செயற்கை நுண்ணறிவு (AI) 01 – அறிமுகம்

நுண்ணறிவு என்பது பல்வேறு உயிரினங்களில் பல்வேறு வகைகளில் இருக்கின்றது. ஆகவே நம்மால் இது தான் நுண்ணறிவு என்று ஒரு வரையறையை ஏற்படுத்திக் கொள்ள முடியவில்லை. இன்று நாம் செயற்கை அறிவு அல்லது நுண்ணறிவு என்று கருத்தில் கொள்ளும் அனைத்து முறைகளும் அல்லது பெரும்பாலான முறைகள் மனிதனது நுண்ணறிவு சார்ந்தவையாகவே இருக்கின்றன.

ஒரு இயந்திரம் அல்லது பொறிமுறை நுண்ணறிவு கொண்டதா என இலகுவில் பதில் சொல்லக்கூடியதாக இருப்பதற்கும் இது தான் காரணம். நுண்ணறிவு என்பதே ஒரு பொறிமுறை, மிகச் சிக்கலான பொறிமுறை. இதனை நாம் ஒரு போருளுடனோ அல்லது கணித சமன்பாடுகளோடோ ஒப்பிடமுடியாது.

இன்று நமக்கு தெரிந்த வரை நாம் நுண்ணறிவின் சில பகுதிகள் எப்படி வேலைசெய்கிறது என்று கண்டுள்ளோம், ஆனால் பல பகுதிகள் இன்னும் ஆராயப் படவேண்டியுள்ளது. இன்று உள்ள சில செயற்கை நுண்ணறிவைக் காட்டக்கூடிய அல்லது மிமிக் செய்யக்கூடிய சில ப்ரோக்ராம்கள், நாம் அறிந்துள்ள நுண்ணறிவுப் பகுதியில் தொழிற்படுகிறது, அதனால் சில பிரச்சனைகளை சுயமாக தீர்க்க முடிகிறது. ஆனால் வேறு சில பிரச்சனைகளை, அதாவது இன்னும் இப்படியான பிரச்சினைகளை எப்படி நுண்ணறிவு தீர்க்கிறது என்று தெரியாத பிரச்சினைகளை அவைகளால் கையாள முடிவதில்லை, காரணம் அதை எப்படி கையாள்வது என்று நாம் அந்த ப்ரோக்ராமிடம் சொல்லவில்லையே! பெரும்பாலும் அப்படியான பிரச்சினைகளுக்கு தீர்வு காண முயலும் போது, மொத்த ப்ரோக்ராமும் ஸ்தம்பித்து விடுகிறது. இதனாலேயே நம்மால் இவற்றை முழுதான செயற்கை நுண்ணறிவு கொண்ட பொறிகள் என்று கூற முடிவதில்லை.

மிக அடிப்படையாக சொல்லவேண்டும் என்றால், நுண்ணறிவு என்றால் என்ன என்று இன்னமும் எம்மால் ஒரு வரையறைக்கு வரமுடியவில்லை, ஆக பூரணமான செயற்கை நுண்ணறிவை எம்மால் மாதிரிப்படுத்த (model) முடியாதுள்ளது.

மனித அறிவைப் போல தொழிற்படுவதுதான் செயற்கை நுண்ணறிவு என்று எடுகோள் எடுக்க முடியாது, அது தவறும் கூட. பலவேளைகளில், ஆய்வாளர்கள், மனிதன் குறிப்பிட்ட பிரச்சினையை எப்படி தீர்க்கிறான் என்று ஆய்வுசெய்து அதை அடிபடையாக வைத்து சமன்பாடுகளை உருவாகி அதன் அடிபடையில் AI ப்ரோக்ராம் வேலை செய்யுமா என ஆய்வு செய்கின்றனர். ஆனால் இப்படித்தான் ஆய்வு செய்யவேண்டும் என்று எந்த அவசியமும் இல்லை.

சிலவேளைகளில் மனித மூளை எப்படி சில பிரச்சனைகளை தீர்க்கிறது என்று பார்க்கும் போது, மிகச் சிக்கலான அமைப்பு ஒன்று அங்கு உருவாகுவது தெரிவதால், மனிதனைவிட மூளை வளர்ச்சியால் பின்தங்கிய மிருகங்கள், பறவைகள் எப்படி குறித்த பிரச்சினையை கையாள்கின்றன என்றும் ஆய்வாளர்கள் பார்கின்றனர்.

