கிரகண நுண்ணறிவு (AI) நமது வாழ்க்கையில் நாளுக்கு நாள் அதிகமாக காணப்படுகின்றது, Netflix பரிந்துரைக்கும் திரைப்படங்களிலிருந்து Waymo போன்ற தானாக இயக்கும் வாகனங்கள் வரை. நீங்கள் ஒருபோதும் AI எப்படி செயல்படுகிறது என்று ஆச்சரியப்பட்டுள்ளீர்களா? ஒவ்வொரு புத்திசாலி பயன்பாட்டிற்கும் பின்னால், இயந்திரங்கள் தரவிலிருந்து கற்றுக்கொண்டு முடிவெடுக்கக்கூடிய ஒரு செயல்முறை உள்ளது.

இந்த கட்டுரையில், நாம் AI செயல்பாட்டின் அடிப்படைக் கொள்கைகளை எளிதாக புரிந்துகொள்ள முயற்சிப்போம், குறிப்பாக பெரும்பாலான நவீன AI-களின் இதயமான மெஷின் லெர்னிங் (machine learning) அமைப்புகளுக்கு கவனம் செலுத்தி.

AI தரவின் அடிப்படையில் "கற்றுக்கொண்டு" முடிவெடுக்கிறது

அடிப்படையில், AI தரவிலிருந்து கற்றுக்கொள்வதின் அடிப்படையில் செயல்படுகிறது. அனைத்து சூழ்நிலைகளிலும் பதிலளிக்க நிரந்தரமாக நிரலாக்கப்படுவதற்கு பதிலாக, AI அமைப்புகள் (முக்கியமாக மெஷின் லெர்னிங் பயன்படுத்தும் அமைப்புகள்) பெரிய அளவிலான தரவை பெற்றுக்கொண்டு அதில் உள்ள மாதிரிகள் (pattern) அல்லது மறைந்துள்ள விதிகள் கண்டுபிடிக்கின்றன.

பின்னர், அவை கற்றுக்கொண்டவற்றை பயன்படுத்தி புதிய தரவுகளை சந்திக்கும் போது முன்னறிவிப்பு அல்லது முடிவெடுக்கின்றன. இந்த செயல்முறை மனிதர்கள் கற்றுக்கொள்ளும் முறையைப் போலவே: பல உதாரணங்களை கவனித்து, அனுபவம் பெறுவதன் மூலம் புதிய சூழ்நிலைகளில் அதை பயன்படுத்துவது.

உதாரணமாக, ஒரு AI-க்கு பூனை மற்றும் நாயின் படங்களை வேறுபடுத்த கற்றுக்கொடுக்க விரும்பினால், நாம் ஆயிரக்கணக்கான பூனை மற்றும் நாய் படங்களை சேகரித்து அவற்றுக்கு குறிச்சொற்களை (எ.கா., இது பூனை, இது நாய்) இணைக்க வேண்டும். AI ஆல்கொரிதம் இந்த பெரிய படத் தொகுப்பை பரிசீலித்து பூனை மற்றும் நாயை வேறுபடுத்த உதவும் அம்சங்களை கண்டுபிடிக்கும் – உதாரணமாக, பூனைகளுக்கு தாடி இருக்கலாம், முக வடிவம் வேறுபடும் போன்றவை. கற்றல் செயல்முறையில், அமைப்பு உள்ளமைவுகளை மெதுவாக சரிசெய்து மிகவும் துல்லியமாக அடையாளம் காண கற்றுக்கொள்கிறது.

இதன் முடிவாக, AI ஒரு மாதிரியை (model) உருவாக்குகிறது, அது பூனை மற்றும் நாயை அடையாளம் காணும் திறன் கொண்டது. புதிய படம் (முன்பு பார்த்திராத) வந்தால், மாதிரி அதனை பூனை அல்லது நாய் என்று முன்னறிவிப்பு செய்யும். தவறான முன்னறிவிப்பு ஏற்பட்டால், AI அதை பயிற்சி ஆல்கொரிதத்தின் அடிப்படையில் திருத்தி அடுத்த முறையில் துல்லியத்தை மேம்படுத்தும்.

