டீப் லெர்னிங் என்பது ஒரு இயந்திரக் கற்றல் (machine learning) முறை மற்றும் செயற்கை நுண்ணறிவு (AI) துறையின் ஒரு கிளையாகும். இந்த முறை, மனித மூளையைப் போன்ற சிக்கலான முடிவெடுக்கும் திறனை பின்பற்ற பல அடுக்குகளைக் கொண்ட செயற்கை நரம்பு வலைப்பின்னல்களை (deep neural networks) பயன்படுத்தி, கணினி தரவுகளில் மறைந்துள்ள மாதிரிகளை திறம்பட அடையாளம் காண உதவுகிறது.

உண்மையில், நம்மைச் சுற்றியுள்ள பெரும்பாலான நவீன AI பயன்பாடுகள் டீப் லெர்னிங் தொழில்நுட்பத்தின் மூலம் இயங்குகின்றன, பேச்சு அடையாளம், படங்கள், பரிந்துரை அமைப்புகள் மற்றும் புத்திசாலி chatbot களை உள்ளடக்கியவை.

டீப் லெர்னிங் எப்படி செயல்படுகிறது?

டீப் லெர்னிங் பல அடுக்குகளைக் கொண்ட செயற்கை நரம்பு வலைப்பின்னல் மாடலை அடிப்படையாகக் கொண்டு செயல்படுகிறது. நரம்பு வலைப்பின்னல் ஒரு உள்ளீட்டு அடுக்கு, பல மறை அடுக்குகள் மற்றும் ஒரு வெளியீட்டு அடுக்கு கொண்டது. மூல தரவுகள் (படங்கள், ஒலி, உரை போன்றவை) உள்ளீட்டு அடுக்குக்கு வழங்கப்பட்டு, மறை அடுக்குகளின் வழியாக தரவின் மேம்பட்ட அம்சங்களை எடுத்து, வெளியீட்டு அடுக்கில் முடிவுகளை உருவாக்குகிறது. இந்த தகவல் பரிமாற்ற செயல்முறை முன்னோக்கி பரவல் (forward propagation) என அழைக்கப்படுகிறது.

முடிவுகளைப் பெற்ற பிறகு, மாடல் எதிர்பார்க்கப்பட்ட மதிப்புடன் (உண்மையான குறிச்சொற்களுடன், இருந்தால்) ஒப்பிட்டு பிழையை கணக்கிடுகிறது. பின்னர், பின்வட்ட பரவல் (backpropagation) மூலம் பிழையை குறைக்க நரம்பு வலைப்பின்னலின் எடைகளை (weights) சரிசெய்கிறது: பிழை வெளியீட்டிலிருந்து உள்ளீட்டுக்குத் திரும்ப பரவுகிறது, மற்றும் நரம்புகளுக்கு இடையேயான இணைப்புகள் புதுப்பிக்கப்படுகின்றன. முன்னோக்கி மற்றும் பின்வட்ட பரவல் செயல்முறைகள் தொடர்ந்து பயிற்சி காலத்தில் நடைபெற்று, மாடல் துல்லியத்தை மேம்படுத்துகின்றன.

பல அடுக்குகளைக் கொண்ட கட்டமைப்பில், ஒவ்வொரு நரம்பு அடுக்கும் தரவிலிருந்து வேறுபட்ட அம்சங்களை கற்றுக்கொள்கிறது. உதாரணமாக: முகம் அடையாளம் காணும் மாடலில், முதல் அடுக்கு எளிய அம்சங்களை (எட்ஜ்கள், கோடுகள்) கற்றுக்கொள்கிறது; அடுத்த அடுக்குகள் அவற்றை இணைத்து கண்கள், மூக்கு போன்ற சிக்கலான வடிவங்களை உருவாக்குகின்றன; மேலும் ஆழமான மறை அடுக்குகள் முழுமையான முகத்தை அடையாளம் காண்கின்றன. முக்கியமாக, டீப் லெர்னிங் மாடல்கள் தானாக தரவிலிருந்து பொருத்தமான அம்சங்களை கற்றுக்கொள்கின்றன, மனிதர் முன்கூட்டியே அம்சங்களை நிரலாக்க வேண்டிய அவசியமில்லை.

