AI, மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங் என்றால் என்ன? இந்த மூன்று சொற்களின் வேறுபாடு என்ன?

இன்றைய தொழில்நுட்ப காலத்தில், AI, மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங் என்ற சொற்கள் அதிகமாக பயன்படுத்தப்படுகின்றன. பலர் இவற்றை ஒரே பொருளாக கருதினாலும், உண்மையில் இவை நெருக்கமான தொடர்புடைய மூன்று கருத்துக்கள் ஆனால் ஒரே மாதிரியானவை அல்ல.

உதாரணமாக, 2016-ஆம் ஆண்டில் கூகுளின் AlphaGo என்ற திட்டம் குரோதி வீரர் லீ செடோலை தோற்கடித்த போது, ஊடகங்கள் AI, machine learning மற்றும் deep learning என்ற சொற்களை மாற்றி மாற்றி பயன்படுத்தின. உண்மையில், AI, machine learning மற்றும் deep learning அனைத்தும் AlphaGo வெற்றிக்கு பங்களித்தாலும், அவை ஒரே ஒன்றல்ல.

இந்தக் கட்டுரை AI, மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங் ஆகியவற்றின் வேறுபாடுகளையும் அவற்றின் தொடர்புகளையும் தெளிவாக புரிந்துகொள்ள உதவும். INVIAI உடன் விரிவாக அறிந்து கொள்ளுங்கள்!

கிரகண நுண்ணறிவு (AI) என்றால் என்ன?

கிரகண நுண்ணறிவு (Artificial Intelligence - AI) என்பது கணினி அறிவியலின் ஒரு பரந்த துறை, இது மனித அறிவாற்றலை மற்றும் அறிவாற்றல் செயல்பாடுகளை பின்பற்றக்கூடிய கணினி அமைப்புகளை உருவாக்குவதே நோக்கம்.

மற்ற சொல்லில், AI என்பது கணினிகள் மனித அறிவாற்றலை தேவைப்படுத்தும் பணிகளை, உதாரணமாக பிரச்சினை தீர்க்க, முடிவெடுக்க, சூழலை உணர, மொழியை புரிந்து கொள்ள போன்றவற்றை செய்ய உதவும் அனைத்து தொழில்நுட்பங்களையும் உள்ளடக்கியது. AI என்பது தரவிலிருந்து கற்றல் முறைகளில் மட்டுமல்ல, மனிதனால் நிரலிடப்பட்ட விதிகள் மற்றும் அறிவுத்தளங்களை அடிப்படையாகக் கொண்ட அமைப்புகளையும் உள்ளடக்கியது.

உண்மையில், AI அமைப்புகள் பலவிதமாக வடிவமைக்கப்படலாம்: நிலையான விதிகளின் அடிப்படையில், நிபுணர் அறிவின் அடிப்படையில் அல்லது தரவிலிருந்து கற்றல் மற்றும் தானாக கற்றல் திறனுடன். பொதுவாக AI-ஐ இரண்டு வகைகளாக வகைப்படுத்துகிறோம்:

• குறுகிய AI (திறமையற்ற AI): குறிப்பிட்ட ஒரு பணியில் மட்டுமே திறமையான AI (உதா: சதுரங்கம் விளையாடுதல், முகம் அடையாளம் காணுதல்). பெரும்பாலான தற்போதைய AI அமைப்புகள் இதுவே.
• பொது AI (திறமையான AI): மனிதன் செய்யக்கூடிய எந்த அறிவாற்றல் பணியையும் புரிந்து செய்து முடிக்கக்கூடிய AI. இது இன்னும் எதிர்கால இலக்கு, தற்போது நடைமுறையில் இல்லை.

>>> மேலும் அறிய: AI என்றால் என்ன?

மெஷின் லெர்னிங் (கணினி கற்றல்) என்றால் என்ன?

