Machine Learning என்றால் என்ன? Machine Learning இயங்கும் 원리 மற்றும் பயன்பாடுகள் என்ன? INVIAI உடன் கீழே உள்ள உள்ளடக்கத்தில் விரிவான பதிலை காணுங்கள்!

Machine Learning என்றால்...?

Machine Learning (ML, அல்லது இயந்திரக் கற்றல்) என்பது செயற்கை நுண்ணறிவு (AI) என்ற துறையின் ஒரு கிளையாகும், இது மனிதர்கள் கற்றுக்கொள்ளும் முறையை மையமாகக் கொண்டு கணினிகளுக்கு கற்றுக்கொள்ள அனுமதிக்கிறது மற்றும் தரவுகளிலிருந்து அனுபவம் சேர்த்து செயல்திறனை மேம்படுத்துகிறது. எளிய முறையில் சொல்வதானால், இது “கணினிகள் தெளிவான நிரலாக்கம் இல்லாமல் தானாக கற்றுக்கொள்ளும் திறனை வளர்க்கும் ஆய்வுத் துறை” ஆகும், இது 1950களில் ஆர்தர் சாமுவேல் என்ற நிபுணரால் வரையறுக்கப்பட்டது. இந்த வரையறை இன்றும் பொருந்துகிறது: நாம் கணினிகளுக்கு அனைத்து குறிப்பிட்ட கட்டளைகளையும் நிரலாக்குவதற்குப் பதிலாக, தரவை வழங்கி கணினிகள் தானாக விதிகளை கண்டறிந்து நேரத்துடன் முடிவுகளை மேம்படுத்துகின்றன.

இன்றைய காலத்தில், machine learning வாழ்க்கையில் பரவலாக உள்ளது. நாம் தினசரி பயன்படுத்தும் பல ஆன்லைன் சேவைகள் – இணையத் தேடல் கருவிகள், மின்னஞ்சல் ஸ்பாம் வடிகட்டிகள், திரைப்படம்/தயாரிப்பு பரிந்துரைகள், வங்கி மோசடி கண்டறிதல் மென்பொருட்கள் – அனைத்தும் இயந்திரக் கற்றல் ஆல்காரிதம்களால் இயங்குகின்றன.

இந்த தொழில்நுட்பம் பல மொபைல் பயன்பாடுகளிலும் உள்ளது, உதாரணமாக குரல் அடையாளம் (voice recognition) மூலம் மெய்நிகர் உதவியாளர்கள் உங்கள் சொற்களை புரிந்து செயல்படுகின்றனர். தானாக கற்றுக்கொண்டு மேம்படும் திறன் காரணமாக, machine learning இப்போது அதிகபட்ச AI அமைப்புகளின் அடிப்படையாக உள்ளது. கடந்த 5-10 ஆண்டுகளில் AI முன்னேற்றங்களின் பெரும்பகுதி machine learning உடன் தொடர்புடையது, இதனால் பலர் AI மற்றும் ML ஐ ஒரே பொருளாக கருதுகின்றனர்.

Machine Learning, AI மற்றும் Deep Learning இடையேயான தொடர்பு

செயற்கை நுண்ணறிவு (AI) என்பது மனிதர்களைப் போல "அறிவாற்றல்" கொண்ட செயல்களை இயந்திரங்கள் செய்ய உதவும் அனைத்து தொழில்நுட்பங்களையும் உள்ளடக்கிய பரந்த கருத்தாகும். Machine Learning என்பது AI ஐ நடைமுறைப்படுத்தும் ஒரு வழி, இது கணினிகளுக்கு தரவுகளிலிருந்து தானாக கற்றுக்கொள்ள அனுமதிக்கிறது, ஒவ்வொரு படியும் விரிவான நிரலாக்கம் இல்லாமல். AI சூழலில், ML இன் பங்கு மிக முக்கியமாக உள்ளது, பல AI அமைப்புகள் இயந்திரக் கற்றல் மாதிரிகளின் அடிப்படையில் உருவாக்கப்பட்டுள்ளன.

