வினை தந்திரம் கற்போம் : கற்க கசடற எந்திர கற்றல்

மகேஷ் கேசவபிள்ளை

இன்று, செயற்கை அறிவாண்மையில் (Artificial Intelligence) முக்கிய அங்கமாக இருக்கும் எந்திர கற்றல் (Machine Learning) பற்றி விவாதிப்போம்.

செயற்கை அறிவாண்மை (Artificial Intelligence) மற்றும் எந்திர கற்றல் (Machine Learning) என்ற பதங்கள் இணையத்தில் புழங்குபவர்களுக்கு பழக்கமான பதங்களே. இவற்றின் அடிப்படை மற்றும் இதர விஷயங்களைப் பற்றி விவாதிக்கும் முன் ஒரு சிறிய குறிப்பு.

பள்ளிகள் திறக்கும் மாதம். உங்களது மற்ற வேலைப்பளுவின் இடையில், வீட்டுக் குழந்தைகளுக்கு பள்ளி உபகரணங்களை வாங்க மனதிற்குள் எண்ணியபடி, online வலை தளத்துக்கு செல்கிறீர்கள். அதன் முகப்பில், பள்ளி பை, உணவுப் பெட்டி, தண்ணீர் பாட்டில் முதலான பள்ளிக்கு எடுத்து செல்லும் பொருட்கள் பரிந்துரை செய்யப்பட்டு offers ம் பட்டியலிடப்பட்டு இருந்தால் எவ்வளவு இன்ப அதிர்ச்சியாக இருக்கும். இது machine learning-ன் பயன்பாடுகளில் ஒன்று. (Machine Language-ஐ ML என்றே இனி இந்த கட்டுரையில் குறிப்பிடுவோம்).

சாலைகளின் நிலை, சக வாகனங்களின் போக்கு மற்றும் பிற புறச்சூழல்களை ஆராய்ந்து, மோதல், விபத்துகளை கணித்து பாதுகாப்பாக ஓட்டிச்செல்ல, ஓட்டுநர் இல்லா (driver-less) கார்களில் ML-ன் பங்கு முக்கியமானது. புற்றுநோய் (cancer) போன்ற கொடிய வியாதிகளை ஆரம்ப காலத்திலேயே கண்டறிதல், கட்டி (tumor) களை வகைப்படுத்துதல் போன்ற மருத்துவ சேவைகளிலும் ML பயன்படுத்தப்படுகிறது.

மிக சமீபத்தில் வெளியிடப்பட்ட ஓர் ஆராய்ச்சி முடிவுகளின் படி, schizophrenia எனப்படும் மனச்சிதைவு நோய்க்கான சிகிச்சையில் ML வெற்றிகரமாக பயன்படுத்தப்படுகிறது. அது 78 % துல்லியமாக மனச்சிதைவு நோயாளிகளை கண்டறிந்தது. மேலும் risperidone எனப்படும் antipsychotic சிகிச்சையை ஒரு மனப்பிறழ் நோயாளிக்கு பயன்படுத்தலாமா வேண்டாமா என்பதை 82% துல்லியமாக கணித்தது.

Machine Learning என்பது என்ன?

ஒரு குழந்தைக்கு எப்படி, இது புலி, இஃது ஆப்பிள், இஃது இருதயம், இது பூசணி என்று படங்களை காண்பித்து கற்பிக்கிறோமோ, அது போலவே machineக்கு கற்பித்து அதன் அறிவாற்றலை வளர்த்து, அதன் கணினி ஆற்றல் (computing power) மூலம் அற்புதங்கள் நிகழுத்துவதுதான் ML- இன் அடிப்படை.

உதாரணமாக, நாய் என்றால் என்ன? மனிதன் என்றால் என்ன? என்பதை கற்பிக்க, பல்வேறு வகையான நாய்களின் படங்களையும், பல்வேறு விதமான மனிதர்களின் படங்களையும் ஊட்டம் (feed) செய்ய வேண்டும். கம்ப்யூட்டரோ, நாய் என்பதற்கு நான்கு கால்கள், தொங்கும் காதுகள், நிமிராத வால், மனிதனுக்கு இரண்டு கால்கள், இரண்டு கைகள் என்பன போன்று அம்சங்களாக பிரித்தாய்ந்து வைத்துக்கொள்ளும். அடுத்த முறை கொடுக்கப்படும் உள்ளீட்டை (input) ஆராய்ந்து அது நாயா, மனிதனா என்று அடையாளம் கண்டுகொள்ளும் (Image recognition). இது ஓர் எளிமையான உதாரணம். இதையே சிக்கலான, மனித சக்திக்கு அப்பாற்பட்ட விஷயங்களுக்கு தீர்வு காண ML-ஐ பயன்படுத்த முடியும்.

இது தகவல் யுகம். முன்பெல்லாம் தகவல்களை தேடித் தேடி போய் சேகரிக்க வேண்டும். ஆனால், இப்போது நம் முன் zettabyte, yottabyte என தரவுகள் (data) கொட்டிக் கிடக்கின்றன. அவற்றில் சூழலுக்கு (context) பயனுள்ளதை பிரித்தறிந்து வழங்குவது (serve) செய்வதுதான் மிகப்பெரிய சவால். இதற்குதான், Machine Learning, Deep Learning போன்ற தரவு அறிவியல் (Data Science) தொழில் நுட்பங்கள் பயன்படுகின்றன.