மெஷின் லெர்னிங் (ML, கணினி கற்றல்) என்பது AI-இன் ஒரு துணைத் துறை, இது கணினிகள் தரவிலிருந்து தானாக கற்றுக்கொண்டு துல்லியத்தை மேம்படுத்தும் கணக்கீட்டு முறைமைகள் மற்றும் மாதிரிகளை உருவாக்குவதில் கவனம் செலுத்துகிறது. மனிதர் ஒவ்வொரு படியையும் நிரலிடாமல், ML ஆல்கொரிதங்கள் தரவுகளை பகுப்பாய்வு செய்து விதிகளை கண்டறிந்து புதிய தரவுகளுக்கு முன்னறிவிப்புகள் அல்லது முடிவுகளை வழங்குகின்றன.

1959-ஆம் ஆண்டு ஆர்தர் சாமுவேல் வழங்கிய வரையறை படி, மெஷின் லெர்னிங் என்பது "கணினிகள் தானாக கற்றுக்கொள்ளும் திறன் கொண்ட ஒரு ஆய்வு துறை" ஆகும். ML ஆல்கொரிதங்கள் பொதுவாக சில வகைகளாக பிரிக்கப்படுகின்றன:

• மேற்பார்வை கற்றல் (supervised learning): முன்னர் குறிச்சொல்லுடன் கூடிய தரவுகளின் அடிப்படையில் பயிற்சி பெறும் மாதிரி (உதா: கடந்த கால வீட்டு விலை தரவுகளின் அடிப்படையில் வீட்டு விலை கணிப்பு).
• மேற்பார்வை இல்லாத கற்றல் (unsupervised learning): குறிச்சொல்லில்லாத தரவுகளில் அமைப்பு அல்லது குழுக்களை கண்டறியும் மாதிரி (உதா: ஒரே மாதிரியான வாடிக்கையாளர் நடத்தை அடிப்படையில் குழுக்களை பிரித்தல்).
• வலுப்படுத்தல் கற்றல் (reinforcement learning): சூழலைப் பயன்படுத்தி செயல்களை கற்றுக்கொள்ளும் மாதிரி, வெற்றி அல்லது தோல்வி மூலம் கற்றல் (உதா: AI விளையாட்டில் தன்னைத்தானே மேம்படுத்திக் கொள்வது).

முக்கியமாக, எல்லா AI அமைப்புகளும் மெஷின் லெர்னிங் அல்ல, ஆனால் எல்லா மெஷின் லெர்னிங் ஆல்கொரிதங்களும் AI-க்கு உட்பட்டவை. AI என்பது ML-ஐவிட பரந்தது – இது எல்லா சதுரங்களும் செவ்வகங்கள் என்ற மாதிரியாகும், ஆனால் எல்லா செவ்வகங்களும் சதுரங்கள் அல்ல.

பாரம்பரிய AI அமைப்புகள், உதாரணமாக தேடல் ஆல்கொரிதங்களை அடிப்படையாகக் கொண்ட சதுரங்க விளையாட்டு திட்டங்கள், தரவிலிருந்து "கற்றுக்கொள்ளாமல்" மனிதர் நிரலிட்ட விதிகளை பின்பற்றுகின்றன – இவை AI ஆகும், ஆனால் ML அல்ல.

தீப் லெர்னிங் (ஆழ்ந்த கற்றல்) என்றால் என்ன?

தீப் லெர்னிங் (DL, ஆழ்ந்த கற்றல்) என்பது மெஷின் லெர்னிங்கின் ஒரு சிறப்பு கிளை, இதில் பல அடுக்கு கொண்ட செயற்கை நரம்பியல் வலைப்பின்னல்கள் (neural networks) பயன்படுத்தி தரவிலிருந்து கற்றுக்கொள்ளப்படுகிறது.