எளிய முறையில் சுருக்கமாக, AI கற்றல் மற்றும் செயல்பாடு பொதுவாக பின்வரும் முக்கிய படிகளைக் கொண்டுள்ளது:

• தரவு சேகரிப்பு (Input)

முதலில், AI கற்றுக்கொள்ள உள்ளீட்டு தரவு தேவை. தரவு பல வடிவங்களில் இருக்கலாம்: எண்கள், உரை, படங்கள், ஒலி மற்றும் பல, மேலும் அவை கவனமாக சேகரிக்கப்பட்டு தயாரிக்கப்படுகின்றன. உதாரணமாக, பூனை அடையாளம் காண AI-க்கு, நாம் ஆயிரக்கணக்கான பூனை (மற்றும் பூனை அல்லாத) படங்களை சேகரித்து அவற்றுக்கு குறிச்சொற்களை இணைக்க வேண்டும். இந்த படிகளின் தரமும் அளவும் மிக முக்கியம் – தரவு அதிகமாகவும் பல்வகைமையாகவும் இருந்தால், AI சிறப்பாக கற்றுக்கொள்கிறது.

• மாதிரி பயிற்சி (Learning/Training)

அடுத்து, தரவிலிருந்து இயந்திரம் கற்றுக்கொள்ளும் கட்டம் வருகிறது. உள்ளீட்டு தரவு மெஷின் லெர்னிங் ஆல்கொரிதத்தில் வழங்கப்படுகிறது. இந்த ஆல்கொரிதம் தரவிலுள்ள மாதிரிகள் மற்றும் தொடர்புகளை தேடி, தரவுடன் பொருந்தும் வகையில் உள்ளமைவுகளை மெதுவாக சரிசெய்கிறது.

நுண்ணறிவு நரம்பியல் வலைப்பின்னல் (Artificial Neural Network) போன்ற அமைப்புகளில் (கடுமையான ஆழ்ந்த கற்றலில் பொதுவாக), பயிற்சி என்பது பல முறை திரும்பி நிறைவு எடைகளை (weights) சரிசெய்தல் ஆகும். AI பயிற்சி தரவின் மீது தொடர்ந்து முன்னறிவிப்பு செய்து, தவறுகளை தானாக திருத்தி (backpropagation எனப்படும்) துல்லியத்தை மேம்படுத்துகிறது.

முக்கியமாக, இந்த படியில் AI அனுபவத்திலிருந்து கற்றுக்கொள்கிறது (மாதிரி தரவு), மாணவர்கள் பயிற்சி செய்யும் போல்: தவறுகளை உணர்ந்து அனுபவம் பெறுகிறது.

• முன்னறிவிப்பு/முடிவெடுப்பு (Inference)

பயிற்சி முடிந்த பிறகு, AI-க்கு கற்றுக்கொண்ட மாதிரி இருக்கும். இப்போது, புதிய உள்ளீட்டு தரவு (முன்பு காணாத) வந்தால், AI கற்ற மாதிரியை பயன்படுத்தி முன்னறிவிப்பு அல்லது முடிவெடுக்கிறது.

உதாரணமாக, பயிற்சி முடிந்த பிறகு, பூனை/நாய் வேறுபடுத்தும் AI புதிய படத்தை பார்த்து “இது பூனை” என்று ஒரு நம்பகமான முன்னறிவிப்பை செய்யும். அதேபோல், வங்கிக் கணக்குகளின் பரிவர்த்தனை தரவிலிருந்து கற்ற AI புதிய பரிவர்த்தனை மோசடி ஆகுமா என்று முன்னறிவிக்கலாம்; அல்லது மருத்துவ தரவிலிருந்து கற்ற AI புதிய நோயாளிக்கு பரிந்துரைகள் வழங்கலாம். இந்த கட்டத்தை சிந்தனை (inference) என அழைக்கின்றனர் – AI கற்ற அறிவை நடைமுறையில் பயன்படுத்துகிறது.

• திருத்தம் மற்றும் மேம்பாடு (Feedback & Improvement)

AI-வின் (முக்கியமாக மெஷின் லெர்னிங் அமைப்புகளின்) ஒரு முக்கிய அம்சம் காலத்துடன் தானாக மேம்படுதல். AI முடிவுகளை வழங்கி, அதன் துல்லியத்திற்கான கருத்துக்களை (உதா: மனிதர் முன்னறிவிப்பு சரியா தவறா என்று கூறுதல்) பெறும்போது, அது மாதிரியை சரிசெய்து மேம்படுத்திக் கொள்கிறது.

