எழுதியது: சிறி சரவணா
செயற்கை அறிவு என்று ஒரே வார்த்தையில் சொல்லிவிட்டாலும், அதில் பல பிரிவுகளை இன்று ஆய்வாளர்கள் கண்டறிந்துள்ளனர். இருந்தும், செயற்கை அறிவில் இருக்கவேண்டிய எல்லாத் துணைப் பிரிவுகளையும் அறிந்துவிட்டனரா என்றால், இல்லை என்றே சொல்லவேண்டும். அப்படி அறியப்பட்ட பிரிவுகளிலும் சில பிரிவுகளை எம்மால் மிகத்தெளிவாக ஆராய முடிந்துள்ளத்து. மற்றும் சில பிரிவுகளை அவ்வளவு இலகுவாக ஆராய முடியவில்லை.
நமக்குத் தெரிந்த அப்படியான சில பிரிவுகளை இங்குப் பார்க்கலாம்.த இதில் நான் மேலோட்டமாக இந்தப் பிரிவுகளின் பண்புகளைச் சொல்லிவிடுகிறேன். பின்னர் வரும் பகுதிகளில் நாம் பல்வேறுபட்ட AI முறைகளைப் பற்றிப் பார்க்கும் போது இந்தப் பிரிவுகளில் உள்ளவற்றை எவ்வாறு இந்த AI பயன்படுத்திக்கொள்கிறது என்று தெளிவாகப் பார்க்கலாம்.
கீழ்வரும் பகுதியில் ‘இலக்கு’ என்ற சொல்லை அடிக்கடிப் பயன்படுத்தியுள்ளேன். இங்கு இலக்கு என்று கூறுவதற்கு காரணம், செயற்கை அறிவு கொண்ட ஒரு அமைப்புக்கு அந்த குறிப்பிட்ட ‘இலக்கு’ தான் இறுதி முடிவு என்று வைத்துக்கொள்ளுங்கள். AI முறைமையானது அந்த குறிப்பிட்ட இலக்கை அடைய தனது அறிவைப் பயன்படுத்தும். தாவது அதற்க்கு என்ன தெரியுமோ அதை வைத்துக்கொண்டு அந்த இலக்கை அடைய எத்தனிக்கும்.
தர்க்கரீதியான செயற்கை அறிவு
தன்னிடம் இருக்கும் காரணிகளை வைத்துக்கொண்டு, தர்க்க ரீதியாக ஒரு பிரச்சினைக்கு தீர்வு காண விளைவதே இந்தப் பிரிவின் நோக்கம். உதாரணமாக கணித ரீதியான தர்க்க முடிவுகளை எடுப்பது, ஒரு இலக்கம் இன்னொரு இலக்கத்தை விட பெரிதா சிரிதா என்பது போன்றவை. ஆனால் அவை மட்டும் அல்ல. ஒரு குறித்த இலக்கை அடைய, அதற்கு இடையில் வரும் தர்க்க ரீதியான முறையில் தீர்க்கக் கூடிய அனைத்து பிரச்சினைகளுக்கும் தீர்வு காண எத்தனிப்பது.
தேடல் முறைமை
செயற்கை அறிவுக்கு மிக முக்கியமாக ஒரு அங்கமாக இது இருக்கிறது. AI ஆனது, குறித்த இலக்கை அடைவதற்கு அளவுக்கதிகமான சாத்தியக்கூறுகளை தேடி அதிலிருந்து ஒரு முடிவை எடுக்கவேண்டி வரலாம். செஸ் விளையாடும் ப்ரோக்ராம்கள் இப்படித்தான் வேலை செய்கிறது. அது நீங்கள் வைக்கும் ஒவ்வொரு மூவிற்க்கும், அடுத்ததாக எப்படியெல்லாம் அது காயை நகர்த்தினால் அதனது கை ஓங்கும் என்று தேடித் தேடி அதில் ஒரு நல்ல மூவை தெரிவுசெய்து காயை அதற்கு ஏற்ப்ப நகர்த்தும்.
