प्रणालियों के विपरीत, जो संकीर्ण क्षेत्रों पर केंद्रित थीं, वॉटसन का लक्ष्य विशाल संदर्भ सामग्री संग्रह का उपयोग करके मनमाने विषयों को संभालना था। राष्ट्रीय टेलीविजन पर इसकी सफलता ने Natural language processing और Machine learning में व्यावहारिक प्रगति प्रदर्शित की, जिसने स्वास्थ्य सेवा और अन्य उद्योगों में बाद के अनुसंधान और वाणिज्यिक अनुप्रयोगों को प्रभावित किया।

तकनीकी वास्तुकला

वॉटसन का सॉफ्टवेयर IBM के DeepQA वास्तुकला और Apache UIMA (Unstructured Information Management Architecture) ढांचे पर बनाया गया था। यह प्रणाली कई प्रोग्रामिंग भाषाओं में लिखी गई थी, जिनमें Java, C++, और Prolog शामिल हैं, और यह SUSE Linux Enterprise Server 11 पर Apache Hadoop के साथ वितरित कंप्यूटिंग के लिए चलती थी। DeepQA ने प्राकृतिक भाषा का विश्लेषण करने, स्रोतों की पहचान करने, परिकल्पनाएँ उत्पन्न करने, साक्ष्य खोजने और स्कोर करने, और संभावित उत्तरों को मर्ज और रैंक करने के लिए 100 से अधिक विभिन्न तकनीकों का उपयोग किया।

हार्डवेयर में नब्बे IBM Power 750 सर्वरों का एक क्लस्टर शामिल था, जिनमें से प्रत्येक 3.5 GHz POWER7 आठ-कोर प्रोसेसर से सुसज्जित था, जिसमें प्रति कोर चार थ्रेड थे। कुल मिलाकर, वॉटसन ने 2,880 प्रोसेसर थ्रेड और 16 टेराबाइट RAM का उपयोग किया। जॉन रेनी के अनुसार, यह प्रणाली प्रति सेकंड 500 गीगाबाइट (लगभग दस लाख पुस्तकों के बराबर) संसाधित कर सकती थी। IBM के मास्टर अन्वेषक टोनी पियर्सन ने हार्डवेयर की लागत लगभग तीन मिलियन डॉलर आंकी। Jeopardy! प्रतियोगिता के लिए, सभी सामग्री RAM में संग्रहीत की गई थी क्योंकि हार्ड ड्राइव तक पहुँच मानव प्रतिक्रिया समय से मेल खाने के लिए बहुत धीमी होती।

Jeopardy! प्रतियोगिता

फरवरी 2011 में, वॉटसन ने Jeopardy! पर शो के दो सबसे सफल चैंपियनों, ब्रैड रटर और केन जेनिंग्स के खिलाफ प्रतिस्पर्धा की। वॉटसन ने US$1 मिलियन का प्रथम पुरस्कार जीता। प्रणाली की रणनीति में विशेष मॉड्यूल शामिल थे: एक ने आत्मविश्वास स्कोर और वर्तमान स्थिति के आधार पर फाइनल Jeopardy दांव की गणना की, जबकि दूसरे ने Bayes के नियम का उपयोग करके यह अनुमान लगाया कि एक अनदेखा संकेत Daily Double होने की संभावना क्या है, जिसमें J! Archive से ऐतिहासिक डेटा को पूर्व के रूप में उपयोग किया गया। Daily Double दांव के लिए, एक दो-परत वाला Neural network, जो 1990 के दशक में गेराल्ड टेसाउरो द्वारा विकसित TD-Gammon में उपयोग किए गए समान था, दांव की राशि निर्धारित करता था।

वॉटसन के प्रदर्शन ने मानव खिलाड़ियों की तुलना में ताकत और कमजोरियाँ दोनों प्रकट कीं। इसमें संकेतों की प्रासंगिक समझ की कमी थी और यह उत्तर उत्पन्न करने में धीमा था, विशेष रूप से छोटे संकेतों के लिए। हालाँकि, इसकी इलेक्ट्रॉनिक बजर सर्किटरी ने इसे उत्तर देने का निर्णय लेने के बाद एक सुसंगत प्रतिक्रिया समय लाभ दिया, और यह मनोवैज्ञानिक रणनीतियों जैसे कि श्रेणियों के बीच कूदने से प्रतिरक्षित था। अभ्यास खेलों में, मानव वॉटसन को संकेत संसाधित करने के लिए आवश्यक छह से सात सेकंड का फायदा उठा सकते थे, लेकिन टेलीविज़न मैचों में, वॉटसन की बजर गति निर्णायक साबित हुई।

वाणिज्यिक अनुप्रयोग और स्वास्थ्य सेवा

फरवरी 2013 में, IBM ने वॉटसन का पहला वाणिज्यिक अनुप्रयोग घोषित किया: न्यूयॉर्क शहर में मेमोरियल स्लोअन केटरिंग कैंसर सेंटर में फेफड़ों के कैंसर के उपचार के लिए उपयोग प्रबंधन निर्णय, वेलपॉइंट (अब एलेवेंस हेल्थ) के साथ साझेदारी में। यह प्रणाली चिकित्सा साहित्य और रोगी रिकॉर्ड का विश्लेषण करके उपचार विकल्पों की सिफारिश करने में चिकित्सकों की सहायता करने के लिए थी। यह नैदानिक निर्णय समर्थन के लिए Machine learning और प्रश्न-उत्तर तकनीक लागू करने का एक प्रारंभिक प्रयास था, हालाँकि परिणाम मिश्रित थे।