உண்மையைச் சொல்லப்போனால், வேறு வேறு உயிரினங்கள், குறித்த அதே பிரச்சினையை தீர்க்க மிகவும் வேறுபட்ட வழிமுறைகளை தங்களிடம் இருக்கும் நுண்ணறிவைப் பயன்படுத்தி கையாளுகின்றன. இவை எல்லாமே நுண்ணறிவு தானே. இதில் எது மிகச் சிறந்தது என்று எடுத்துக்கொள்வது?

ஒரு ஊருக்கு செல்ல ஐம்பது வழிகள் இருக்கின்றன என்று வைத்துக்கொண்டால், இதில் எதை தெரிவு செய்வது என்று ஒரு குழப்பம் வரலாம். அதற்கு ஒரு தீர்வாக குறைந்த நேரத்தில், குறைந்த எரிபொருளை பயன்படுத்தி செல்லக் கூடிய வழி எதுவோ அதனை தெரிவுசெய்வது செல்லலாம்.

நுண்ணறிவை செயற்கையாக உருவாகும் போது வரும் பிரச்சினையே, இந்த வழிகள்என்னவென்று தெரியாமல் இருப்பதே, அப்படியிருக்க எப்படி எது சிறந்த வழி என்று கண்டுகொள்ள முடியும்? ஆக இது ஒரு சிக்கல். இங்கு நான் என்ன சொல்ல வருகிறேன் என்றால், எப்போதுமே மனிதனது நுண்ணறிவைப் பயன்படுத்தி காணப்படும் தீர்வுகள் தான் சரியானவை என்று இருக்கவேண்டிய அவசியமில்லை, இதை இன்று இந்த AI ஆய்வாளர்கள் விளங்கிக்கொண்டுள்ளனர்.

அனால் எப்படியிருப்பினும், மனிதனது நுண்ணறிவு ஆற்றல் கொண்ட செயற்கை நுண்ணறிவை உருவாக்குவதே இறுதி இலக்காக AI ஆய்வாளர்கள் கருதுகின்றனர். இந்த செயற்கை நுண்ணறிவுப் ப்ரோக்ராம்கள், மனிதன் வாழ்வில் எப்படியான சவால்களுக்கு முகம்கொடுத்து அதனை சமாளிக்கிறானோ, அதேபோல இந்த ப்ரோக்ராம்களும் சுயாதீனமாக தீர்வு காணும்.

சில ஆய்வாளர்கள், இப்போது இருக்கும் தொழில்நுட்பத்தை பயன்படுத்தி AI ஐ உருவாகிவிட முடியும் என்று கருதுகின்றனர். அதாவது நுண்ணறிவில் இருக்கும் பல்வேறு துணைப் பண்புகளை தனித் தனி ப்ரோக்ராம்களாக உருவாகி, அதனோடு ஒரு பெரிய அறிவுக் களஞ்சியத்தை இணைத்து ஒரு வகையான AI ஐ உருவாகிவிடலாம் என்கின்றனர். இது எப்படி வேலை செய்யும் என்று விரிவாக பிறகு பார்க்கலாம், இப்போது அறிமுகப் படலத்தை முடித்துவிடலாம்.

சில ஆய்வாளர்கள், இப்போது இருக்கும் தொழில்நுட்பம், ஒரு பூரணமான AI ஐ உருவாக்க போதாது என்று கருதுகின்றனர். இப்போது இருக்கும் CPU க்கள் தொடங்கி, அதில் நாம் ப்ரோக்ராம்களை உருவாக்கும் விதம் வரை, பல புதிய மாற்றங்கள், வரவேண்டும் என்று சொல்கிறார்கள்.

