गणितीय समस्या, जो 87 वर्षों तक अनसुलझी रही, को एक अप्रत्याशित परिणाम मिला है: आर्टिफिशियल इंटेलिजेंस ने शोधकर्ता को इस क्षेत्र की सबसे प्रसिद्ध परिकल्पनाओं में से एक को गलत साबित करने में सक्षम प्रतिउदाहरण खोजने में मदद की।
गणितीय समस्या, जो 87 वर्षों तक अनसुलझी रही, को एक अप्रत्याशित परिणाम मिला है: आर्टिफिशियल इंटेलिजेंस ने शोधकर्ता को इस क्षेत्र की सबसे प्रसिद्ध परिकल्पनाओं में से एक को गलत साबित करने में सक्षम प्रतिउदाहरण खोजने में मदद की।
न्यू साइंटिस्ट के अनुसार, गणितज्ञ लेवेंट अल्पोगे द्वारा की गई यह खोज गणित में एआई की महत्वपूर्ण भागीदारी के साथ हल किया गया सबसे जटिल मामला हो सकता है। हार्वर्ड विश्वविद्यालय के शोधकर्ता अल्पोगे ने 19 जुलाई को सोशल मीडिया प्लेटफॉर्म एक्स पर केवल 216 वर्णों का एक प्रतिउदाहरण प्रकाशित किया, जो तथाकथित जैकोबियन परिकल्पना का खंडन करता है।
यह परिकल्पना गणितज्ञ ओट्टोम-हेनरिक केलर द्वारा 1939 में तैयार की गई थी और यह मानती थी कि एक निश्चित प्रकार का गणितीय फ़ंक्शन विपरीत दिशा में भी काम करना चाहिए। यह समस्या दशकों से कोई अंतिम उत्तर नहीं दे पाई और 1998 में स्टीवन स्मील द्वारा तैयार की गई 21वीं सदी की 18 प्रमुख गणितीय समस्याओं की सूची में शामिल हो गई थी।
अपनी प्रकाशन में, अल्पोगे ने बताया कि उन्होंने अपने 'करीबी दोस्त फेबल' की मदद ली, जो संभवतः एंथ्रोपिक के एआई मॉडल क्लॉड फेबल 5 का संदर्भ है। शोधकर्ता ने विश्व कप के फाइनल मैच के दौरान किए गए काम के लिए सिस्टम को भी धन्यवाद दिया। विशेषज्ञों का मानना है कि यह परिणाम गणितीय अनुसंधान में एआई की भूमिका का विस्तार करता है।
क्वीन मैरी यूनिवर्सिटी ऑफ लंदन के गणित शोधकर्ता अबिशेक साहा ने कहा कि यह शायद सबसे बड़ी परिकल्पना है जिसमें एआई ने प्रमाण या खंडन में महत्वपूर्ण भूमिका निभाई है। उन्होंने इस बात पर जोर दिया कि यह बहुत महत्वपूर्ण है क्योंकि एआई ने पिछले एक साल में उल्लेखनीय प्रगति की है। साहा ने उल्लेख किया कि प्रकाशित प्रतिउदाहरण की जांच करना आसान है, और कई गणितज्ञ पहले ही इसकी प्रामाणिकता की पुष्टि कर चुके हैं। हालांकि, यह समझना महत्वपूर्ण है कि एआई समाधान तक किस रास्ते से पहुंचा।
ध्यान आकर्षित करने वाले बिंदुओं में परिकल्पना के अनसुलझे रहने की अवधि (87 वर्ष), प्रतिउदाहरण का न्यूनतम आकार (216 वर्ण), कुछ शर्तों के तहत परिकल्पना का खंडन, और यह तथ्य शामिल है कि एआई द्वारा उपयोग की गई प्रक्रिया को अभी तक पूरी तरह से समझाया नहीं गया है। शोधकर्ता ने उल्लेख किया कि यह खोज अप्रत्याशित थी, क्योंकि कई वैज्ञानिकों का मानना था कि परिकल्पना सहज रूप से सही थी, और वे इसे गलत साबित करने के बजाय सिद्ध करने की कोशिश कर रहे थे।
इस खोज के महत्व के बावजूद, यह जैकोबियन परिकल्पना से जुड़े सभी सवालों का जवाब नहीं देती है। अल्पोगे का प्रतिउदाहरण तीन चर के मामले में परिकल्पना का खंडन करता है, लेकिन केवल दो चर से संबंधित समतुल्य संस्करण अभी भी सत्य रह सकता है, जिससे समस्या का एक हिस्सा खुला रहता है। इस सफलता ने गणित में आर्टिफिशियल इंटेलिजेंस की क्षमताओं की सीमाओं पर बहस को फिर से हवा दी है। यॉर्क विश्वविद्यालय के क्रिस बाउमन-स्कारगिल का मानना है कि इस तकनीक ने जटिल समस्याओं में समाधान खोजने की क्षमता प्रदर्शित की है, लेकिन इसका मतलब यह नहीं है कि मानवीय रचनात्मकता का महत्व कम हो गया है।
वह एंडरयू वाइल्स द्वारा 1994 में हल किए गए फर्मा के अंतिम प्रमेय का उदाहरण देते हैं, जो एक ऐसी उपलब्धि है जिसके लिए केवल अंतिम उत्तर से कहीं अधिक की आवश्यकता थी, बल्कि कई वर्षों के काम के दौरान नई गणितीय प्रणालियों के निर्माण की आवश्यकता थी। वेस्टलेक विश्वविद्यालय के इवान फेसेनको का मानना है कि एआई के अधिक परिष्कृत मॉडल आने वाले वर्षों में गणितीय अनुसंधान को बदल देंगे, संभावित रूप से नए ज्ञान के विकास के तरीकों को बदल देंगे और वैज्ञानिक ज्ञान के एक नए चरण को खोलेंगे।
