सिंथेटिक डेटा निर्माण के जरिए डेटा की कमी की समस्या को दूर करना
सिंथेटिक डेटा जेनरेशन वह तकनीक है जिसमें जब वास्तविक डेटा कम पड़ जाता है, तब आर्टिफिशियल इंटेलिजेंस खुद से वर्चुअल डेटा बनाती है। यही नहीं, AI वास्तविक डेटा के आधार पर नए डेटा का 'संश्लेषण' करती है, जिससे ज्यादा कुछ सीखने के लिए इस डेटा का इस्तेमाल किया जा सकता है।
उदाहरण के लिए, यदि आपको किसी देश A के कानूनी दस्तावेज़ समझने वाला चैटबॉट बनाने की जरूरत है और देश A के असली कानूनी दस्तावेज़ पर्याप्त नहीं हैं, तो सिंथेटिक डेटा के जरिए अन्य देशों के कानूनी दस्तावेजों से नए तरह के कानूनी दस्तावेज बनाए जा सकते हैं। ये दस्तावेज वास्तव में मौजूद न हों, तब भी चैटबॉट को कानून समझने के लिए प्रशिक्षित करने में इनका उपयोग किया जा सकता है।
ऐसा सिंथेटिक डेटा AI मॉडल को प्रशिक्षण देने में समय और लागत की बचत करता है और अलग-अलग परिस्थितियों की तैयारी में मदद करता है। साथ ही, यह आपको डाटा को खास डोमेन या भाषा के अनुसार अनुकूलित करने की लचीलापन भी देता है।
RAG (रिट्रीवल-ऑगमेंटेड जेनरेशन) वह मॉडल है, जो जानकारी खोजता है और उसी के आधार पर उत्तर बनाता है। RAG के लिए सिंथेटिक डेटा जेनरेशन का उपयोग ऐसी डाटाबेस बनाने में किया जा सकता है, जिसे RAG खोज सके। सिंथेटिक डेटा के जरिये, RAG मॉडल तरह-तरह के सवालों के उत्तर तैयार करना सीखता है और असली उपयोगकर्ताओं के सवालों पर और ज्यादा सटीक और काम का जवाब देने में सक्षम होता है।
लेकिन, सिंथेटिक डेटा की गुणवत्ता का ध्यान रखना एक अहम चुनौती है। अगर डेटा असली परिस्थितियों को ठीक से नहीं दर्शाता, तो मॉडल गलत जानकारी सीख सकता है। इसलिए, सिंथेटिक डेटा बनाते समय डेटा की विविधता और अच्छी क्वालिटी का ध्यान रखना चाहिए और समय-समय पर मूल्यांकन करना चाहिए ताकि मॉडल असली परिस्थितियों के अनुसार सही उत्तर दे सके। इस प्रक्रिया में, जरूरी है कि डेटा असली कामकाजी दुनिया के विभिन्न परिदृश्यों को कवर करता हो और मॉडल के प्रदर्शन के आधार पर लगातार सुधार किया जाता रहे।
असल में उपयोग के मामले?
•
Dai और अन्य (2022) का अध्ययन: इस रिसर्च में केवल 8 मैन्युअल लेबल किए गए उदाहरणों और बड़ी मात्रा में अनलेबल्ड डेटा (जैसे सभी पार्स किए गए कानूनी दस्तावेज़) के जरिये लगभग बेहतरीन प्रदर्शन हासिल करने की विधि पेश की गई।
•
मशीन लर्निंग मॉडल में सिंथेटिक डेटा का इस्तेमाल: सिंथेटिक डेटा से प्रशिक्षित मशीन लर्निंग मॉडल कुछ खास परिस्थितियों में असली डेटा से प्रशिक्षित मॉडल को भी पीछे छोड़ सकते हैं। इससे वैज्ञानिक यह पहचान सकते हैं कि किन स्थितियों में सिंथेटिक डेटा से ट्रेनिंग करना ज्यादा फायदेमंद हो सकता है, जिससे वास्तविक डेटा संबंधी पूर्वाग्रह, प्राइवेसी, सुरक्षा और कॉपीराइट के मुद्दे खत्म हो सकते हैं।
•
MOSTLY AI कंपनी की सिंथेटिक डेटा डेवलपमेंट: MOSTLY AI, AI मॉडल विकास और सॉफ़्टवेयर परीक्षण के लिए सिंथेटिक डेटा बनाने में अग्रणी है। यह AI और सिंथेटिक डेटा के क्षेत्र में तेज़ प्रगति को दर्शाता है। (लिंक) हालांकि, यह सिर्फ एक दावा है, सच में यह काम करता है या नहीं, इसमें शक है। ये प्रचार सामग्री सा लगता है, लेकिन वे ऐसा करने का दावा करते हैं।
•
वित्त या स्वास्थ्य जैसे विशेष क्षेत्रों में असली डेटा हासिल करने में कानूनी या नैतिक बाधाएं आ सकती हैं। इसलिए, पहले से अनुमति प्राप्त डेटा के आधार पर जरूरी ट्रेनिंग डेटा बनाने की इच्छाशक्ति इस क्षेत्र में खासतौर पर मजबूत है।
अंत में कहें, तो जब डेटा कम हो तब एआई मॉडल को तेजी से विकसित और टेस्ट करने में सिंथेटिक डेटा जेनरेशन बहुत बड़ी मदद है, और RAG जैसे मॉडल के लिए तो यह खास तौर पर जरूरी है ताकि खोजी गई जानकारी के आधार पर और बेहतर जवाब बनाए जा सकें। GPTs, Bing, Google Bard या Notion Q&A जैसे टूल्स इसके बढ़िया उदाहरण हैं, जो यूजर्स द्वारा अपलोड या लिखे गए दस्तावेज़ और फाइलों के आधार पर बेहतर उत्तर तैयार कर रहे हैं।
ⓒ 2023. हैबॉम, सर्वाधिकार सुरक्षित।
कॉपीराइट धारक की अनुमति से इसका उपयोग वाणिज्यिक प्रयोजनों के लिए किया जा सकता है, बशर्ते स्रोत का उल्लेख किया जाए।