Deep Learning (ஆழமான கற்றல்) என்பது machine learning இன் ஒரு சிறப்பு கிளையாகும். இது பல அடுக்குகளைக் கொண்ட செயற்கை நரம்பு வலைப்பின்னல்கள் (deep neural networks) பயன்படுத்தி, தரவுகளிலிருந்து தானாக முக்கிய அம்சங்களை எடுத்துக்கொள்கிறது, மனிதர்களின் குறைந்த தலையீட்டுடன். பல அடுக்குகளின் அமைப்பால், ஆழமான கற்றல் ஆல்காரிதங்கள் பெரிய அளவிலான தரவுகளை (படங்கள், ஒலி, உரை போன்றவை) செயலாக்கி, முன்கூட்டியே அம்சங்களை வழங்காமல் வகைப்படுத்தல் அல்லது கணிப்புகளை செய்ய கற்றுக்கொள்ள முடியும். இது கணினி கற்றலை “கற்பிப்பதில்” செலவைக் குறைத்து மற்றும் பெரிய அளவிலான தரவுகளை பயனுள்ளதாக மாற்றுகிறது.

மறுபுறம், பாரம்பரிய ML ஆல்காரிதங்கள் (ஆழமான கற்றலைப் பயன்படுத்தாதவை) பெரும்பாலும் மனிதர்கள் உருவாக்கிய அம்சங்களின் மீது சார்ந்தவை மற்றும் சிறப்பாக செயல்பட சிறந்த கட்டமைப்பான தரவுகளை தேவைப்படுத்துகின்றன. AI என்பது பரந்த தொழில்நுட்பங்களின் தொகுப்பு என்றால், machine learning என்பது AI இன் ஒரு துணைத் துறை, மேலும் deep learning என்பது machine learning இன் ஒரு துணைத் துறை ஆகும் – இது ஆழமான நரம்பு வலைப்பின்னல்களை மையமாகக் கொண்டது.

(குறிப்பு: ரோபோட்டுகள் மற்றும் machine learning என்பது வேறுபட்ட துறைகள். ரோபோட்டுகள் இயந்திரக் கருவிகள் மற்றும் தானியங்கி இயந்திரங்களை சார்ந்தவை, ஆனால் ML பெரும்பாலும் மென்பொருள் ஆல்காரிதங்களைக் குறிக்கிறது. இருப்பினும், நவீன ரோபோட்டுகள் ML ஐ ஒருங்கிணைத்து “அறிவாற்றல்” கொண்டதாக மாறுகின்றன, உதாரணமாக தானாக நடக்கும் ரோபோட்டுகள் machine learning மூலம் இயக்கப்படுகின்றன.)

Machine Learning வகைகள்

Machine learning இல் பல்வேறு முறைகள் மற்றும் ஆல்காரிதங்கள் உள்ளன. ஆனால் அடிப்படையில், ML ஐ தரவுகளிலிருந்து கற்றுக்கொள்ளும் முறையின் அடிப்படையில் நான்கு முக்கிய வகைகளாகப் பிரிக்கலாம்:

மேலாண்மை கற்றல் (Supervised Learning)

மேலாண்மை கற்றல் என்பது முன்னதாக லேபிள் செய்யப்பட்ட தரவுகளைக் கொண்டு மாதிரிகளை பயிற்றுவிக்கும் முறை. இதன் பொருள், உள்ளீடு தரவுகளுக்கு எதிர்பார்க்கப்படும் முடிவுகள் முன்கூட்டியே தெரிந்திருக்கும், இதனால் ஆல்காரிதம் குறிப்பிட்ட உதாரணங்களின் அடிப்படையில் கற்றுக்கொள்ளும். மாதிரி உள்ளீடு மற்றும் லேபிள் பொருந்தும் வெளியீடு இடையே பொருந்துதலை அதிகரிக்க உள்ளீடு அளவுருக்களை சரிசெய்கிறது. உதாரணமாக, பல நாய்கள்/பூனைகள் படங்களை லேபிள் செய்து வழங்கினால், மாதிரி அந்த படங்களிலிருந்து நாய்கள் மற்றும் நாயல்லாத படங்களை துல்லியமாக வேறுபடுத்த கற்றுக்கொள்ளும். மேலாண்மை கற்றல் இன்றைய காலத்தில் அதிகம் பயன்படுத்தப்படும் machine learning வகையாகும், இது கை எழுத்து அடையாளம், மின்னஞ்சல் ஸ்பாம் வகைப்படுத்தல், வீட்டு விலை கணிப்பு போன்ற பல பிரச்சனைகளில் பயன்படுகிறது.