பூனை/நாய் வகைப்படுத்தல் மாதிரியில், சில தவறான முன்னறிவிப்புகள் இருந்தால் (எ.கா., நாயை பூனையாக தவறாக அடையாளம் காணல்), பொறியாளர்கள் கடினமான தரவுகளை சேர்க்கலாம் அல்லது மாதிரி கட்டமைப்பை மாற்றலாம், இதனால் AI மேலும் கற்றுக்கொள்கிறது. இந்த தொடர்ச்சியான புதுப்பிப்புகளால் AI காலத்துடன் அதிக துல்லியத்தையும் புத்திசாலித்தனத்தையும் பெறுகிறது.

இந்த படி, நீங்கள் தவறான பயிற்சியை ஆசிரியரின் கருத்துக்களைப் பெற்று திருத்தி, அடுத்த முறைக்கு அனுபவம் பெறுவது போலவே. சில சிறப்பு AI அமைப்புகளில் (எ.கா., விளையாட்டுகளில் பயிற்சி அதிகரிப்பு) இந்த தானாக திருத்தல் செயல்முறை இயக்கத்தின் போது தொடர்ச்சியாக நடைபெறுகிறது: AI செயல்களை முயற்சி செய்து, நல்லது என்றால் அதனை உறுதிப்படுத்தி, மோசமானது என்றால் தவிர்க்கிறது.

மொத்தத்தில், AI அமைப்புகள் மூன்று முக்கிய திறன்களை இணைத்து செயல்படுகின்றன: தரவிலிருந்து கற்றல், முடிவெடுப்பதற்கான தர்க்கம் மற்றும் தவறுகளை தானாக திருத்தல். கற்றல் கட்டத்தில், AI தரவிலிருந்து தகவலை சேகரித்து (அதாவது "அறிவை") உருவாக்குகிறது.

சிந்தனை கட்டத்தில், AI கற்ற அறிவை பயன்படுத்தி புதிய சூழ்நிலைகளை கையாள்ந்து முடிவுகளை வழங்குகிறது. மேலும், தானாக தவறுகளை திருத்தி, AI தொடர்ந்து செயல்திறனை மேம்படுத்துகிறது. இந்த கற்றல், தர்க்கம் மற்றும் தானாக திருத்தல் இணைப்பு நவீன AI அமைப்புகளின் சக்தியை உருவாக்குகிறது.

AI செயல்பாட்டின் எளிய எடுத்துக்காட்டு

மேலே கூறிய செயல்முறையை தெளிவாக விளக்க ஒரு உண்மையான எடுத்துக்காட்டு பார்க்கலாம்: AI chatbot தானாக செய்தி பதிலளிக்கும் அமைப்பு. நீங்கள் வாடிக்கையாளர் கேள்விகளுக்கு இயல்பான தமிழில் பதிலளிக்கும் chatbot உருவாக்க விரும்புகிறீர்கள் என நினைத்துக் கொள்ளுங்கள்.

• தரவு சேகரிப்பு: chatbot மொழி மற்றும் பதிலளிக்கும் முறையை கற்றுக்கொள்ள பெரும் அளவிலான உரையாடல் தரவு தேவை. இது முன்பு சேகரிக்கப்பட்ட வாடிக்கையாளர் சேவை உரையாடல்கள் அல்லது இணையதளங்கள் (வலைப்பதிவுகள், சமூக வலைதளங்கள்) ஆகியவற்றிலிருந்து பெறப்பட்ட மில்லியன் கணக்கான கேள்வி மற்றும் பதில் ஜோடிகள் ஆக இருக்கலாம். ஒவ்வொரு கேள்விக்கும் சரியான பதில் (குறிச்சொல்) இணைக்கப்பட்டிருக்கும்.
• chatbot பயிற்சி: நீங்கள் ஒரு பெரிய மொழி மாதிரியை (எ.கா., ஒரு பெரிய Transformer நரம்பியல் வலைப்பின்னல்) தேர்ந்தெடுத்து, சேகரிக்கப்பட்ட உரையாடல் தரவை முழுமையாக "படிக்க" விடுவீர்கள். மாதிரி கேள்வி மற்றும் பொருத்தமான பதில்களை இணைக்கும் முறையை கற்றுக்கொள்கிறது, இயல்பான மொழி ஓட்டத்தை கையாள கற்றுக்கொள்கிறது. காலத்துடன், chatbot சூழ்நிலை புரிதல் மற்றும் பொருத்தமான பதிலளிப்பு திறன்களை மேம்படுத்துகிறது. உதாரணமாக, "நான் கடவுச்சொல்லை மறந்துவிட்டேன், என்ன செய்ய வேண்டும்?" என்ற கேள்விக்கு, பொருத்தமான வழிகாட்டுதலை வழங்கும் பதிலைத் தர கற்றுக்கொள்கிறது. இது புதிய ஊழியர் ஆயிரக்கணக்கான கேள்வி பதில் காட்சிகளைப் படித்து தொழில்நுட்பத்தை கற்றுக்கொள்ளும் முறையைப் போன்றது.
• பயனருக்கு பதிலளித்தல்: chatbot செயல்பாட்டில், புதிய கேள்வி (முன்பு பார்த்திராத) வந்தால், chatbot அதை பரிசீலித்து, கற்றுக்கொண்டவற்றின் அடிப்படையில் பொருத்தமான பதிலை உருவாக்கி வழங்கும். பயிற்சி நன்கு செய்யப்பட்டால், பதில் இயல்பானதும் துல்லியமானதும் இருக்கும், மனிதர் எழுதியதுபோல்.
• காலத்துடன் மேம்பாடு: ஒவ்வொரு உரையாடலுக்கும் பிறகு, chatbot பதில் சரியானதா தவறானதா என்பதை (வாடிக்கையாளர் கருத்து அல்லது ஆதரவு பணியாளர்களின் மதிப்பீடு மூலம்) அறிய முடியும். தவறான பதில்கள் இருந்தால், அந்த உரையாடல் தரவு பயிற்சி தொகுப்பில் சேர்க்கப்பட்டு அடுத்த மேம்பாட்டிற்கு பயன்படுத்தப்படும். இதனால் chatbot அறிவும் பதிலளிக்கும் திறனும் நாளுக்கு நாள் மேம்படுகின்றன. இது AI-க்கு தானாக மேம்பட உதவும் கருத்து ஆகும்.