"தீப்" என்ற சொல் பல மறைமுக அடுக்குகளை (பொதுவாக 3-க்கும் மேற்பட்டவை) குறிக்கிறது – இந்த பல அடுக்குகள் மாதிரிக்கு உயர் மட்டத்தில் சிக்கலான அம்சங்களை கற்றுக்கொள்ள உதவுகின்றன. தீப் லெர்னிங் மனித மூளையின் செயல்பாட்டிலிருந்து ஊக்கமடைந்தது, செயற்கை நரம்புகள் உயிரியல் நரம்புகளின் வலைப்பின்னலை பின்பற்றுகின்றன.

தீப் லெர்னிங்கின் வலிமை அதன் தானாக அம்சங்களை எடுத்துக்காட்டும் திறன் ஆகும்: கச்சா தரவிலிருந்து முக்கியமான மாதிரிகள் மற்றும் அம்சங்களை மனிதர் முன்கூட்டியே வழங்காமலேயே கண்டறிய முடியும். இதனால், தீப் லெர்னிங் படங்கள், ஒலி, இயற்கை மொழி போன்ற சிக்கலான தரவுகளுக்கு சிறந்தது, இங்கு பயனுள்ள அம்சங்களை கையேடு முறையில் கண்டறிதல் கடினம்.

ஆனால், சிறந்த செயல்திறனை அடைய, தீப் லெர்னிங் பெரும் அளவிலான தரவையும், சக்திவாய்ந்த கணினி வளங்களையும் (GPU, TPU போன்றவை) தேவைப்படுத்துகிறது. போதுமான தரவையும் கணினி வளங்களும் கிடைத்தால், தீப் லெர்னிங் படங்கள் அடையாளம் காணுதல், குரல் அடையாளம், மெஷின் மொழிபெயர்ப்பு, விளையாட்டு போன்ற பணிகளில் மனிதரை சமமாகவோ அல்லது மேல் நிலையாகவோ செயல்பட முடியும்.

AI, மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங் இடையேயான தொடர்பு

மேலே கூறியபடி, தீப் லெர்னிங் ⊂ மெஷின் லெர்னிங் ⊂ AI: AI என்பது பரந்த துறை, அதில் மெஷின் லெர்னிங் உள்ளது, மேலும் தீப் லெர்னிங் என்பது மெஷின் லெர்னிங்கின் ஒரு பகுதி. இதன் பொருள் எல்லா தீப் லெர்னிங் ஆல்கொரிதங்களும் மெஷின் லெர்னிங் ஆல்கொரிதங்களே, மேலும் எல்லா மெஷின் லெர்னிங் முறைகளும் AI-க்கு உட்பட்டவை.

ஆனால், எதிர்மறை நிலை எப்போதும் சரியாக இருக்காது – எல்லா AI அமைப்புகளும் மெஷின் லெர்னிங் பயன்படுத்துவதில்லை, மேலும் மெஷின் லெர்னிங் என்பது AI-யை செயல்படுத்தும் பல வழிகளில் ஒன்றே.

உதாரணமாக, ஒரு AI அமைப்பு மனிதர் நிரலிட்ட விதிகளின் அடிப்படையில் மட்டுமே இயங்கலாம் (மெஷின் லெர்னிங் இல்லாமல்), உதாரணமாக மொபைல் ஸ்கேன் அடிப்படையிலான பழ வகை வகைப்படுத்தும் AI. ஆனால் சிக்கலான பிரச்சினைகள் மற்றும் அதிக தரவுகள் வந்தால், மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங் முறைகள் தேவைப்படும்.

AI, மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங் இடையேயான முக்கிய வேறுபாடுகள்

அடுக்குமுறை தொடர்பு இருந்தாலும், AI, ML மற்றும் DL இல் பரப்பளவு, செயல்பாட்டு முறை மற்றும் தொழில்நுட்ப தேவைகள் போன்றவற்றில் தெளிவான வேறுபாடுகள் உள்ளன:

பரப்பளவு

AI என்பது கணினி அறிவாற்றலை (விதிகளையும் தரவிலிருந்து கற்றலையும்) பின்பற்றும் அனைத்து முறைகளையும் உள்ளடக்கிய பரந்த கருத்து. மெஷின் லெர்னிங் என்பது AI-யின் ஒரு துணைத் துறை, இதில் கணினிகள் தரவிலிருந்து தானாக கற்றுக்கொள்கின்றன. தீப் லெர்னிங் என்பது ML-இன் ஒரு சிறப்பு கிளை, இது பல அடுக்கு கொண்ட நரம்பியல் வலைப்பின்னல்களை பயன்படுத்தி கற்றுக்கொள்கிறது, ஆகவே DL என்பது ML மற்றும் AI இரண்டிற்கும் உட்பட்டது.