மேலாண்மை இல்லாத கற்றல் (Unsupervised Learning)

மேலாண்மை இல்லாத கற்றல் என்பது உள்ளீடு தரவுகளுக்கு முன்னதாக லேபிள் இல்லாத தரவுகளை பயன்படுத்துகிறது. ஆல்காரிதம் தானாகவே தரவுகளுக்குள் உள்ள ஒற்றுமைகள் மற்றும் மறைந்த அமைப்புகளை கண்டறியும், முன்கூட்டியே வழிகாட்டல் இல்லாமல். இதன் நோக்கம், மனிதர்கள் அறியாத தரவுக் குழுக்கள் அல்லது மறைந்த விதிகளை கண்டுபிடிப்பது. உதாரணமாக, ஒரு மேலாண்மை இல்லாத கற்றல் திட்டம் ஆன்லைன் வாங்கும் தரவுகளை பகுப்பாய்வு செய்து, சமமான வாங்கும் பழக்கங்கள் கொண்ட வாடிக்கையாளர்களை குழுக்களாக பிரிக்கலாம்.

இந்த வகை பகுப்பாய்வு மூலம் வணிகங்கள் முன்னர் “வாடிக்கையாளர் வகை” என்ற லேபிள் இல்லாத வாடிக்கையாளர்களை புரிந்து கொள்ள முடியும். மேலாண்மை இல்லாத கற்றல் பெரும்பாலும் தரவு ஆய்வு, பரிமாண குறைப்பு (dimensionality reduction) மற்றும் பரிந்துரை அமைப்புகளில் பயன்படுத்தப்படுகிறது.

அரை மேலாண்மை கற்றல் (Semi-supervised Learning)

அரை மேலாண்மை கற்றல் என்பது லேபிள் செய்யப்பட்ட மற்றும் லேபிள் செய்யப்படாத தரவுகளின் கலவையை பயிற்சி தரவாக பயன்படுத்தும் முறை. பொதுவாக, சிறிய அளவு லேபிள் செய்யப்பட்ட தரவு மட்டுமே இருக்கும், மீதமுள்ள பெரும்பான்மையான தரவு லேபிள் செய்யப்படாதது. அரை மேலாண்மை கற்றல் ஆல்காரிதம் சிறிய லேபிள் செய்யப்பட்ட தரவை வழிகாட்டியாக பயன்படுத்தி, பெரிய அளவிலான லேபிள் செய்யப்படாத தரவிலிருந்து அம்சங்களை எடுக்கிறது. இது பெரும் அளவிலான லேபிள் செய்யப்படாத தரவுகளை பயனுள்ளதாக மாற்றி, கைமுறை லேபிள் செய்யும் முயற்சியை குறைக்கிறது.

அரை மேலாண்மை கற்றல் குறிப்பாக லேபிள் செய்யப்பட்ட தரவை சேகரிப்பது கடினம் அல்லது செலவான சூழல்களில் பயனுள்ளதாகும், மேலும் மேலாண்மை இல்லாத கற்றலைவிட துல்லியமான முடிவுகளை வழங்க உதவுகிறது.

வலுப்படுத்தல் கற்றல் (Reinforcement Learning)

வலுப்படுத்தல் கற்றல் என்பது ஆல்காரிதம் சுற்றுச்சூழலுடன் தொடர்பு கொண்டு, வெற்றி/தண்டனை முறையில் தானாக கற்றுக்கொள்ளும் முறை. மேலாண்மை கற்றலுக்கு மாறாக, மாதிரிக்கு முன்னதாக தரவு-முடிவு ஜோடி வழங்கப்படாது, அதற்கு பதிலாக விதவிதமான செயல்களை முயற்சி செய்து, அவற்றின் விளைவுகளின் அடிப்படையில் (வெற்றி அல்லது தண்டனை) கற்றுக்கொள்கிறது.

நேரத்துடன், சிறந்த முடிவுகளை தரும் செயல்கள் வலுப்படுத்தப்படுகின்றன, இதனால் மாதிரி மிகச்சிறந்த செயல்திட்டத்தை கற்றுக்கொள்கிறது மற்றும் குறிக்கோளை அடைகிறது. வலுப்படுத்தல் கற்றல் பெரும்பாலும் AI விளையாட்டுப் பயிற்சி, ரோபோட் இயக்கம் மற்றும் தானாக இயக்கும் வாகனங்களில் பயன்படுத்தப்படுகிறது.