மேலே எடுத்துக்காட்டு காட்டுகிறது, ஒரு AI உண்மையில் கடந்த தரவிலிருந்து கற்றுக்கொண்டு எதிர்கால சூழ்நிலைகளில் பயன்படுத்துகிறது. பூனை/நாய் வகைப்படுத்தல் அல்லது வாடிக்கையாளர் கேள்வி பதிலளித்தல் ஆகியவை அடிப்படையில் ஒரே கொள்கையை பின்பற்றுகின்றன.

உற்பத்தி AI எப்படி செயல்படுகிறது?

சமீபத்தில் AI துறையில் ஒரு முக்கிய போக்கு உற்பத்தி AI (Generative AI) ஆகும் – இது புதிய உள்ளடக்கங்களை உருவாக்கும் திறன் கொண்ட AI அமைப்புகள், உதாரணமாக உரை, படம், ஒலி போன்றவை. உற்பத்தி AI எப்படி செயல்படுகிறது, அது வேறுபட்டதா?

உண்மையில், உற்பத்தி AI பெரும் தரவிலிருந்து ஆழ்ந்த கற்றலை அடிப்படையாகக் கொண்டு செயல்படுகிறது, ஆனால் முன்னறிவிப்பு அல்லது வகைப்படுத்தல் மட்டுமல்ல, கற்ற மாதிரியின் அடிப்படையில் புதிய வெளியீடுகளை உருவாக்க பயிற்சி பெறுகிறது.

பெரிய மொழி மாதிரிகள் (LLM) போன்றவை, உதாரணமாக ChatGPT: இது நூற்றுக்கணக்கான கோடிகள் உரை (புத்தகங்கள், கட்டுரைகள், இணையதளங்கள்) மூலம் பயிற்சி பெற்று, சொற்கள் மற்றும் வாக்கியங்களின் தொடர்புகளை கற்றுக்கொள்கிறது. இது ஆழ்ந்த நரம்பியல் வலைப்பின்னல் ஆகும் (பெரிய எண்ணிக்கையிலான அளவுருக்களுடன்) மற்றும் அடுத்த சொல் முன்னறிவிப்பு திறன் கொண்டது.

பயன்பாட்டில், ChatGPT நினைவகத்தில் இருந்த பதில்களை வழங்குவதற்கு பதிலாக, புதிய பதில்களை உருவாக்குகிறது, ஒவ்வொரு அடுத்த சொல்லையும் கற்றுள்ள வாய்ப்பின் அடிப்படையில் தேர்ந்தெடுக்கிறது. இதனால், ஓர் ஓட்டமான உரை உருவாகி, பயிற்சி தரவின் மொழி பாணியை பிரதிபலிக்கிறது, ஆனால் உள்ளடக்கம் புதியதாக இருக்கும்.

