ஏ.ஐ தரவின்றி கற்றுக்கொள்ள முடியுமா?

நீங்கள் ஆச்சரியப்படுகிறீர்களா,  “ஏ.ஐ தரவின்றி தானாகவே கற்றுக்கொள்ள முடியுமா?” மிகவும் விரிவான மற்றும் நியாயமான பதிலை பெற, INVIAI உடன் இந்த தலைப்பை ஆழமாக ஆராய்வோம்.

முதலில், தரவு என்பது அனைத்து நவீன இயந்திரக் கற்றல் ஏ.ஐ மாதிரிகளின் மையக் கூறு என்பதை புரிந்துகொள்வது அவசியம். ஏ.ஐ தானாகவே தரவின்றி “அறிவை” உருவாக்க முடியாது.

உதாரணமாக, மேற்பார்வை கற்றல் முறையில், மனிதர்கள் லேபிள் செய்த (படங்கள், உரை, ஒலி போன்ற) பெரிய தரவுத்தொகுப்புகளிலிருந்து ஏ.ஐ மாதிரிகள் மாதிரிகளை அடையாளம் காண கற்றுக்கொள்கின்றன.

அதேபோல், மேற்பார்வை இல்லாத கற்றல் முறையிலும், ஏ.ஐ தானாகவே அந்த தரவுக்குள் மறைந்துள்ள அமைப்புகள் அல்லது மாதிரிகளை கண்டுபிடிக்க, குறியிடப்படாத மூல தரவுகளை தேவைப்படுத்துகிறது.

எனவே, எந்த முறையிலும், ஏ.ஐ தரவால் “போஷிக்கப்பட்டு” இருக்க வேண்டும்—அது லேபிள் செய்யப்பட்ட தரவோ, தானாக லேபிள் செய்யப்படும் தரவோ (சுய மேற்பார்வை) அல்லது இயற்கை சூழல் தரவோ ஆக இருக்கலாம். எந்தவொரு உள்ளீட்டு தரவுமின்றி, அமைப்பு புதியதை கற்றுக்கொள்ள முடியாது.

பொதுவான ஏ.ஐ கற்றல் முறைகள்

இன்றைய ஏ.ஐ மாதிரிகள் பெரும்பாலும் பின்வரும் முறைகளில் கற்றுக்கொள்கின்றன:

• மேற்பார்வை கற்றல்:

பெரிய, லேபிள் செய்யப்பட்ட தரவுத்தொகுப்புகளிலிருந்து ஏ.ஐ கற்றுக்கொள்கிறது. உதாரணமாக, படங்களில் பூனைகளை அடையாளம் காண, “பூனை” அல்லது “பூனை இல்லை” என லேபிள் செய்யப்பட்ட ஆயிரக்கணக்கான படங்கள் பயிற்சிக்காக தேவை. இந்த முறை மிகவும் பயனுள்ளதாக இருந்தாலும், அதிகமான லேபிள் பணியை தேவைப்படுத்துகிறது.

• மேற்பார்வை இல்லாத கற்றல்:

ஏ.ஐக்கு குறியிடப்படாத மூல தரவு கொடுக்கப்பட்டு, அதில் உள்ள மாதிரிகள் அல்லது குழுக்களைத் தேடுகிறது. உதாரணமாக, குழுக்களாக்கும் அல்காரிதம்கள் ஒரே மாதிரிகளைக் கொண்ட தரவுத்தொகுப்புகளை குழுக்களாக்குகின்றன. இந்த முறை, மனித வழிகாட்டல் இல்லாமல், ஏ.ஐ தானாகவே தரவிலிருந்து கற்றுக்கொள்ளவும் மாதிரிகளை கண்டுபிடிக்கவும் உதவுகிறது.