உதாரணமாக, ஒரு மாதிரி பல முறை சதுரங்கம் விளையாடி வெற்றிக்கு புள்ளிகள் பெறுவதன் மூலம் கற்றுக்கொள்ளலாம். பிரபலமான உதாரணம் IBM Watson அமைப்பு ஆகும் – இது 2011 ஆம் ஆண்டு Jeopardy! போட்டியில் வெற்றி பெற வலுப்படுத்தல் கற்றல் ஆல்காரிதத்தை பயன்படுத்தியது.

Machine Learning இயங்கும் முறை

Machine Learning தரவுகளின் அடிப்படையில் செயல்படுகிறது. முதலில், அமைப்பு பெரிய அளவிலான பல்வேறு தரவுகளை (சென்சார்கள், பரிவர்த்தனை அமைப்புகள், சமூக வலைதளங்கள், திறந்த தரவுத்தளங்கள் போன்றவை) சேகரிக்க வேண்டும். தரவின் தரம் மிக முக்கியம்: தரவு மாசுபட்டிருந்தால், குறைவானது அல்லது பிரதிநிதித்துவமற்றதாக இருந்தால், ML மாதிரி தவறான கற்றல் செய்து துல்லியமற்ற முடிவுகளை வழங்கும்.

உதாரணமாக, சுத்தமான மற்றும் பிரதிநிதித்துவமான தரவு அதிகமாக இருந்தால் மாதிரி சிறந்த முறையில் கற்றுக்கொள்ளும், ஆனால் தரவை முன்கூட்டியே சுத்தம் செய்தல் (சுத்தம் செய்தல், ஒழுங்குபடுத்தல் போன்றவை) அவசியம்.

1. தரவு சேகரிப்பு மற்றும் முன் செயலாக்கம்: முதலில், உள்ளீடு தரவுகளை நம்பகமான மூலங்களிலிருந்து சேகரிக்க வேண்டும். பின்னர், தரவை சுத்தம் செய்து, பிழைகளை நீக்கி, குறைவான மதிப்புகளை補充 செய்து அல்லது தரவை ஒழுங்குபடுத்தி தயாரிக்க வேண்டும். இந்த படி நேரம் எடுத்தாலும், இறுதி மாதிரியின் துல்லியத்தை தீர்மானிக்கிறது.
2. ஆல்காரிதம் தேர்வு மற்றும் மாதிரி பயிற்சி: தரவின் வகை மற்றும் குறிக்கோளை (வகைப்படுத்தல் அல்லது கணிப்பு) பொருத்து, பொருத்தமான ஆல்காரிதத்தை தேர்வு செய்கின்றோம் (உதாரணமாக, நேரியல் பின்வட்டம், தீர்மான மரம், நரம்பு வலைப்பின்னல்). முன் செயலாக்கப்பட்ட பயிற்சி தரவை மாதிரியில் வழங்கி, ஒரு இழப்பு செயல்பாட்டை குறைக்க கற்றுக்கொள்ள ஆல்காரிதம் செயல்படுகிறது. பயிற்சி செயல்முறை மாதிரியின் உள்ளமைவு அளவுருக்களை சரிசெய்கிறது, பயிற்சி தரவின் மீது கணிப்புப் பிழையை குறைக்க.
3. மதிப்பீடு மற்றும் நடைமுறைப்படுத்தல்: பயிற்சிக்குப் பிறகு, மாதிரியை புதிய சோதனை தரவுகளில் பரிசோதித்து தரத்தை மதிப்பீடு செய்கின்றோம். பொதுவான அளவுகோல்கள்: துல்லியம் (accuracy), Precision, Recall, F1-Score போன்றவை, பிரச்சனையின் வகையைப் பொறுத்து. முடிவு திருப்திகரமாக இருந்தால், மாதிரியை பயன்பாட்டில் அல்லது சேவையில் நடைமுறைப்படுத்துகிறோம்; இல்லையெனில், தரவு அல்லது ஆல்காரிதத்தை மாற்றி மீண்டும் பயிற்சி அளிக்கலாம்.