இப்பது நாம் பயன்படுத்தும் கணனிகள் ஒரு சிக்கலான பொறி, அதனால் பல்வேறு பட்ட பொறிகளைப் போல தன்னை செயற்படுத்திக் காட்டமுடியும், ஆக AI ஒன்றை உருவாக புதிதாக எதாவது ஒரு பொறியை கண்டுபிடிக்கவேண்டிய அவசியமில்லை, ஆனால், இப்போதுள்ள கணணியின் வேகம், ஒரு AI தனது செயல்களை செய்ய போதுமானதா என்ற கேள்வியும் எழுப்புகிறது. இதுவும் இன்னொரு சிக்கலான குழப்பம்.

அதாவது இப்போதிருக்கும் கணனிகள் நல்ல வேகமாக செயல்படக்கூடியது, ஆனால் அதில் எம்மால் தான் எப்படி AI ஐ ப்ரோக்ராம் செய்வது என்று தெரியவில்லை, அல்லது AI ப்ரோக்ராம்கள் வேலை செய்யும் அளவிற்கு இந்த கணனிகள் இன்னும் வேகம் பெறவில்லை. இந்த இரண்டில் ஏதோவொன்று உண்மையாக இருக்கவேண்டும்.

அடுத்ததாக AI ஆய்வின் ஆரம்பப் படிகளையும், அதில் வந்த சவால்களையும் பார்க்கலாம்.

தொடரும்…

செயற்கை நுண்ணறிவின் அறிவியல் ரீதியான ஆரம்பம் 1900 களுக்கு பின்பே ஆரம்பித்தது என்று சொல்லாம். ஆனாலும் செயற்கை நுண்ணறிவைப் பற்றி சிந்திக்க முதல், தர்க்கவியல் (logic) என்ற ஒன்றைப் பற்றி அதிகமாகவே அறிவியலாளர்கள் சிந்தித்து இருகின்றனர்.

கணிதம் என்ற ஒன்று மனிதனின் கண்டுபிடிப்பில் மிக மிக முக்கியமானது. இயற்கையில் நடைபெறும் அனைத்து விந்தைகளையும் இயற்பியல், கணித சமன்பாடுகளாக தந்துவிடுகிறதே. இயற்பியலின் அடிப்படையே இந்த கணிதம் தான் என்றால் மிகையில்லை. நியூட்டனின் கால்குலஸ் உருவாக்கத்திற்கு பிறகு, இயற்க்கை விதிகளை கணிதத்தால் கணக்கிட முடிந்தது. கணிதவியலாலர்களும், இயற்பியலாளர்களும் கணிதத்தால் தீர்க்க முடியாத பிரச்சினைகள் என்று ஒன்று இல்லை என்றே நம்பினார்.

ஒரு குறிப்பிட்ட பிரச்சினைக்கு நமக்கு இன்று விடை தெரியாவிடினும், அதற்கு காரணம், நாம் இன்னும் கண்டுபிடிக்காமல் இருப்பதே என்று இவர்கள் கருதினர். எதிர்காலத்தில் யாராவது ஜீனியஸ் தீர்க்கலாம். கணிதம் ஒரு பரிபூரணமான ஒரு மகத்துவம்! மனிதன் கண்டெடுத்த மாணிக்கம்.

இந்த நினைப்பில் கொஞ்சம் தேங்காய் எண்ணை, மண்ணெண்ணெய் அதோடு பெட்ரோல் ஊத்தி பத்தவைக்க வந்தவர் தான் குர்ட் கொடேல் (Kurt Gödel) என்ற கணிதவியலாளரும், தர்க்கவியலாளரும்! இவர் முற்றுமைஇல்லாக் கோட்பாடு (Incompleteness Theorems) என்ற ஒன்றை உருவாக்கி நிருபித்தும் காட்டினார். கணித உலகிலேயே இடி விழுந்தது. அப்படி என்னதான் இருக்கிறது இந்த கோட்பாட்டில் என்று பார்க்கலாம். இலகுவாக விளங்கும் வண்ணம் சாதாரண தமிழிலேயே சொல்கிறேன்.

ஒரு சீரான முறைமையில் எப்போதுமே சரியோ, தவறோ என்று நிருபிக்கமுடியாத அம்சங்கள் இருக்கும்.

பின்வரும் வசனத்தைக் கவனியுங்கள்.