वॉटसन की क्षमताओं को बाद में IBM Cloud पर तैनाती के माध्यम से विस्तारित किया गया, जिसमें विकसित मशीन लर्निंग सुविधाएँ और अनुकूलित हार्डवेयर शामिल थे। हालाँकि, स्वास्थ्य सेवा उद्यम को महत्वपूर्ण चुनौतियों का सामना करना पड़ा। 2022 में, IBM ने अपने वॉटसन हेल्थ डिवीजन को अलग कर दिया, इसे मेराटिव नामक एक कंपनी में बदल दिया, जिसे निजी इक्विटी फर्म फ्रांसिस्को पार्टनर्स को बेच दिया गया। डिवीजन को विकसित करने में लगभग $4 बिलियन की लागत आई थी, लेकिन इसे $1 बिलियन में बेचा गया। 2023 तक, समग्र वॉटसन परियोजना ने IBM के शेयर मूल्य में 10% की गिरावट में योगदान दिया था, इसकी लागत उत्पन्न राजस्व से चार गुना अधिक थी, और इसके परिणामस्वरूप बड़े पैमाने पर छंटनी हुई।

विरासत और प्रभाव

अपने वाणिज्यिक संघर्षों के बावजूद, वॉटसन की Jeopardy! विजय का Artificial intelligence की सार्वजनिक धारणा पर स्थायी प्रभाव पड़ा। इसने प्रदर्शित किया कि मशीनें अस्पष्ट, बोलचाल की भाषा और जटिल तर्क कार्यों को संभाल सकती हैं, जिससे AI अनुसंधान में निवेश की एक लहर प्रेरित हुई। वॉटसन का दृष्टिकोण - एक एकल सफलता पर निर्भर रहने के बजाय कई समानांतर एल्गोरिदम का संयोजन - ने बाद की प्रणालियों को प्रभावित किया, भले ही क्षेत्र Deep learning और Neural network वास्तुकलाओं की ओर स्थानांतरित हो गया। प्रणाली ने अनुसंधान प्रदर्शनों और व्यवहार्य वाणिज्यिक उत्पादों के बीच की खाई को भी उजागर किया, एक सबक जिसने स्वास्थ्य सेवा और अन्य विनियमित उद्योगों में बाद की AI तैनाती को आकार दिया।

वॉटसन की विरासत जटिल है: यह एक तकनीकी उपलब्धि थी जिसने दुनिया की कल्पना को पकड़ लिया, फिर भी इसके व्यावसायिक परिणाम उम्मीदों से कम रहे। प्रणाली का नाम संज्ञानात्मक कंप्यूटिंग में IBM के प्रारंभिक नेतृत्व से जुड़ा हुआ है, भले ही कंपनी ने बाद में अन्य AI पहलों की ओर रुख किया। शोधकर्ताओं के लिए, वॉटसन ने नियंत्रित प्रतियोगिताओं से वास्तविक दुनिया के अनुप्रयोगों तक AI को स्केल करने की चुनौतियों का एक केस स्टडी के रूप में कार्य किया, विशेष रूप से उन क्षेत्रों में जहाँ त्रुटियों की लागत अधिक होती है।

आधुनिक AI के साथ तुलना

वॉटसन की तुलना अक्सर बाद की प्रणालियों जैसे OpenAI के GPT मॉडल और Google DeepMind के AlphaGo से की जाती है, जिन्होंने Transformer (architecture) वास्तुकलाओं और Large language model का उपयोग किया। वॉटसन के विपरीत, जो संरचित ज्ञान आधारों और स्पष्ट साक्ष्य स्कोरिंग पर निर्भर था, आधुनिक प्रणालियाँ Deep learning तकनीकों का उपयोग करके विशाल पाठ संग्रह से पैटर्न सीखती हैं। वॉटसन ने अपने मुख्य प्रश्न-उत्तर पाइपलाइन में Deep learning या Neural network विधियों का उपयोग नहीं किया, इसके नाम के DeepQA परियोजना का हिस्सा होने के बावजूद। इसकी हार्डवेयर आवश्यकताएँ - 90 सर्वर और 16 टेराबाइट RAM - 2011 के मानकों से विशाल थीं, लेकिन समकालीन AI प्रशिक्षण के लिए उपयोग किए जाने वाले डेटा केंद्रों की तुलना में मामूली थीं। वॉटसन से आधुनिक AI तक का विकास इंजीनियर, व्याख्या योग्य प्रणालियों से अपारदर्शी, सांख्यिकीय रूप से प्रशिक्षित मॉडलों की ओर एक बदलाव को दर्शाता है, जो विश्वसनीयता, पूर्वाग्रह और जवाबदेही के बारे में अलग-अलग प्रश्न उठाता है।