Machine Learning இன் நடைமுறை பயன்பாடுகள்

Machine learning வாழ்க்கையில் பல்வேறு துறைகளில் பயன்படுத்தப்படுகிறது, தினசரி பயன்பாடுகளிலிருந்து உயர் தொழில்நுட்ப துறைகளுக்கு. கீழே சில பிரதான ML பயன்பாடுகள் கொடுக்கப்பட்டுள்ளன:

• உருவாக்கும் AI (Generative AI): இது புதிய உள்ளடக்கங்களை (உரை, படம், வீடியோ, மூலக் குறியீடு போன்றவை) உருவாக்கும் ML தொழில்நுட்பம், பயனரின் தேவைகளின் அடிப்படையில். பெரிய மொழி மாதிரிகள் போன்ற உருவாக்கும் AI மாதிரிகள் பெரிய அளவிலான தரவிலிருந்து கற்றுக்கொண்டு தேவைக்கேற்ற உள்ளடக்கத்தை தானாக உருவாக்குகின்றன. உதாரணம்: ChatGPT என்பது பிரபலமான உருவாக்கும் AI பயன்பாடு, இது பயனரின் கேள்விகளுக்கு பதிலளிக்க அல்லது உரைகளை உருவாக்க உதவுகிறது.

• குரல் அடையாளம்: Machine learning கணினிகளுக்கு மனித மொழியை புரிந்து, உரையாக மாற்ற உதவுகிறது. இந்த Speech Recognition தொழில்நுட்பம் இயந்திரக் கற்றல் மாதிரிகளை (பொதுவாக இயற்கை மொழி செயலாக்கத்துடன்) பயன்படுத்தி குரல் அடையாளம் மற்றும் உரை மாற்றத்தை செய்கிறது. பயன்பாடுகள்: மொபைல் மெய்நிகர் உதவியாளர்கள் (Siri, Google Assistant), குரல் மூலம் உரை உள்ளீடு போன்றவை.

• சாட்பாட்கள் மற்றும் வாடிக்கையாளர் ஆதரவு: பல சாட்பாட்கள் இணையதளங்கள் மற்றும் சமூக வலைதளங்களில் இயந்திரக் கற்றலை பயன்படுத்தி தானாக அடிக்கடி கேட்கப்படும் கேள்விகளுக்கு பதிலளிக்க, தயாரிப்பு ஆலோசனை வழங்க மற்றும் 24/7 வாடிக்கையாளர் தொடர்பை மேம்படுத்துகின்றன. ML மூலம் சாட்பாட்கள் பயனரின் கேள்வி நோக்கத்தை புரிந்து பொருத்தமான பதில்களை வழங்கி, ஒவ்வொரு உரையாடலிலும் கற்றுக்கொண்டு சேவை தரத்தை மேம்படுத்துகின்றன. இது மனித வளத்தைச் சேமித்து, வாடிக்கையாளர் அனுபவத்தை உயர்த்துகிறது (உதாரணமாக, மெய்நிகர் உதவியாளர்கள், மின்னணு வணிக தளங்களின் சாட்பாட்கள் உட்பட).

• கணினி பார்வை (Computer Vision): இது ML இன் ஒரு துறை, இது கணினிகளுக்கு படங்கள் மற்றும் வீடியோக்களின் உள்ளடக்கத்தை “பார்க்க” மற்றும் புரிந்து கொள்ள உதவுகிறது. கணினி பார்வை ஆல்காரிதங்கள் பொதுவாக கான்வலூஷனல் நரம்பு வலைப்பின்னல்கள் (CNN) பயன்படுத்தி பட அம்சங்களை அடையாளம் காண, பொருட்களை கண்டறிந்து, வகைப்படுத்தி அல்லது மாதிரிகளை அடையாளம் காண்கின்றன. பயன்பாடுகள்: சமூக வலைதளங்களில் தானாக புகைப்படங்களை குறிச்சொற்களுடன் அடையாளம் காணுதல், முக அடையாளம், மருத்துவ படங்கள் (எக்ஸ்-கிரே படங்களில் கட்டிகள் கண்டறிதல்), தானாக இயக்கும் வாகனங்கள் (பாதசாரிகள், சாலை குறியீடுகள்) போன்றவை.

• பரிந்துரை அமைப்புகள் (Recommender System): இவை ML ஆல்காரிதங்கள் மூலம் பயனர்களின் நடத்தை பகுப்பாய்வு செய்து, ஒவ்வொரு நபரின் விருப்பங்களுக்கு ஏற்ப பொருத்தமான பரிந்துரைகளை வழங்குகின்றன. உதாரணமாக, திரைப்படம் பார்ப்பது அல்லது வாங்கும் பழக்கவழக்கத்தின் அடிப்படையில், பரிந்துரை அமைப்புகள் பயனருக்கு பிடித்த திரைப்படங்கள் அல்லது பொருட்களை பரிந்துரைக்கின்றன. ஆன்லைன் வணிகங்கள் மற்றும் ஸ்ட்ரீமிங் சேவைகள் (Netflix, Spotify) ML ஐப் பயன்படுத்தி உள்ளடக்கத்தை தனிப்பயனாக்கி, பயனர் அனுபவத்தை மேம்படுத்தி விற்பனையை ஊக்குவிக்கின்றன.