“இந்த வாக்கியத்தை உண்மை என்று நிருபிக்க முடியாது”

இந்த வாக்கியம் உண்மை என்றால், அதனை நிருபிக்க முடியாது ஏனென்றால் நிருபிக்க முடியாவிட்டால் தானே அந்த வாக்கியம் உண்மை என்று ஆகும். அதைதானே அந்த வாக்கியமும் சொல்கிறது. அப்படி நிருபிக்க முடிந்தால், அந்த வாக்கியமே பொய் ஆகிவிடும். குட்டையை குழப்பி விடுற மாதிரி இருக்கோ?

இதே பிரச்சினை எல்லா முறைமையிலும் உண்டு, ஆகவே கணித முறைமையிலும் எப்போதுமே உண்மையான, ஆனால் நிருபிக்கப் படமுடியாத கருத்துக்கள் இருக்கும் என்று கொடேல் நிருபித்தார். இது கணிதவியலாளர்களுக்கு மிகப்பெரிய சவாலாக அமைந்துவிட்டது. அதன் பின் வந்த, கணணி அறிவியலுக்கும், தர்க்க ரீதியான கணணி சார்ந்த பல விடயங்களை ஆராய்ச்சி செய்தவருமான அலன் டூரிங்கும் (Alan Turing), குறிப்பிட்ட ஒரு அல்கோரிதத்தினால் (கணிதப் படிமுறைகள்), கணிதவியல் பிரிவில் இருக்கும் வேறுபட்ட பகுதிகளில் இருக்கும் எல்லாப் பிரச்சினைகளையும் தீர்க்க முடியாது என்று தெளிவாக்கினார்.

மேற்சொன்ன வாக்கிய உதாரணத்தை தீர்க்க எத்தனிப்பது ஒரு வகை, அதேபோல ஒரு மிகப் பெரிய பல்லுறுப்புக் கோவையில் (polynomial equations) இருக்கும் மாறிகளுக்கு முழு எண்ணில் விடை வருமா என்று ஆராய்வது ஒரு வகை. இப்படியான வேறு பட்ட பிரச்சினைகளை ஒரே விதத்தில் ஆராய்ந்து கணிதரீதியாக முடிவை எடுக்க முடியாது என்று இவர்கள் பூரணமாக ஆராயந்துவிட்டனர்.

அனால் மனிதனால், இப்படியான பிரச்சினைகளுக்கு தீர்வு காணக்கூடியதாக இருக்கிறது. குறிப்பிட்ட வசனத்தைப் பற்றி சிந்திக்க முடிகிறது. பல்லுறுப்புச் சமன்பாடுகளில் முழு எண்ணில் விடை வருமா என கண்டறியவும் முடிகிறது. இதனால் தான் அல்கோரிதங்களை பயன்படுத்தி தொழிற்படும் இயந்திரங்களால் (கணனிகள்) மனிதனது மூளையின் ஆற்றலுடன் போட்டிபோட முடியாது என்று ரோஜர் பென்ரோஸ் போன்ற பல கணித மாமேதைகள் கூட கருதுகின்றனர்.

ஆனாலும் இங்கும் ஒரு பிரச்சினை இருப்பதை சற்று சிந்தித்தால் விளங்கிக்கொள்ளலாம். இதை வசிக்கும் உங்களில் எத்தனை பேருக்கு பல்லுறுப்புக் கோவை ஒன்றை தீர்க்கத் தெரியும்? எல்லோருக்கும் தெரிய வேண்டிய அவசியமில்லையே, அனால் தெரியாதவருக்கும் சொல்லித்தந்து அதன் பின்னர் அந்த சமன்பாடுகளை தீர்க்க எத்தனிக்கலாம், அது முடியாமலும் போகலாம்.

அல்கொரிதங்கள் / கணித சமபாடுகள் குறித்த விடையை நோக்கி பயணிக்கும். ஒவ்வொரு சமன்பாடுகளுக்கும் தொடக்கத்திலேயே விடை இருப்பது தெரியும். ஆனால் மனிதன் அப்படி பிரச்சினைகளுக்கு தீர்வு காண்பதில்லை. குறித்த பிரச்சினையை அலசிக்கொண்டு வரும்போது கிடைக்கும் அனுபவங்களும் குறித்த பிரச்சினையை தீர்ப்பதற்கான துல்லியத் தன்மையை அதிகரிக்கிறது.