विभिन्न अवसरों के लिए बायोडाटा भेजते और दस्तावेजों को अनुकूलित करते समय, उम्मीदवार अक्सर देखते हैं कि प्राप्त उत्तर समान होते हैं। स्टैनफोर्ड विश्वविद्यालय द्वारा किए गए एक शोध से पता चलता है कि यह समानता संयोग नहीं हो सकती है।
शोधकर्ताओं ने लाखों आवेदनों का विश्लेषण किया और निष्कर्ष निकाला कि विभिन्न कंपनियां ऐसे आर्टिफिशियल इंटेलिजेंस सिस्टम का उपयोग कर सकती हैं जो समान स्वीकृति और अस्वीकृति मानदंड दोहराते हैं। 'एल्गोरिथमिक मोनोकल्चर इन हायरिंग' नामक इस शोध में 11 आर्थिक क्षेत्रों की 156 कंपनियों द्वारा 3.4 मिलियन से अधिक व्यक्तियों द्वारा जमा किए गए लगभग 4 मिलियन आवेदनों की जांच की गई।
पहचाना गया एक महत्वपूर्ण कारक यह था कि ये सभी संगठन एक ही प्रदाता द्वारा प्रदान किए गए एल्गोरिदम का उपयोग कर रहे थे। इस विवरण ने 'एल्गोरिथमिक मोनोकल्चर' नामक घटना की पहचान करने में मदद की, जो कृषि से प्रेरित शब्द है, जहां विशाल क्षेत्र केवल एक प्रकार की फसल के लिए समर्पित होते हैं। जब कई कंपनियां समान उपकरणों को अपनाती हैं, तो यह संभावना बढ़ जाती है कि वे मूल रूप से समान तर्क का पालन करते हुए उम्मीदवारों का मूल्यांकन करेंगे, जो मॉडल की अंतर्निहित सफलताओं और विफलताओं दोनों पर लागू होता है।
एक अन्य प्रासंगिक खोज समान उम्मीदवार प्रोफाइल से संबंधित है। अध्ययन के अनुसार, समान विशेषताओं वाले व्यक्तियों को अलग-अलग निगमों में नौकरियों के लिए प्रतिस्पर्धा करते समय भी सुसंगत मूल्यांकन प्राप्त होने की प्रवृत्ति होती है। प्राथमिक परिणाम बताते हैं कि चार चयन प्रक्रियाओं में भाग लेने वाले लगभग 10% उम्मीदवारों को उन सभी में अस्वीकार कर दिया जाता है। इसके अतिरिक्त, दस नौकरियों के लिए आवेदन करने वालों में से लगभग 4% लगातार दस अस्वीकृतियाँ झेलते हैं।
इन अस्वीकृतियों की आवृत्ति स्वतंत्र रूप से लिए गए निर्णयों में अपेक्षित आवृत्ति से अधिक होती है। यह ध्यान देने योग्य है कि कई बायोडाटा मानव भर्तीकर्ता द्वारा जांचे जाने से पहले ही हटा दिए जाते हैं। यह पुष्टि करने के लिए कि क्या यह व्यवहार यादृच्छिक था, शोधकर्ताओं ने डेटा की तुलना एक सैद्धांतिक आधार रेखा और एल्गोरिथम केंद्रीकरण के बिना भर्ती पर पिछले अध्ययनों से की, जिससे पता चला कि लगातार अस्वीकृतियाँ विभिन्न चयन प्रक्रियाओं के बीच एक सामान्य पैटर्न को दर्शाती हैं।
किए गए सिमुलेशन के अनुसार, बायोडाटा भेजना जारी रखना अभी भी फायदेमंद है। अध्ययन इंगित करता है कि आवेदन की मात्रा बढ़ाने से अवसर प्राप्त करने की संभावना में सुधार होता है, हालांकि यह लाभ कम हो जाता है जब कंपनियां समान सिस्टम का उपयोग करती हैं। एक ऐसे परिदृश्य में जहां निर्णय स्वायत्त होते हैं, कम से कम एक सकारात्मक सिफारिश प्राप्त करने की उच्च संभावना तक पहुंचने के लिए लगभग दस आवेदन पर्याप्त होंगे। हालांकि, जब प्रक्रियाएं केंद्रीकृत प्लेटफार्मों द्वारा मध्यस्थ होती हैं, तो 99.9% की संभावना सुनिश्चित करने के लिए यह संख्या बढ़कर लगभग 25 आवेदन हो जाती है।
लेखकों ने भर्ती के लिए लक्षित प्रौद्योगिकी बाजार के केंद्रीकरण पर भी एक चेतावनी जारी की है। चूंकि कुछ ही आपूर्तिकर्ता कई कंपनियों को सेवा प्रदान करते हैं, इसलिए मौजूद कोई भी पूर्वाग्रह या सीमा तेजी से फैल सकती है। इसके अलावा, इन प्लेटफार्मों की कम पारदर्शिता स्वतंत्र शोध को मुश्किल बनाती है और यह समझने को जटिल बनाती है कि ऐसे उपकरण रोजगार तक पहुंच को कैसे प्रभावित करते हैं, जबकि कई उम्मीदवारों के लिए, यह पूरी प्रक्रिया तब होती है जब वे यह नहीं जानते कि किसी एल्गोरिथम ने बायोडाटा का पहला विश्लेषण किया है।