டீப் லெர்னிங் மற்றும் இயந்திரக் கற்றல் (Machine Learning) எப்படி வேறுபடுகின்றன?

டீப் லெர்னிங் என்பது இயந்திரக் கற்றல் (machine learning) என்ற பெரிய துறையின் ஒரு பகுதி என்றாலும், இது பாரம்பரிய இயந்திரக் கற்றல் முறைகளுடன் ஒப்பிடும்போது சில முக்கிய வேறுபாடுகள் உள்ளன:

• மாடல் கட்டமைப்பு: டீப் லெர்னிங் மாடல்கள் மூன்று அல்லது அதற்கு மேற்பட்ட மறை அடுக்குகளை கொண்டிருப்பதால், பல பத்துகள் அல்லது நூற்றுக்கணக்கான அடுக்குகள் இருக்கலாம். இதற்கு முந்தைய "தெளிவான" இயந்திரக் கற்றல் மாடல்கள் பொதுவாக 1-2 அடுக்குகளோ அல்லது நரம்பு வலைப்பின்னல் அல்லாத ஆல்காரிதம்களோ கொண்டவை. இதனால், டீப் லெர்னிங் வலைப்பின்னல்கள் ஆழமான மற்றும் சிக்கலான அம்சங்களை கற்றுக்கொள்ள முடியும்.
• அம்சக் கற்றல் திறன்: டீப் லெர்னிங் தரவிலிருந்து தானாக அம்சங்களை எடுக்க முடியும். பாரம்பரிய இயந்திரக் கற்றல் முறைகளில், பொறியாளர்கள் feature engineering (அம்ச வடிவமைப்பு) என்ற செயல்முறையை கையால் செய்ய வேண்டியிருக்கும். ஆனால் டீப் லெர்னிங் நரம்பு வலைப்பின்னல்கள் முக்கிய அம்சங்களை தானாக கற்றுக்கொள்கின்றன, இதனால் தரவு தயாரிப்பில் நிபுணர்களின் சார்பு குறைகிறது.
• கற்றல் முறை: நவீன டீப் லெர்னிங் மாடல்கள் பார்வையிடப்படாத கற்றல் (unsupervised learning) முறையையும் பயன்படுத்தி, குறிச்சொற்கள் இல்லாத தரவுகளில் உள்ள அமைப்புகளையும் மாதிரிகளையும் கண்டறிய முடியும். இதற்கு முந்தைய இயந்திரக் கற்றல் முறைகள் பெரும்பாலும் பார்வையிடப்பட்ட கற்றல் (supervised learning) முறையைப் பயன்படுத்தி, குறிச்சொற்களுடன் கூடிய தரவை தேவைப்படுத்துகின்றன. குறிச்சொற்கள் இல்லாத தரவிலிருந்து கற்றல் டீப் லெர்னிங்கிற்கு பெரிய அளவிலான தரவுகளை பயன்படுத்த உதவுகிறது.

டீப் லெர்னிங்கின் பயன்பாடுகள்

டீப் லெர்னிங் பல துறைகளில் புரட்சிகர மாற்றங்களை ஏற்படுத்தி வருகிறது, குறிப்பாக சிக்கலான தரவுகளை பகுப்பாய்வு செய்யும் திறனில். கீழே இந்த தொழில்நுட்பம் பலவிதமாக பயன்படுத்தப்படும் சில முக்கிய துறைகள் உள்ளன:

கணினி பார்வை (Computer Vision):

டீப் லெர்னிங் கணினிகளுக்கு படங்கள் மற்றும் வீடியோக்களின் உள்ளடக்கத்தை "பார்க்க" மற்றும் புரிந்துகொள்ள உதவுகிறது. Convolutional Neural Networks (CNN) போன்ற நரம்பு வலைப்பின்னல்கள் படங்களை வகைப்படுத்த, பொருட்களை கண்டறிய, முகங்களை அடையாளம் காண போன்ற பணிகளை மிக துல்லியமாக செய்ய முடியும்.