• சுய மேற்பார்வை கற்றல்:

பெரிய நரம்பு வலைப்பின்னல்கள் மற்றும் பெரிய மொழி மாதிரிகளுக்கு பயன்படுத்தப்படும் ஒரு வகை, இதில் மாதிரி தானாகவே தரவுக்கு லேபிள்களை உருவாக்குகிறது (உதா., ஒரு வாக்கியத்தில் அடுத்த வார்த்தையை கணிக்க அல்லது காணாமல் போன பகுதிகளை மீட்டமைக்க) மற்றும் அவற்றிலிருந்து கற்றுக்கொள்கிறது. இந்த அணுகுமுறை, மனித லேபிள் பணியின்றி பெரிய உரை அல்லது படத் தொகுப்புகளை பயன்படுத்த ஏ.ஐக்கு உதவுகிறது.

• பலனளிக்கும் கற்றல் (RL):

நிலையான தரவுக்கு பதிலாக, ஏ.ஐ (ஏஜென்ட் என அழைக்கப்படும்) ஒரு சுற்றுச்சூழலுடன் தொடர்பு கொண்டு, வெகுமதிப் சிக்னல்களின் அடிப்படையில் கற்றுக்கொள்கிறது. விக்கிப்பீடியா பலனளிக்கும் கற்றலை இவ்வாறு வரையறுக்கிறது: “பலனளிக்கும் கற்றல் என்பது ஒரு மென்பொருள் ஏஜென்டுக்கு அதன் செயல்களின் விளைவுகளை அறிவிப்பதன் மூலம் சுற்றுச்சூழலில் எப்படி நடந்து கொள்ள வேண்டும் என்பதை கற்றுக்கொடுக்கிறது.”

மற்ற வார்த்தையில், ஏ.ஐ செயல்களை எடுத்து, விளைவுகளை (உதா., வெகுமதி அல்லது தண்டனை) கவனித்து, செயல்திறனை மேம்படுத்த தந்திரங்களை மாற்றிக் கொள்கிறது.

உதாரணமாக, மனிதர் சதுரங்கம் கற்றுத்தொடங்குவதற்கு பதிலாக, DeepMind இன் AlphaZero தானாகவே தன்னுடன் பல மில்லியன் போட்டிகள் விளையாடி, வெற்றி சிக்னல்களின் மூலம் புதிய தந்திரங்களை கண்டுபிடிக்கிறது, முன்கூட்டியே வழங்கப்பட்ட நிபுணர் தரவுத்தொகுப்புகளுக்கு சாராமையாக.

• ஒன்றிணைந்த கற்றல்:

தனிப்பட்ட மருத்துவ படங்கள் போன்ற நுணுக்கமான தரவுகளுக்கு, ஒன்றிணைந்த கற்றல் பல சாதனங்கள் (அல்லது நிறுவனங்கள்) ஒன்றாக இணைந்து மூல தரவை பகிராமல் ஒரு பகிர்ந்த மாதிரியை பயிற்சி செய்ய அனுமதிக்கிறது.

கூகுள் விளக்குகிறது, ஒன்றிணைந்த கற்றலில், உலகளாவிய மாதிரி ஒவ்வொரு சாதனத்திற்கும் அனுப்பப்பட்டு உள்ளூர் தரவில் பயிற்சி செய்யப்படுகிறது, மாதிரி புதுப்பிப்புகள் மட்டுமே திரும்ப அனுப்பப்படுகின்றன—மூல தரவு சாதனத்தை விட்டு வெளியே செல்லாது.

இதன் மூலம், மாதிரி பல இடங்களில் உள்ள தரவிலிருந்து கற்றுக்கொள்ள முடியும், ஆனால் ஏ.ஐ கற்றுக்கொள்ள ஒவ்வொரு சாதனத்திலும் உள்ளூர் தரவு தேவைப்படுகிறது.

• சுழற்சி-கற்றல் (Zero-Shot Learning):

குறிப்பிட்ட உதாரணங்கள் இல்லாமல் புதிய கருத்துக்களை ஏ.ஐ ஊகிக்கக்கூடிய திறன். IBM சுழற்சி-கற்றலை இவ்வாறு வரையறுக்கிறது: “ஏ.ஐ மாதிரி முன்பு ஒருபோதும் பார்த்திராத பொருட்கள்/கருத்துக்களை அடையாளம் காண அல்லது வகைப்படுத்த கற்றுக்கொள்ளப்படுவது.”