கற்றல் முறை மற்றும் மனிதர் பங்கு

பாரம்பரிய மெஷின் லெர்னிங் முறைகளில், மனிதர் முக்கிய பங்கு வகிக்கிறார் – உதாரணமாக, தரவிலிருந்து பொருத்தமான அம்சங்களை (feature) தேர்ந்தெடுத்து ஆல்கொரிதத்திற்கு வழங்க வேண்டும்.

மாறாக, தீப் லெர்னிங் பெரும்பாலும் அம்சங்களை தானாகவே எடுத்துக்கொள்கிறது; பல அடுக்கு கொண்ட நரம்பியல் வலைப்பின்னல்கள் தரவிலிருந்து பல்வேறு அளவிலான முக்கிய அம்சங்களை தானாக கற்றுக்கொள்ள முடியும், இதனால் மனித நிபுணர்களின் பங்கு குறைகிறது.

எளிய முறையில் சொன்னால், சிக்கலான பிரச்சினைகளில் (உதா: படங்களை அடையாளம் காணுதல்), பாரம்பரிய ML மாதிரிகள் கலைஞர்களால் உருவாக்கப்பட்ட அம்சங்களை (வடிவம், நிறம், ஓரம் போன்றவை) தேவைப்படுத்தும், ஆனால் DL மாதிரிகள் படங்களை நேரடியாக "பார்த்து" அவற்றை தானாக கற்றுக்கொள்ளும்.

தரவு தேவைகள்

பொதுவாக மெஷின் லெர்னிங் ஆல்கொரிதங்கள் சிறிய அல்லது நடுத்தர அளவிலான தரவுகளிலும் நல்ல முடிவுகளை தரும், குறிப்பாக தரவு தரமும் அம்சங்களும் தெளிவாக இருந்தால். மாறாக, தீப் லெர்னிங் பெரும் அளவிலான (மில்லியன் கணக்கான மாதிரிகள்) தரவுகளை தேவைப்படுத்தி அதன் முழு திறனை வெளிப்படுத்தும்.

உதாரணமாக, தீப் லெர்னிங் அடிப்படையிலான குரல் அடையாள அமைப்புகள் பல ஆயிரம் மணித்தியாலங்கள் குரல் தரவுகளில் பயிற்சி பெற வேண்டும். இது "பெரிய தரவு" காலத்தில் தீப் லெர்னிங்கை சிறந்த தேர்வாக மாற்றுகிறது, ஏனெனில் 80%க்கும் மேற்பட்ட நிறுவன தரவுகள் கட்டமைக்கப்படாத (உதா: உரை, படம்) வடிவத்தில் இருக்கும்.

கணினி வள தேவைகள்

தீப் லெர்னிங் மாதிரிகள் பெரும் அளவிலான தரவையும் சிக்கலான கட்டமைப்பையும் கையாள வேண்டியதால், பயிற்சி அளிக்க அதிக கணினி சக்தி தேவை. பாரம்பரிய ML ஆல்கொரிதங்கள் CPU-யில் கூட இயங்கக்கூடியவை, சில நேரங்களில் தனிப்பட்ட கணினிகளிலும், ஆனால் தீப் லெர்னிங் பெரும்பாலும் GPU (அல்லது TPU, FPGA) ஆதரவுடன் மட்டுமே விரைவாக இயங்கும்.