• மோசடி கண்டறிதல்: நிதி மற்றும் வங்கி துறைகளில் machine learning பயன்படுத்தி மோசடி அல்லது அசாதாரண பரிவர்த்தனைகளை விரைவாக கண்டறிகிறது. ML மாதிரிகள் மோசடி உள்ள பரிவர்த்தனை தரவுகளில் பயிற்சி பெற்று மோசடியின் அடையாளங்களை அடையாளம் காண்கின்றன. அதே சமயம், அசாதாரணம் கண்டறிதல் (anomaly detection) தொழில்நுட்பத்துடன் இணைத்து, பொதுவான பழக்கவழக்கத்திலிருந்து விலகிய பரிவர்த்தனைகளை எச்சரிக்கிறது. இதனால் வங்கிகள் மற்றும் கடன் நிறுவனங்கள் மோசடியை விரைவாக கண்டறிந்து, நஷ்டம் மற்றும் ஆபத்துக்களை குறைக்க முடிகிறது.

(மேலும், ML இன் பல்வேறு பயன்பாடுகள் உள்ளன: தானியங்கி கட்டுப்பாடு தொழிற்சாலைகளில் (ரோபோட்டிக்ஸ்), சப்ளை செயின் பகுப்பாய்வு, வானிலை முன்னறிவிப்பு, உயிரியல் தரவுகளின் பகுப்பாய்வு போன்றவை. ML வளர்ச்சி பல துறைகளிலும் புதிய வாய்ப்புகளைத் திறக்கிறது.)

Machine Learning இன் நன்மைகள் மற்றும் குறைகள்

மற்ற தொழில்நுட்பங்களைப் போல, machine learning இலும் முக்கிய நன்மைகள் உள்ளன, ஆனால் சில குறைகளும் உண்டு. இதை புரிந்து கொண்டு, நாம் ML ஐ சிறப்பாக பயன்படுத்தி முடிவுகளை மேம்படுத்தி, ஆபத்துக்களை தவிர்க்க முடியும்.

நன்மைகள்

• பெரிய தரவுகளில் மறைந்த மாதிரிகளை கண்டறிதல்: ML பெரிய அளவிலான தரவுகளில் மறைந்துள்ள மாதிரிகள் மற்றும் போக்குகளை கண்டறிய முடியும், இது மனிதர்களால் எளிதில் கண்டுபிடிக்க முடியாதவை. இதனால், வணிகங்கள் “பெரிய தரவிலிருந்து” தகவலைப் பயன்படுத்தி துல்லியமான முடிவுகளை எடுக்க முடியும்.

• தானியங்கி மற்றும் மனித சார்பில் குறைவு: ML அமைப்புகள் மிகக் குறைந்த மனித தலையீட்டுடன் தானாக கற்றுக்கொண்டு, பகுப்பாய்வு ஆல்காரிதங்களை மேம்படுத்துகின்றன. உள்ளீடு தரவை வழங்குவதன் மூலம், மாதிரி தானாகவே உள்ளமைவு அளவுருக்களை அமைத்து முடிவுகளை மேம்படுத்துகிறது. இது சிக்கலான பணிகளை (வகைப்படுத்தல், கணிப்பு போன்றவை) தொடர்ச்சியாக தானாகச் செய்ய உதவுகிறது, ஒவ்வொரு நிலைக்கும் தனிப்பயன் நிரலாக்கம் தேவையில்லை.

• நேரத்துடன் மேம்பாடு மற்றும் தனிப்பயனாக்கல்: பாரம்பரிய மென்பொருட்களுடன் வேறுபடியாக, ML மாதிரிகள் மேலும் தரவுகள் கிடைக்கும் போது துல்லியம் அதிகரிக்கிறது. ஒவ்வொரு பயிற்சியிலும், மாதிரி அனுபவம் சேர்த்து சிறந்த கணிப்புகளை வழங்குகிறது. இதனால், ML அமைப்புகள் ஒவ்வொரு பயனருக்கும் தனிப்பட்ட முறையில் மாற்றம் செய்து நேரத்துடன் பயனர் அனுபவத்தை மேம்படுத்துகின்றன.