ஒரு கணக்கிடக்கூடிய பிரச்சினை, அதாவது கணிதவியல் ரீதியாக தீர்க்கக் கூடிய பிரச்சினை ஒன்றை எடுத்துக் கொண்டால், அதனை பல பல சிறிய பிரச்சினைகளாக உடைத்து, அந்தச் சிறிய பிரச்சினைகளுக்கு தீர்வு காணுவதன் மூலம் முழுப் பிரச்சினைக்கும் தீர்வு காணமுடியும். அதுமட்டுமல்லாது சிறு சிறு துண்டுகளாக உடைத்த பிரச்சினைகளுக்கு கண்டு பிடித்த தீர்வை ஒன்றோடு ஒன்று சேர்த்து அதிலிருந்து வரும் புதிய வெளியீட்டையும் மீண்டும் அலசுவதன் மூலம் அந்தப் பெரிய பிரச்சினையின் தீர்வுக்கான துல்லியத் தன்மையை அதிகரிக்கலாம்.

ஆனால் மேற்சொன்ன மாதிரி வேறுபட்ட பிரச்சினையை துண்டு துண்டாக உடைத்து விடை காண தயாராகும் அல்கோரிதம், மனித மூளையைப் போன்ற சக்தி வாய்ந்ததாக இருக்கவேண்டும். குறித்த பிரச்சினையை எப்படி துண்டுகளாக உடைக்க வேண்டும் என்று அதற்க்கு சரியாக தெரிந்திருக்கவேண்டும். இன்று இருக்கும் செயற்கை நுண்ணறிவு ஆய்வில் இருக்கும் பிரச்சினையே இந்த பெரிய பிரச்சினைகளை எப்படி துண்டுகளாக மாற்றுவது என்றுதான். அந்த டெக்னிக் இன்னும் நமக்கு சரியாக புரியவில்லை என்றே சொல்லவேண்டும்.

ஒரு குறித்த கணக்கிடக்கூடிய பிரச்சினையின் சிக்கலின் அளவு என்ன என்பதை கணிக்க கணிதவியலில், கணக்கீட்டுச்சிக்கல் கோட்பாடு என்று ஒன்று உண்டு. ஆனால் இது இன்னமும் சரியாக AI மற்றும் மனிதன் எப்படி குறித்த பிரச்சினையை தீர்க்க கூடும் என்பது பற்றி முழுவதுமாக ஆராயவில்லை. இத்தகு காரணம், ஆராசியாலர்களால் இன்னமும், மனிதனோ, அல்லது AI யோ எப்படி குறித்த பிரச்சினைக்கு தீர்வு காணுகிறது, அதாவது எப்படி அந்த சிறு சிறு துண்டுகளாக உடைக்கிறது என்று முழுதாக அறியவில்லை.

இதை அறிய முடியாதா என்று நீங்கள் கேட்கலாம், அப்படி இல்லை, நிச்சயம் அறியலாம் என்று AI ஆய்வாளர்கள் கருதுகின்றனர். AI என்பது வெறும் அறிவியலால் மட்டும் வெளிவதுவிட முடியாத விடயம். இங்கு தத்துவவியல், தர்க்கவியல் போன்ற பல்வேறு பட்ட துறைகள் செல்வாக்கு செலுத்துகின்றன.

மேலும் பயணிப்போம், மேலும் ஆராய்வோம்!

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.

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.

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.

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!

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.

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!

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.

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

எழுதியது: சிறி சரவணா

இது ஒரு தொடர்பதிவு, முன்னைய பதிவுகளை வாசித்தபின்னர் இந்தக் கட்டுரையை தொடருங்கள், அது உங்களுக்கு மேலும் சில விடயங்களை தெளிவாக புரியவைக்கும்.

சரி, கடந்த பதிவில் செயற்கை நுண்ணறிவின் பிரிவுகளைப்பற்றிப் பார்த்தோம், இந்தப் பதிவில், எப்படியாக இந்த AI படிப்படியாக ஆராச்சி ரீதியில் வளர்ந்து வந்தது என்பதைப் பற்றிப் பார்க்கலாம்.