சுழற்சி-கற்றல் முன்பு பெற்ற பரந்த அறிவை சார்ந்தது. உதாரணமாக, GPT போன்ற பல பெரிய மொழி மாதிரிகள் பெரும் உரை தொகுப்புகளில் முன்பே பயிற்சி பெற்றுள்ளன. இந்த முன் அறிவின் மூலம், அவை தெளிவான உதாரணங்கள் இல்லாமலும் புதிய கருத்துக்களை விவாதிக்க முடியும்.

ஏ.ஐ “தரவின்றி கற்றுக்கொள்ளும்” போல் தோன்றினாலும், உண்மையில், பெரிய மொழி மாதிரிகள் அடிப்படையான மொழி திறன்களை உருவாக்க பெரிய ஆரம்ப தரவுத்தொகுப்புகளைப் பயன்படுத்துகின்றன.

சுருக்கமாக, இந்த அனைத்து முறைகளும் ஏ.ஐ தரவின்றி கற்றுக்கொள்ள எந்தவிதமான மாயாஜாலமும் இல்லை என்பதை காட்டுகின்றன—ஒரு வடிவத்தில் இருந்தாலும். ஏ.ஐ மனிதர் லேபிள் செய்த தரவுக்கு சாராமையாக கற்றுக்கொள்ளலாம் அல்லது அனுபவத்திலிருந்து கற்றுக்கொள்ளலாம், ஆனால் எதுவும் இல்லாமல் கற்றுக்கொள்ள முடியாது.

மேம்பட்ட போக்குகள்: நிலையான தரவுக்கு பதிலாக “அனுபவத்திலிருந்து” கற்றல்

ஆராய்ச்சியாளர்கள் இப்போது மனிதர் வழங்கும் தரவுக்கு குறைவாக சார்ந்திருக்கும் வழிகளை ஆராய்கின்றனர். உதாரணமாக, DeepMind சமீபத்தில் “அனுபவ அடிப்படையிலான ஏ.ஐ” காலத்தில் “ஸ்ட்ரீம்ஸ்” மாதிரியை முன்மொழிந்துள்ளது, இதில் ஏ.ஐ மனிதர் வடிவமைத்த பிரச்சினைகள் மற்றும் கேள்விகளுக்கு பதிலாக, உலகுடன் தன்னுடைய தொடர்புகளிலிருந்து முதன்மையாக கற்றுக்கொள்கிறது.

VentureBeat DeepMind ஆராய்ச்சியை மேற்கோள் காட்டுகிறது: “நாம் இதை ஏஜென்ட்கள் தங்களுடைய அனுபவங்களிலிருந்து தொடர்ச்சியாக கற்றுக்கொள்ள அனுமதிப்பதன் மூலம் அடைய முடியும்—அதாவது, சுற்றுச்சூழலுடன் தொடர்பு கொண்டபோது ஏஜென்ட் தானாக உருவாக்கும் தரவு... அனுபவம் மேம்பாட்டின் முதன்மையான வழியாக மாறும், இன்றைய மனிதர் வழங்கும் தரவின் அளவை மீறி.”

மற்ற வார்த்தையில், எதிர்காலத்தில், ஏ.ஐ தானாகவே பரிசோதனை, கவனிப்பு மற்றும் செயல்திறன் மாற்றத்தின் மூலம் தன்னுடைய தரவுகளை உருவாக்கும்—மனிதர்கள் இயற்கை அனுபவத்திலிருந்து கற்றுக்கொள்ளும் விதமாக.

ஒரு தெளிவான உதாரணம் அப்சல்யூட் ஜீரோ ரீசனர் (AZR) மாதிரி. AZR முழுமையாக சுய விளையாட்டின் மூலம் பயிற்சி பெறுகிறது, மனிதர் வழங்கிய எந்த உள்ளீட்டும் தேவையில்லை. இது தன்னுடைய பிரச்சினைகளை (உதா., குறியீட்டு துண்டுகள் அல்லது கணிதப் பிரச்சினைகள்) உருவாக்கி, அவற்றை தீர்த்து, முடிவுகளை (குறியீடு இயக்கம் அல்லது சுற்றுச்சூழல் பின்னூட்டம் மூலம்) வெகுமதி சிக்னல்களாக பயன்படுத்தி கற்றுக்கொள்கிறது.