நீங்கள் செஸ் ப்ரோக்ராம்களுடன் (Fritz, Arena GUI, Aquarium) விளையாடி இருந்தால், ஒரு குறித்த விண்டோவில் அது எப்படி அடுத்த மூவ்களை வைக்கலாம் என்று ஆராய்வதைப் பார்க்ககூடியதாகவும் இருக்கும்.
செஸ்சை விடுங்கள், கூகிள் இதை செய்கிறது. நீங்கள் கூகுளில் தேடும்போது அது உங்கள் தேடல் வார்த்தையை கருத்தில் கொண்டு மட்டும் உங்களுக்கு தேடல் விடைகளை தருவதில்லை! அது அதையும் தாண்டி பல்வேறு விடயங்களை ஆராய்கிறது!! பிறகு பார்ப்போம்.
கோலவுரு உணர்தல் (pattern recognition)
செயற்கை அறிவுக்கு மிகச் சிக்கலை ஏற்படுத்து ஒரு பிரிவு என்றால் இதுதான். கோலவுருக்களைப் (pattern) பொறுத்தவரை, ஒவ்வொன்றும் ஒவ்வொரு விதம், ஆக ஒரே தொழில்நுட்ப்பத்தையோ அல்லது அல்கோரித்தையோ பயன்படுத்தி எல்லா கோலவுருக்களையும் இனங்கான முடியாது.
கோலவுரு உணர்தலில் பலவகை உண்டு, உதாரணமாக உங்கள் டிஜிட்டல் புகைப்பட கமெராக்கள் நீங்கள் ஒருவரை புகைப்படம் எடுக்க எத்தனிக்கும் போது அவரது முகத்தைச் சுற்றி ஒரு சதுரத்தையோ அல்லது குறியீட்டையோ காட்டுவதைப் பார்க்கலாம். அது உங்கள் கமெரா அந்த நபரது முகத்தை இலகுவில் போகஸ் செய்ய உதவுவதற்காக அமைக்கப்பட்ட அமைப்பு. அது எப்படி அவரது முகத்தைக் கண்டுகொண்டது?
முகத்தில் இருக்கும் அமைப்புக்களை, அதாவது, கண்கள், வாய், மூக்கு இப்படி சில அமைப்புக்களை இனங்கான இந்த கமராவில் உள்ள முறைமைக்கு ப்ரோக்ராம் செய்யப்பட்டுள்ளது. அதேபோல நீங்கள், ஒருவரது படத்தை முகப்புத்தகத்தில் பதிவேற்றும் போது, முகப்புத்தகம் தன்னிச்ச்யாக அந்தப் புகைப்படத்தில் இருப்பவரது முகத்தைக் காட்டி, அவரது பெயரைக்கூட சொல்லி, இவரை டாக் செய்யவா என கேட்குமே? ஞாபகம் வருகிறதா?
இது மட்டும் கோலவுரு உணர்தல் இல்லை, இதேபோல மொழிகளின் எழுத்துக்களை அறிதல், சூழலில் இருக்கும் பல்வேறுபட்ட பொருட்களை இனங்காணுதல் என இப்படி பல விடயங்கள் அடங்கும்.
சரி ஒரு கேள்வி. ஒரு வெள்ளைக் கடதாசியில் நான் ஒரு குடையின் படத்தைக் வரைந்து காட்டி, இது என்ன என்று கேட்டால் என்ன பதில் சொல்வீர்கள்? யோசித்துப் பாருங்கள்!
