अल्ट्रा-तेज़ AI प्रूफ चेकिंग: विशाल डेटा सत्यापन के लिए नए गणितीय परिणाम का अर्थ
शोधकर्ताओं ने विशाल डेटासेट के बारे में अनुमानित तथ्यों की जांच करने का एक तरीका खोजा है, केवल डेटा के एक छोटे हिस्से को दो बार पढ़कर। यहाँ बताया गया है कि इसका महत्व क्या है।
मुख्य बिंदु
- Apple ML Research ने द्विगुणित उप-रैखिक इंटरैक्टिव निकटता प्रमाण नामक गणितीय प्रमाण प्रणाली की एक नई श्रेणी पर एक अध्ययन प्रकाशित किया।
- यह विधि एक प्रोवर को, जो दावा करने वाला पक्ष है, विशाल डेटासेट के केवल एक छोटे हिस्से को पढ़ने के लिए अनुमति देती है ताकि एक प्रमाण उत्पन्न किया जा सके।
- एक वेरिफायर, जो दावे की जांच करने वाला पक्ष है, को प्रमाण सही होने की संभावना की पुष्टि करने के लिए और भी छोटे हिस्से को पढ़ने की आवश्यकता होती है।
- यह तकनीक अनुमानित सत्यापन पर लागू होती है, जिसका अर्थ है कि यह स्पष्ट रूप से गलत इनपुट को पकड़ता है बिना हर बाइट का निरीक्षण किए।
- शोध के अनुसार, कोई भी मौजूदा तकनीक वेरिफायर को एक गलत दावे को स्वीकार करने में धोखा नहीं दे सकती।
कल्पना करें कि आप एक गोदाम चलाते हैं जिसमें दस लाख बॉक्स हैं और कोई आपको बताता है कि लगभग 95 प्रतिशत बॉक्स सही तरीके से लेबल किए गए हैं। आपके पास हर बॉक्स खोलने का समय नहीं है। क्या होगा यदि आप केवल कुछ सौ की जांच कर सकते हैं, और फिर भी दावे के सही होने के बारे में आश्वस्त हो सकते हैं? यह इसी अनुसंधान के पीछे का अंतर्ज्ञान है।
Apple ML Research के वैज्ञानिकों ने द्विगुणित उप-रैखिक इंटरैक्टिव निकटता प्रमाण, या dsIPPs पर एक अध्ययन प्रकाशित किया है। निकटता का एक इंटरैक्टिव प्रमाण एक प्रोटोकॉल है, दो पक्षों के बीच एक औपचारिक आदान-प्रदान, जो एक पक्ष को दूसरे को यह समझाने देता है कि एक विशाल डेटासेट कुछ गुण को संतुष्ट करता है, बिना किसी को पूरा डेटा पढ़ने की आवश्यकता के। "उप-रैखिक" बस इसका मतलब है कि काम डेटा के आकार की तुलना में बहुत अधिक धीरे-धीरे बढ़ता है, इसलिए एक अरब रिकॉर्ड की जांच में केवल कुछ हज़ार को पढ़ना शामिल हो सकता है।
"द्विगुणित" भाग नई जटिलता है। प्रमाण उत्पन्न करने वाला पक्ष और इसकी जांच करने वाला पक्ष दोनों उप-रैखिक समय में काम करते हैं। पहले, इस तरह की प्रमाण प्रणालियों के लिए प्रोवर को पूरा इनपुट पढ़ने की आवश्यकता थी। यहाँ, प्रोवर एक छोटा हिस्सा पढ़ता है। वेरिफायर और भी छोटा हिस्सा पढ़ता है।
"अनुमानित" का अर्थ यहाँ क्या है? सिस्टम पूर्णता की गारंटी नहीं देता। यह गारंटी देता है कि यदि कोई इनपुट वास्तव में परीक्षण किए जा रहे गुण से संबंधित है, तो एक ईमानदार प्रोवर हमेशा वेरिफायर को स्वीकार करने के लिए प्राप्त कर सकता है। और यदि कोई इनपुट उस गुण से दूर है, तो कोई बेईमान प्रोवर वेरिफायर को हाँ कहने के लिए धोखा नहीं दे सकता। इसे एक धुएं का अलर्ट समझें: यह एक असली आग नहीं छोड़ेगा, और एक धुआं मशीन इसे मूर्ख नहीं बना सकती।
साधारण लोगों को इससे क्यों परवाह करनी चाहिए?
आप संभवतः वर्षों तक, यदि कभी भी, इस अनुसंधान के साथ सीधे संपर्क में नहीं आएंगे। लेकिन यह जो समस्याएं संबोधित करता है, वह उन प्रौद्योगिकियों के नीचे हैं जो लोग हर दिन उपयोग करते हैं। स्ट्रीमिंग सेवाएं जांचती हैं कि क्या फ़ाइलों की विशाल लाइब्रेरीएं गुणवत्ता मानकों को पूरा करती हैं। बैंक लेनदेन रिकॉर्ड को धोखाधड़ी पैटर्न के लिए ऑडिट करते हैं। स्वास्थ्य प्रणालीएं रिपोर्टिंग त्रुटियों के लिए लाखों रिकॉर्ड को स्कैन करती हैं। कोई भी स्थिति जहाँ सबकुछ जांचना बहुत धीमा या बहुत महंगा है, वह बिल्कुल वही जगह है जहाँ इस तरह की प्रमाण प्रणाली अंततः उपयोगी हो जाती है।
यह अनुसंधान अभी के लिए सैद्धांतिक है, जिसका अर्थ है कि यह गणितीय आधार प्रदान करता है बजाय उत्पाद को वितरित करने के। इन विचारों के आधार पर बनाए गए व्यावहारिक उपकरण सॉफ्टवेयर सिस्टम को विश्वसनीयता का त्याग किए बिना बड़े पैमाने पर दावों को सत्यापित करने देते हैं।
पूर्ण पेपर उन शोधकर्ताओं के लिए उपलब्ध है जो औपचारिक प्रमाण और जटिलता सीमा में गहराई से जाना चाहते हैं।