வியப்பாக, வெளிப்புற பயிற்சி தரவுகளைப் பயன்படுத்தாமலும், AZR கணித மற்றும் நிரலாக்க பணிகளில் சிறந்த செயல்திறனை அடைகிறது, ஆயிரக்கணக்கான லேபிள் செய்யப்பட்ட உதாரணங்களுடன் பயிற்சி பெற்ற மாதிரிகளை கூட மிஞ்சுகிறது. இது ஏ.ஐ தானாகவே சவால்களை உருவாக்கி தீர்க்கும் மூலம் தன்னுடைய “தரவுத்தொகுப்பை” உருவாக்கக்கூடியது என்பதை நிரூபிக்கிறது.

AZR தவிர, பல ஆய்வுகள் தானாக கற்றுக்கொள்ளும் ஏ.ஐயை ஆராய்கின்றன. புத்திசாலி ஏஜென்ட் அமைப்புகள் மென்பொருள் மற்றும் மெய்நிகர் உலகங்களுடன் (கருவிகள், வலைத்தளங்கள், சிமுலேஷன் விளையாட்டுகள்) தொடர்பு கொண்டு அனுபவ தரவுகளை சேகரிக்க முடியும்.

ஏ.ஐ தன்னுடைய இலக்குகள் மற்றும் வெகுமதிகளை அமைக்க வடிவமைக்கப்படலாம், மனிதர்கள் பழக்கங்களை உருவாக்கும் விதமாக. இன்னும் ஆராய்ச்சி நிலைகளில் இருந்தாலும், இந்த கருத்துக்கள் ஒரு உண்மையை வலுப்படுத்துகின்றன: எந்த ஏ.ஐயும் உண்மையில் தரவின்றி கற்றுக்கொள்ள முடியாது—பதிலாக, “தரவு” என்பது ஏ.ஐயின் சொந்த அனுபவங்களிலிருந்து வரும்.

>>> மேலும் அறிய: 

AI பயன்படுத்துவதற்கு எனக்கு நிரலாக்கம் தெரிந்திருக்க வேண்டுமா?

ஏ.ஐ. மனிதர்களைப் போல சிந்திக்கிறதா?

சுருக்கமாக, இன்றைய ஏ.ஐ கற்றுக்கொள்ள இன்னும் தரவு (ஒரு வடிவத்தில்) தேவை. உண்மையில் “தரவில்லா ஏ.ஐ” என்பது இல்லை.

பதிலாக, ஏ.ஐ மனிதர் வழங்கிய தரவிலிருந்து குறைவாக கற்றுக்கொள்ளலாம்: குறியிடப்படாத தரவைப் பயன்படுத்தி (மேற்பார்வை இல்லாத கற்றல்), சுற்றுச்சூழல் பின்னூட்டத்திலிருந்து கற்றுக்கொண்டு (பலனளிக்கும் கற்றல்), அல்லது தன்னுடைய சவால்களை உருவாக்கி (உதா., AZR மாதிரி) கற்றுக்கொள்ளலாம்.

பல நிபுணர்கள் எதிர்காலத்தில், ஏ.ஐ தன்னுடைய அனுபவத்திலிருந்து அதிகமாக கற்றுக்கொள்ளும், அதுவே மேம்பாட்டுக்கு உதவும் “தரவு” ஆக மாறும் என்று நம்புகின்றனர்.

ஆனால் எந்த விதத்திலும் உண்மை இதுதான்: ஏ.ஐ எதுவும் இல்லாமல் கற்றுக்கொள்ள முடியாது; “தரவு” மூலமாக இருக்க வேண்டும், அது சுற்றுச்சூழல் சிக்னல்கள், வெகுமதிகள் போன்ற சிக்கலான வடிவங்களில் இருந்தாலும், இயந்திரம் கற்றுக்கொண்டு மேம்பட சில உள்ளீடு தேவைப்படும்.