தரவுச் சித்தரிப்பு
ஒரு குறித்த முறைமையைப் பற்றி தகவல்களை ஒரு தர்க்கரீதியான முறையில் சேமித்து வைத்தல். இப்படி சேமித்து வைக்க முடிந்தால்தான், தர்க்க ரீதியான முடிவுகளை எடுப்பதற்கோ, தேடலை வினைத்திறனாக மேற்கொள்ளவோ முடியும். தகவை சித்தரிப்பின் துல்லியத்தன்மை அதிகரிக்க அதிகரிக்க AI இன் திறனும் அதிகரிக்கும்.
இங்கும் ஒரு சிக்கல் உண்டு, அதாவது, தரவுகளின் அளவு அதிகரிக்க, ஒவ்வொரு தரவுகளுக்குள்ளும் இருக்கும் உள்ளிடை இணைப்புக்களின் சிக்கலும் (complexity) அதிகரிக்கும். இது அதிகளவாக தரவை தர்க்க ரீதியா சேமித்து வைப்பதில் சிக்கல்களை உருவாகுகிறது. இங்கு கவனிக்க வேண்டிய விடயம், தரவுகளை சேமித்து வைப்பதற்கான இடப் பற்றாக்குறை இங்கு இல்லை, மாறாக இந்த உள்ளிடை இணைப்புக்களின் சிக்கல்கள் அதிகரிக்க அதிகரிக்க, அதைத் திறமையாக கையாளும் வினைத்திறனும் வேண்டும் தானே? அந்த வினைத்திறனைப் பெறுவது சற்றுக் கடினமானது.
அனுமானிக்கும் திறன்
ஒரு AI ஐ பொறுத்தவரை இது மிகவும் முக்கிய பண்பு. தரவுச் சித்தரிப்பில் இருந்து நாம் சில அனுமானன்களைப் பெறலாம். அதாவது சில உண்மைகளில் இருந்தே வேறு சில உண்மைகளை எம்மால் ஊகிக்கக்கூடியதாக இருக்கும்.
மனிதனைப் பொறுத்தவரை இது இலகுவாக இருப்பினும், AI ப்ரோக்ராம்களுக்கு இதைக் கொண்டுவருவது அவ்வளவு எளிது அல்ல. இப்படியான அனுமானங்களை வெற்றிகரமாக உருவாக்க மிகச்சிக்கலான தரவுச் சித்தரிப்பு முறை வேண்டும்!
சின்ன உதாரணம் ஒன்றைப் பாருங்கள். ஒரு பறவை ஓசை எழுப்புகிறது என்று எமக்கு கேட்டால், அந்தப் பறவை பறக்கலாம் என்றும் எம்மால் அனுமானிக்க முடியும். ஆனால் எழுப்பும் ஓசை பென்குயின் ஒன்றின் ஓசை என்றால், நாம் உடனடியாக, அந்தப் பறவை பறக்காது என்று முடிவுக்கு வரலாம். நமது அனுமானம், பென்குயின் பறக்காது என்பதே.
இங்கு பறவை, பறவையின் ஓசை, பென்குவின் போன்றவற்றின் இயல்புகள் மிகச் சரியாக ஒன்றோடு ஒன்று தொடர்புபட்டு தரவுச் சித்தரிப்பில் இருக்கவேண்டும். அப்போதுதான் எம்மால் இந்த முடிவுக்கு வரமுடியும்.
வாழ்கையில் பென்குயினை பார்த்தோ கேட்டோ அறியாதவரிடம் பென்குயினால் பறக்கமுடியாது என்று அனுமானிக்க முடியுமா? சிந்தித்துப் பாருங்கள்!
பொதுஅறிவு மற்றும் பகுத்தறிவு
AI ப்ரோக்ராம்களைப் பொறுத்தவரை இன்னும் ஆராச்சியில் பின்தங்கி இருக்கும் துறைகள் இவை. நம்மால் இன்னமும் தெளிவாகபொதுஅறிவு மற்றும் பகுத்தறிவை எப்படி செயற்கையாக உருவாக்குவது என்று திண்டாடிக்கொண்டுதான் இருக்கிறோம்.