Machine Learning என்பது கணிதம் பாதி கணினி பாதி கலந்து செய்த கலவை.

இதன் முதல் படியாக, புள்ளியியல் சூத்திரங்கள் மற்றும் பிற கணித தேற்றங்களை அடிப்படையாகக் கொண்டு ஒரு வழிமுறை (Algorithm) உருவாக்கப் படும். பின், இந்த வழிமுறை மாதிரியை (Model) மேலும் மேலும் தரவுகளைக் கொண்டு பயிற்றுவித்து (Train) தயார் செய்ய வேண்டும். இவ்வாறு பயிற்றுவிக்கப்பட்ட மாதிரியை பயன்பாட்டுக்கு கொண்டு வந்து அதன் கணிப்புகளை (Predictions) பெறுகிறோம் .

இந்த கணிப்புகள்தான் பல சிக்கலான விஷயங்களுக்கான தீர்வுகளை தருகின்றன. இதில் முக்கியமாக கவனிக்க வேண்டிய சொல் 'கணிப்பு'. ஒரு மருத்துவர், நோயாளி விவரிக்கும் அறிகுறிகளையும், பரிசோதனை முடிவுகளையும் கொண்டு, நோயை எப்படி கணிப்பாரோ, அதே போல் பயிற்றுவிக்கப்பட்ட மாதிரி நமக்கு கணிப்புகளை வழங்குகிறது. அசாத்தியமான கணினி ஆற்றல் (computing power) மூலம், ஏராளமான தரவுகளை பயின்று, கணிப்புகளை வெளியிடுகிறது. எனவே, எவ்வளவுக்கு எவ்வளவு தரவுகள் கொடுத்து பயிற்றுவிக்கப் படுகிறதோ, அவ்வளவுக்கு அவ்வளவு துல்லியமான கணிப்புகளை பெற முடியும்.

இரண்டு வகையான வழிமுறைகள் பெரும்பாலும் பயன் பயன்படுத்தப்படுகின்றன. மேற்பார்வையில் பயிலும் வழிமுறை (supervised Learning) மற்றும் மேற்பார்வையின்றி பயிலும் வழிமுறை (unsupervised learning). மேற்பார்வையிடப்பட்ட முறையில் input மற்றும் அதற்குரிய output தரவுகள் பயில்வதற்காக கொடுக்கப்படும். இவற்றை கொண்டு input ஐயும் output ஐயும் இணைக்கும் விதியை மாதிரி (model) கற்றுக்கொள்ளும். நிகழ்நேர பயன்பாட்டின் பொழுது இந்த விதியை பயன்படுத்தி தீர்வுகளை வழங்கும். மேற்பார்வையிடப்படாத முறையில், இவ்வாறு தெளிவான சிட்டைகள் (label), வழிமுறைக்கு (algorithm) கொடுக்கப்படாது. தரப்படும் input ஐ தாமாகவே ஆராய்ந்து, அதிலிருக்கும் அமைப்பு உருவத்தை கண்டுபிடிக்க வேண்டும்.

தரவுகளை குழுக்களாக (Clustering) பிரிக்கும் Problemகளில் இந்த மேற்பார்வையின்றி பயிலும் ML வழிமுறை பயன்படுகிறது.

மேற்பார்வையில் பயிலும் வழிமுறைக்கு உதாரணங்களாக Regression, Decision Tree, Random Forest, KNN, Logistic Regression போன்ற முறைகளை சொல்லலாம். மின்னஞ்சல் (email) மென்பொருள்களில் பயன்படுத்தப்படும் எரிதம் எனப்படும் வேண்டாத மின்னஞ்சல் வடிகட்டி (Spam filter) ML இன் ஒரு நடைமுறை உதாரணம். நாட்பட நாட்பட நீங்கள் எதையெல்லாம் வேண்டாத மின்னஞ்சல் என்று குறிசொல்லிடுகிறீர்கள் (Tagging) என்பதை கற்றுக்கொண்டு, பின்பு தாமாகவே Spams ஐ வடிகட்டி விடுவது ML இன் பயன்பாடே.

ML நிரலாக்கத்திற்கு (Programming) R., MATLAB போன்ற பல நிரலாக்க மொழிகள் (Programming Languages) பயன்படுத்தப்பட்டாலும், மிக பிரபலமான மொழி Python மொழியே.

ML தரவு அறிவியலில் (Data Science) ஆழ்ந்து கற்றல் (Deep Learning), Artificial Neural Networks போன்ற பல்வேறு கிளைகள் இருக்கின்றன.

ML, Bigdata போன்ற தரவு அறிவியலுக்கு இப்போது சந்தையில் நல்ல மதிப்பு இருப்பது நிஜம்.

மீண்டும் மற்றொரு தொழில்நுட்பத்தில் சந்திப்போம்.