குறைபாடுகள்

• தரவு தரத்துக்கு சார்பு: ML மாதிரிகள் பெரிய அளவிலான, துல்லியமான, பல்வகை தரவுகளை தேவைப்படுத்துகின்றன. தரவு குறைவாக இருந்தால் அல்லது தரம் குறைவாக இருந்தால், முடிவுகள் தவறாக இருக்கும் (“குப்பை உள்ளீடு, குப்பை வெளியீடு” என்ற விதி). மேலும், பெரிய தரவு தொகுப்புகளை சேகரித்து செயலாக்க சரியான சேமிப்பு மற்றும் கணினி வளங்கள் தேவைப்படுகின்றன, இது செலவாகவும் இருக்கலாம்.

• தவறான கற்றல் அல்லது தவறான முடிவுகள்: ML மாதிரிகள் பயிற்சி தரவு குறைவாக இருந்தால் அல்லது பிரதிநிதித்துவமற்றதாக இருந்தால் கடுமையான பிழைகள் செய்யலாம். சில நேரங்களில், குறைந்த தரவு கொண்ட ஆல்காரிதம் கணித ரீதியாக பொருந்தக்கூடிய, ஆனால் உண்மையில் தவறான விதிகளை கண்டுபிடிக்கலாம். இது தவறான கணிப்புகள் மற்றும் தவறான புரிதலுக்கு வழிவகுக்கும், அதனால் முடிவுகளை நன்கு பரிசோதிக்க வேண்டும், குறிப்பாக உள்ளீடு தரவு வரம்புகளுடன் இருந்தால்.

• தெளிவற்ற தன்மை: பல சிக்கலான ML மாதிரிகள் (முக்கியமாக deep learning) “கருப்பு பெட்டி” போல செயல்படுகின்றன, அதாவது ஏன் மாதிரி ஒரு குறிப்பிட்ட முடிவை எடுத்தது என்பதை விளக்குவது கடினம். உதாரணமாக, ஒரு ஆழமான நரம்பு வலைப்பின்னல் மில்லியன் அளவிலான அளவுருக்களை கொண்டிருக்கும், ஆனால் எந்த அம்சங்கள் முடிவுக்கு வழிவகுத்தன என்பது தெளிவாக தெரியாது. இது நிதி, மருத்துவம் போன்ற துறைகளில் விளக்கக்கூடிய முடிவுகள் தேவையான சூழல்களில் சிக்கலை ஏற்படுத்துகிறது. மாறாக, சில எளிய மாதிரிகள் (உதாரணமாக, தீர்மான மரங்கள்) விளக்கக்கூடிய மற்றும் சரிபார்க்கக்கூடியவை, இது நரம்பு வலைப்பின்னல்களின் “கருப்பு பெட்டி” தன்மைக்கு மாற்றாகும்.

>>> மேலும் அறிய:

AI குறுகிய மற்றும் AI பொது என்பது என்ன?

வித்தியாசங்கள் பற்றி: AI, மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங்

முடிவாக, Machine Learning (இயந்திரக் கற்றல்) என்பது பெரிய தரவுகளின் காலத்தில் முக்கிய தொழில்நுட்பமாகும். இது கணினிகளுக்கு தானாக கற்றுக்கொண்டு, நேரத்துடன் கணிப்புகளை மேம்படுத்த அனுமதிக்கிறது, ஒவ்வொரு படியும் விரிவான நிரலாக்கம் தேவையில்லை. இதனால், ML வாழ்க்கை மற்றும் தொழில்துறைகளில் பரவலாக பயன்படுத்தப்படுகிறது, அறிவார்ந்த மெய்நிகர் உதவியாளர்களிலிருந்து முன்னேற்ற தானியங்கி அமைப்புகள் வரை.

மேலும், “Machine Learning என்பது மனிதர்களுக்கு தரவின் மதிப்பை முழுமையாக பயன்படுத்த உதவும் கருவி” ஆகும், இது எதிர்கால அறிவார்ந்த தொழில்நுட்ப பயன்பாடுகளுக்கு பல வாய்ப்புகளைத் திறக்கிறது.