ஆய்வாளர்கள் ஏற்கனவே இந்தப் பிரிவில் சில பல முயற்ச்சிகள் எடுத்துள்ளனர். உதாரணமாக Cyc திட்டம் – இது கிட்டத்தட்ட ஒரு மில்லியன் தரவுச் சித்தரிப்புக்களை தன்னுள் கொண்டுள்ளது, எல்லாமே மனிதனால் உள்ளீடு செய்யப் பட்டவைதான். இந்த தரவுகளை வைத்து அது சில முடிவுகளை எடுக்க வல்லது. ஆனால் அந்தத் தரவுக்கு அப்பால் இருக்கும் பொது விடயங்களை அதனால் பகுத்தறிய முடியாது.
மனிதனைக் கூட பாருங்கள். அண்ணளவாக 20 வருடங்கள், இந்த சமூகத்தில் வாழ கற்க வேண்டியுள்ளது. ஆனால் நெருப்பு சுடும், கயிற்றைப் பயன்படுத்தி இழுக்கலாம், தடியைப் பயன்படுத்தி தள்ளலாம் என்றெல்லாம் சிறு வயதிலேயே நாம் அறிந்திருப்போம். கட்டாயம் நெருப்பில் கையை விட்டு பார்த்த பின்புதான் நெருப்பு சுடும் என்று அறியவேண்டிய அவசியமில்லை. மனித மூளை வேலை செய்யும் விதம் அப்படி இருக்கிறது.
இந்த மாதிரியான பொதுஅறிவு மற்றும் பகுத்தறிவு சார்ந்த விடயங்களை செயற்கையாக கொண்டுவர இன்னமும் ஒரு சிறந்த வழியைக் கடுபிடிக்கவில்லை என்று தான் சொல்லவேண்டும்.
அனுபவத்தில் இருந்து கற்றுக்கொள்தல்
இது மிக முக்கியமான ஒன்று. இன்று நாம் பயன்படுத்தும் கூகிள், பிங் போன்ற தேடல் பொறிகள் இந்த அனுபவத்தில் இருந்து கற்கும் ஆற்றலைக் கொண்டுள்ளன. நீங்கள் முன்பு தேடிய விடயங்களை ஒப்பிட்டு, புதிதாக தேடும் விடயங்களை அதனோடு மதிப்பிட்டு உங்களுக்கு தேவையான விடயங்களை உங்களுக்கு தருகின்றன.
அதேபோல மொழியை கிரகிக்கும் முறைமைகள், உதாரணமாக ஐஒஎஸ் இல் இருக்கும் சிறி, கூகிள் நொவ், மைக்ரோசாப்ட் கோர்டானா போன்ற மொழியுணர் உதவியாளர் ப்ரோக்ராம்கள் நீங்கள் சொல்லும் வாக்கியங்களைக் கொண்டு அதற்கான தொழிற்பாட்டை செய்யும், அதேபோல உங்கள் உச்சரிப்பையும் அது கற்றுக்கொள்ளும். அதனால் இலகுவாக உங்கள் வாய் மொழி மூலமாக கேவிகளுக்கு விடை கொடுக்க முடியும்.
அனுபவத்தில் இருந்து கற்றுக்கொள்ளும் இந்த செயல்முறையில் இருக்கும் மிகப்பெரிய தடைக்கல் என்னவென்றால், இந்தப் ப்ரோக்ராம்களால் தனது முறைமையில் இருக்கும் தரவுச் சித்தரிப்புக்குள் மட்டுமே தன் அனுபவத்தை வளர்த்துக் கொள்ள முடியும்.
இவற்ற்றை விடவும், திட்டமிடல், அறிவாதார முறை, பட்டறிவு போன்ற வேறு பல முறைமைகளும் இந்த செயற்கை அறிவை உருவாக்குவதில் மிக முக்கியமான துணை அமைப்புக்களே.
தொடரும்