1943 இல் Warren McCulloch மற்றும் Walter Pitts உருவாக்கிய கட்டமைப்பே முதலாவது AI கட்டமைப்பு என பொதுவாக ஏற்றுக்கொள்ளப் பட்டுள்ளது. இவர்கள் மனித மூளையில் இருக்கும் நியுரோன்களை அடிப்படையாகவைத்து இந்தக் கட்டமைப்பை உருவாகினர். இவர்களைது கட்டமைப்பில் செயற்கையான நியுரோன்கள் சுவிச் வேலை செய்வதுபோல, அருகில் இருக்கும் நியுரோன்களின் தூண்டலுக்கு ஏற்ப “on” அல்லது “off” செய்யும். அதாவது உண்மையிலேயே மூளையில் நியுரோன்கள் எவ்வாறு தொழிற்படுமோ, அவ்வாறே இந்த செயற்கை நியுரோன்களும் தொழிற்படும்.

இதில் முக்கிய அம்சம் என்னவென்றால், இப்படி “on/off”ஆகக்கூடிய நியுரோன்களை பயன்படுத்தி கணக்குகள் போடமுடியும் என்பதே. அதுமட்டும் அல்லது, இவர்கள் இந்த செயற்கை நியுரோன் வலைப்பின்னல் அமைப்பானது தானாக கற்கும் ஆற்றலையும் கொண்டிருக்கும் எனக் கருதினர்.

இப்படியான செயற்கை நியுரல் வலைப்பின்னைலை அடிபடையாக கொண்ட கணணியை முதன் முதலில் 1951 இல் Marvin Minsky மற்றும் Dean Edmonds பிரின்ஸ்டன் பல்கலைக்கழகத்தில் உருவாக்கினர். SNARC எனப்பட்ட இந்த கணணி, 3000 vacuum tube களைப் பயன்படுத்தி 40 செயற்கை நியுரோன்களைக் கொண்ட வலைபின்னல் தொழிற்படுவதைப்போல உருவாக்கப்பட்டது.

இதன் பின்னர் AI துறையின் இன்னுமொரு முக்கிய வளர்ச்சிப் படி, 1955 இல் Alien Newell மற்றும் Herbert Simon சேர்ந்து உருவாகிய Logic Theorist எனப்படும் ப்ரோக்ராம். இந்தப் ப்ரோக்ராம் பல்வேறு கணிதவியல் தேற்றங்களை நிறுவிக்காட்டியதுடன் எதிர்கால AI ஆய்வுக்கு முக்கிய பங்காற்றியது.

இந்தப் ப்ரோக்ராமில் இருந்து AI ஆய்வுக்கு கிடைத்த முக்கிய பண்புகள் இரண்டு.

1. தர்க்க ரீதியான முடிவுகளை தேடுதல் – அதாவது, logic theorist ப்ரோக்ராம் ஒரு தேடல் மரத்தை (search tree) அடிப்படையாக கொண்டே செயல்படும், இது அந்த மரத்தின் வேர்ப்பகுதியில் அடிப்படைக் தேற்றத்தை கொண்டிருக்கும். அந்த தேற்றதிற்கான நிறுவல் (விடை) அந்த மரத்தில் எதாவது ஒரு கிளையில் இருக்கும். ஆக இது அந்த மரத்தில் இருக்கும் கிளைகளை தர்கரீதியான ஆய்வின்படி சோதித்து தேடிச்செல்லும், இறுதியில் தகர்க்கரீதியாக கிடைத்த விடையின் அடிப்படையில் சென்று முடிந்த கிளையின் பகுதியே விடையைக்கொண்டிருக்கும் பகுதியாகும்.
2. தர்க்கவிதிகள் – இப்படியாக தேடல் மரம் ஒன்றில் தேடும் போது, அதில் உருவாகும் கிளைகளின் எண்ணிக்கை பல்கிப்பெருகக்கூடும், இது இறுதி விடையை எட்டுவதில் நேரவிரயத்தை ஏற்படுத்தலாம். இன்னும் பாதகமான சந்தர்பத்தில், விடையை எட்டமுடியாவண்ணம் இந்த கிளைகளின் எண்ணிக்கை அதிகரிக்க முடியும். ஆக Newell, Simon ஆகிய இருவரும், விடை கிடைப்பதற்கான சந்தப்பம் குறைந்த கிளைகளை வெட்டிவிடுவதன் மூலம், மேலதிக நேர விரயத்தைக்குறைப்பதுடன், வேகமாக விடையை நோக்கி செல்லமுடியும் என நிருபித்தனர்.