மற்ற வார்த்தைகளில், ChatGPT மற்றும் Midjourney போன்ற உற்பத்தி AI அமைப்புகள் அந்தத் துறையின் "மொழியை" (மனித மொழி, படம், இசை போன்றவை) ஆழமாக கற்றுக்கொண்டு, கற்ற அறிவின் அடிப்படையில் புதிய படைப்புகளை உருவாக்குகின்றன. இவை மிகப் பெரிய ஆழ்ந்த கற்றல் மாதிரிகள் (foundation models அல்லது LLM) ஆகும், குறிப்பாக Transformer போன்ற ஆல்கொரிதங்கள் மூலம் பயிற்சி பெறுகின்றன.

இதனால் ChatGPT, Midjourney போன்ற திட்டங்கள் புதிய உள்ளடக்கங்களை உருவாக்க முடியும் (உரை, படம், இசை போன்றவை), கற்ற அறிவின் அடிப்படையில், முன்கூட்டியே உள்ள பதில்களைத் தேர்ந்தெடுப்பதற்குப் பதிலாக. உதாரணமாக, நீங்கள் “பூனை நிரலாக்கம் செய்யும் கதையை எழுது” என்று கேட்டால், ChatGPT மொழி அறிவையும் பல கதைகளைப் படித்த அனுபவத்தையும் பயன்படுத்தி முழுமையான புதிய கதையை உருவாக்கும்.

உற்பத்தி AI-யின் சிறப்பு என்னவென்றால், அது வெறும் அடையாளம் காண்பதும் பகுப்பாய்வும் செய்யாமல், ஒரு அளவுக்கு புதுமை மற்றும் படைப்பாற்றல் கொண்டுள்ளது. இது கற்ற மாதிரிகளில் உள்ளவற்றை இணைத்து மாற்றி புதியவற்றை உருவாக்குகிறது. இதன் விளைவாக, உற்பத்தி AI பல்வேறு துறைகளில் உள்ளடக்கம் உருவாக்க, வடிவமைப்பு, பொழுதுபோக்கு போன்றவற்றில் சக்திவாய்ந்த கருவியாக மாறியுள்ளது.

>>> மேலும் அறிய கிளிக் செய்யவும்:

க人工 நுண்ணறிவின் உருவாக்கம் மற்றும் வளர்ச்சி வரலாறு

பிரபலமான செயற்கை நுண்ணறிவு வகைகள்

சுருக்கமாக, AI மனிதர்கள் அனுபவத்திலிருந்து கற்றுக்கொள்வது போலவே அனுபவத்திலிருந்து (தரவு) கற்றுக்கொள்வதன் மூலம் செயல்படுகிறது. பயிற்சி செயல்முறையின் மூலம், இயந்திரங்கள் படிம தரவிலிருந்து அறிவை மெதுவாக பொதுவாக்கி, பின்னர் பயன்படுத்துவதற்கான மாதிரியை உருவாக்குகின்றன.

பல்வேறு ஆல்கொரிதங்கள் இருந்தாலும் – எளிய தீர்மான மரங்களிலிருந்து ஆழ்ந்த நரம்பியல் வலைப்பின்னல்களுக்குள் – AI-யின் பொதுவான நோக்கம் மறைந்துள்ள விதிகளை கண்டுபிடித்து பிரச்சனைகளை தீர்க்கும் திறன் பெறுவதாகும். பெரும் தரவு மற்றும் உயர் கணினி சக்தி காரணமாக, AI இன்று படங்களை அடையாளம் காண, சரியான குரலை புரிந்து கொள்ள, தானாகக் கட்டுரைகள் எழுத, படங்கள் வரைய போன்ற அற்புத சாதனைகளை அடைந்துள்ளது.

மேலே விளக்கப்பட்டதைப் பார்த்து, நீங்கள் AI எப்படி "சிந்தித்து" செயல்படுகிறது என்பதை தெளிவாகவும் நேரடியாகவும் புரிந்துகொண்டிருப்பீர்கள். AI இனி ஒரு "கருப்பு பெட்டி" அல்ல – அது தரவிலிருந்து கற்றல், முயற்சி தவறு, தொடர்ந்து மேம்படுத்தல் ஆகிய செயல்முறைகளின் விளைவாகும், இது மனிதர்கள் அறிவையும் திறன்களையும் பெறும் முறையைப் போலவே உள்ளது.

மேலும் புதிய AI அறிவுகளைப் பெற INVIAI ஐ பின்தொடருங்கள்!