தீப் லெர்னிங் மாதிரிகள் பயிற்சி நேரம் ML மாதிரிகளுக்கு ஒப்பிடுகையில் அதிகமாக இருக்கும், சில நேரங்களில் பல மணி நேரம் அல்லது நாட்கள் ஆகும், தரவு அளவைப் பொறுத்து.

செயல்திறன் மற்றும் துல்லியம்

AIயின் முக்கிய நோக்கம் எந்தவொரு பணியையும் வெற்றிகரமாக முடிப்பதாகும், அது தரவிலிருந்து கற்றல் மூலம் இல்லாமலும் இருக்கலாம். அதே சமயம், மெஷின் லெர்னிங் பயிற்சி தரவுகளிலிருந்து கற்றல் மூலம் துல்லியமான முன்னறிவிப்புகளை உருவாக்குவதை நோக்கமாகக் கொண்டது, ஆனால் மாதிரியின் "விளக்கம்" திறனை சில நேரங்களில் தள்ளுபடி செய்யும்.

தீப் லெர்னிங் கூடுதல் தரவு மற்றும் கணினி வளங்கள் இருந்தால் பாரம்பரிய ML முறைகளைவிட மிக உயர்ந்த துல்லியத்தை அடைய முடியும் – சில தீப் லெர்னிங் அடிப்படையிலான அடையாளம் காணும் பணிகள் சாதனை நிலை துல்லியத்துடன் முடிகின்றன, ஆனால் கணினி செலவு அதிகமாகும்.

பயன்பாடுகள்

மெஷின் லெர்னிங் பொதுவாக நடுத்தர அளவிலான தரவுகளுடன் கூடிய தரவு பகுப்பாய்வு மற்றும் முன்னறிவிப்பு பயன்பாடுகளில் பயன்படுத்தப்படுகிறது. உதாரணமாக, வாடிக்கையாளர் நடத்தை கணிப்பு, நிதி அபாயம் பகுப்பாய்வு, மோசடி கண்டறிதல் மற்றும் ஸ்பாம் மின்னஞ்சல் வடிகட்டி போன்ற பணிகளில் ML பயனுள்ளது.

மாறாக, தீப் லெர்னிங் சிக்கலான, உயர் துல்லியத்தைக் கோரும் பணிகளில் சிறந்தது, குறிப்பாக கட்டமைக்கப்படாத தரவுகளை (படங்கள், குரல், இயற்கை மொழி, தானாக ஓட்டும் வாகனங்கள்) கையாளும் இடங்களில். இவை பெரும் தரவுகளையும் நுண்ணறிவு அடிப்படையிலான அம்சங்களையும் தேவைப்படுத்தும்.

AI, ML மற்றும் தீப் லெர்னிங்கின் நடைமுறை பயன்பாடுகள்

வேறுபாடுகளை தெளிவாக புரிந்துகொள்ள, ஒவ்வொரு தொழில்நுட்பத்திற்கும் சில சாதாரண பயன்பாடுகளை பார்ப்போம்:

கிரகண நுண்ணறிவு (AI): AI நம்மைச் சுற்றியுள்ள பல நுண்ணறிவு அமைப்புகளில் உள்ளது, உதாரணமாக Google-ல் பயனர் தேவைகளை கணிக்கும் முன்னறிவிப்பு ஆல்கொரிதங்கள், Uber/Grab போன்ற பயண சேவை செயலிகள், மற்றும் வணிக விமானங்களில் தானாக இயக்கும் அமைப்புகள். Deep Blue போன்ற சதுரங்க விளையாட்டு திட்டங்கள் மற்றும் AlphaGo போன்ற கோ விளையாட்டு திட்டங்களும் AI ஆகும்.

சில AI அமைப்புகள் மெஷின் லெர்னிங் பயன்படுத்தாமலும் இயங்கலாம், உதாரணமாக விளையாட்டில் NPC-களை இயக்கும் AI நிரல்களில் மனிதர் எழுதிய நிலையான விதிகள் மட்டுமே பயன்படுத்தப்படலாம்.