இந்த தர்கரீதியான தேடல் மரம், மற்றும் தர்க்கவிதிகள் 1950 களில் உருவாக்கப்பட்டாலும், AI ஆய்வில் தற்போதும் பயன்படுத்தப்படுகின்றன அதுமட்டும் அல்லாது இவை AI ஆய்வுக்கு மிக முக்கியமான கட்டமைப்பும் கூட.

அடுத்த கட்டமாக 1950 இற்கு பின்னர், AI ஆய்வுகள் அதிகளவான முன்னேற்றத்தை அடைந்தது எனலாம். செஸ் விளையாடும் ப்ரோக்ராம்கள் தொடக்கம் பொதுவான கணித பிரச்சனைகளை தீர்க்கும் ப்ரோக்ராம்கள் உருவாக்கப்பட்டன. இந்தக் காலப்பகுதியிலேயே John McCarthy என்ற கணணி விஞ்ஞானியால் “Artificial Intelligence” என்ற பெயர் இந்த வகையான ப்ரோக்ராம்கள் மற்றும் கணணிகளை குறிக்க முதன் முதலில் பயன்படுத்தப்பட்டது. தற்போது இந்த வார்த்தை பரவலாக பயன்படுத்தப்படுகிறது.

Logic Theorist இற்கு பின்னர், பொதுச் சிக்கல் தீர்ப்பான் (General Problem Solver – GPS) என்ற ப்ரோக்ராம், மனிதனைப் போல சிக்கல்களை தீர்க்க முனைந்தது. அதாவது மனிதனைப் போல சிந்தித்து செயற்பட முனைந்தது, இதுவே முதலாவது மனிதனைப் போல பிரச்சனைகளை ஆய்வுசெய்த AI ப்ரோக்ராம் ஆகும்.

இதன் பின்னர் 1959இல் IBM இல் “கேத்திரவியல் சிக்கல் தீர்ப்பான்” உருவாக்கப்பட்டது, இதுவும் Logic Theorist போல, ஆனால் கேத்திரவியல் பிரச்சனைகளை தீர்க்க உருவாக்க்கப்பட்டது.

அதேபோல 1950 களில் John McCarthy, LISP எனப்படும் ப்ரோக்ராமிங் மொழியை உருவாக்கினார், தர்க்கவியல் ப்ரோக்ராமிங் மொழியாக பயன்பட்ட இது பின்னாளில் AI ப்ரோக்ராம் செய்ய பல்வேறு ஆய்வாளர்களால் பயன்படுத்தப்பட்டுவருகிறது.

முக்கிய விடயம்  என்னவென்று பார்த்தால், 50 மற்றும் 60களில் AI ஆய்வு பல்வேறு துறைகளில் பல்வேறு வடிவங்களில் வளர்ச்சியடைந்து வந்தது. 1958இல் Hilbert Simon, இன்னும் 10 வருடங்களில் கணணி செஸ் ப்ரோக்ராம்கள் செஸ் சாம்பியன்களாகிவிடும் என்றார். அப்போது அவரைப் பொறுத்தவரை, அவரை மட்டுமல்ல, அக்காலகட்டத்தில் இருந்த அநேக AI ஆய்வாளர்களைப் பொறுத்தவரை, முழு AI என்பது சில பல வருடங்களில் சாத்தியம் என்றே நம்பினார்.

ஆனாலும் முழு AI ஐ உருவாக்குவதில் இருக்கும் சிக்கல்கள் 1970 களில் வெளிவரத்தொடங்கியது. புதிய ஆய்வு முடிவுகள், புதிய தர்கவியல் தேற்றங்கள், முழுதான AI உருவாக்குவதில் இருக்கும் பிரச்சனைகளை வெளிச்சம்போட்டுக் கட்டியது.

அடுத்த பதிவில் அவற்றைப் பற்றிப் பார்க்கலாம்.