மெஷின் லெர்னிங்: மெஷின் லெர்னிங் பல துறைகளில் பரவலாக பயன்படுத்தப்படுகிறது. உதாரணமாக Siri, Alexa, Google Assistant போன்ற விரைவு உதவியாளர்கள் பயனர் தரவிலிருந்து கற்றுக்கொண்டு உரையாடலை புரிந்து பதிலளிக்கின்றன. மின்னஞ்சல் ஸ்பாம் மற்றும் தீங்கு விளைவிக்கும் மென்பொருள் வடிகட்டிகள் ML ஆல்கொரிதங்களை பயன்படுத்தி ஸ்பாம் மின்னஞ்சல்களை அடையாளம் காண்கின்றன.

மேலும், பாரம்பரிய ML வணிக முன்னறிவிப்பு, நிதி அபாய பகுப்பாய்வு மற்றும் Netflix, Amazon போன்ற தளங்களில் பரிந்துரைகள் வழங்கும் அமைப்புகளிலும் பயன்படுத்தப்படுகிறது.

தீப் லெர்னிங்: தீப் லெர்னிங் சமீபத்திய AI முன்னேற்றங்களுக்கு முக்கிய காரணமாக உள்ளது. குரல் அடையாள அமைப்புகள் (உதா: குரலை உரையாக மாற்றுதல், விரைவு உதவியாளர்கள்), பட அடையாள அமைப்புகள் (உதா: பொருள் கண்டறிதல், முகம் அடையாளம்), மற்றும் தானாக ஓடும் வாகனங்கள் நேரடி வீடியோ பகுப்பாய்வில் தீப் லெர்னிங்கை பயன்படுத்துகின்றன.

தீப் லெர்னிங் தற்போது உற்பத்தி செயற்கை நுண்ணறிவு (Generative AI) மாதிரிகளுக்கு அடிப்படையாக உள்ளது, உதாரணமாக GPT-4 போன்ற ChatGPT. இவை பெரும் அளவிலான உரை மற்றும் பட தரவுகளில் பயிற்சி பெற்று புதிய உள்ளடக்கங்களை உருவாக்கி பல்வேறு பணிகளை செய்யும் திறன் கொண்டவை. Generative AI போன்ற தீப் லெர்னிங் மாதிரிகள் பாரம்பரிய முறைகளுக்கு முந்திய வேகத்தில் மதிப்பை உருவாக்குகின்றன.

முடிவாக, AI, மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங் ஒரே பொருளுடைய சொற்கள் அல்ல, அவை அடுக்குமுறை தொடர்பும் தெளிவான வேறுபாடுகளும் கொண்டவை.

AI என்பது கணினி அறிவாற்றலின் பரந்த காட்சி, அதில் மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங் முக்கிய அணுகுமுறைகள் ஆகும். மெஷின் லெர்னிங் தரவிலிருந்து கற்றுக்கொண்டு மேம்பட உதவுகிறது, தீப் லெர்னிங் பல அடுக்கு நரம்பியல் வலைப்பின்னல்களை பயன்படுத்தி பெரிய தரவுகளுடன் மிகுந்த திறனை வெளிப்படுத்துகிறது.

AI, ML மற்றும் DL இடையேயான வேறுபாடுகளை சரியாக புரிந்துகொள்வது சரியான சொற்களை பயன்படுத்தவும், பொருத்தமான தொழில்நுட்ப தீர்வுகளை தேர்ந்தெடுக்கவும் உதவும்: சில சமயங்களில் எளிய மெஷின் லெர்னிங் மாதிரி போதும், ஆனால் சில சிக்கலான பிரச்சினைகளுக்கு தீப் லெர்னிங் தேவைப்படும். எதிர்காலத்தில் தரவு அதிகரித்து தேவைகள் உயர்ந்தால், தீப் லெர்னிங் AI முன்னேற்றத்தில் முக்கிய பங்கு வகிக்கும் என எதிர்பார்க்கப்படுகிறது.