உதாரணமாக, தானாக இயக்கப்படும் வாகனங்கள் (சாலை மற்றும் நடக்கின்றவர்களை அறிந்து பாதுகாப்பான ஓட்டத்திற்கு), மருத்துவம் (X-கதிர், MRI படங்களை பகுப்பாய்வு செய்து கட்டிகள் மற்றும் சேதங்களை கண்டறிதல்), சமூக வலைத்தளம் (புகைப்படங்களில் முகங்களை அடையாளம் காண்பதன் மூலம் நண்பர்களை குறிக்க), மற்றும் வேறு பல துறைகள் (விவசாயம், பாதுகாப்பு) ஆகியவற்றில் பயன்படுகிறது.

பேச்சு அடையாளம் (Speech Recognition):

இது கணினிகளுக்கு மனிதர்களின் பேச்சை புரிந்து கொள்ள உதவுகிறது. டீப் லெர்னிங் மூலம், அமேசான் அலெக்சா, கூகுள் அசிஸ்டன்ட், சிரி போன்ற உதவியாளர்கள் பல்வேறு உச்சரிப்புகள் மற்றும் மொழிகளில் பேச்சை அடையாளம் காண முடியும் மற்றும் உரையாக மாற்றி, தேவையான கட்டளைகளை செயல்படுத்த முடியும்.

பயன்பாடுகளில், புத்திசாலி வீடுகள், வீடியோவுக்கு தானாக உபதலை உருவாக்குதல், வாடிக்கையாளர் அழைப்புகளை பகுப்பாய்வு செய்தல் மற்றும் மருத்துவம், சட்டம் போன்ற துறைகளில் உரை மாற்றம் அடங்கும்.

இயற்கை மொழி செயலாக்கம் (Natural Language Processing - NLP):

டீப் லெர்னிங் கணினிகளுக்கு மனிதர்களின் எழுதும் மொழியை புரிந்து கொண்டு உருவாக்க உதவுகிறது. முக்கிய NLP பயன்பாடுகளில்: தானியங்கி மொழிபெயர்ப்பு (கூகுள் மொழிபெயர்ப்பு போன்றவை), chatbot மற்றும் உதவியாளர்கள், தானாக உரை சுருக்கம் (செய்தி சுருக்கம், ஆவண சுருக்கம்), உணர்ச்சி பகுப்பாய்வு (நெட்டில் கருத்துக்களை நேர்மறை/எதிர்மறை வகைப்படுத்தல்), மற்றும் முக்கிய தகவல்களை எடுக்கும் மின்னஞ்சல் மற்றும் ஆவண வாசிப்பு அமைப்புகள் அடங்கும்.

பரிந்துரை அமைப்புகள் (Recommendation Systems):

டீப் லெர்னிங் தனிப்பட்ட பயனாளர்களின் நடத்தை மற்றும் விருப்பங்களை அடிப்படையாகக் கொண்டு பொருட்கள் மற்றும் உள்ளடக்கங்களை பரிந்துரைக்க பயன்படுகிறது. உதாரணமாக, நெட்ஃபிளிக்ஸ், யூடியூப் போன்ற ஸ்ட்ரீமிங் சேவைகள் திரைப்படங்கள் மற்றும் வீடியோக்களை பரிந்துரைக்கின்றன; அமேசான் போன்ற மின்னணு வர்த்தக தளங்கள் உங்களுக்கு பொருத்தமான பொருட்களை பரிந்துரைக்கின்றன. சமூக வலைத்தளங்கள், செய்தி தளங்கள் போன்றவற்றிலும் பரிந்துரை அமைப்புகள் பயனாளர்களின் அனுபவத்தை தனிப்பயனாக்க உதவுகின்றன.

உருவாக்கும் AI (Generative AI):

இது தரவிலிருந்து கற்றுக்கொண்டு புதிய உள்ளடக்கங்களை (உரை, படம், ஒலி, வீடியோ) உருவாக்கும் AI பயன்பாடுகளின் குழுவாகும். டீப் லெர்னிங் GAN (Generative Adversarial Networks), Transformer போன்ற உருவாக்கும் மாடல்களுக்கு வழிகாட்டியது. உதாரணமாக, DALL-E உரை விளக்கத்திலிருந்து புதிய படங்களை உருவாக்க முடியும்; ChatGPT இயற்கை உரையாடல்களை உருவாக்கி கேள்விகளுக்கு பதிலளிக்க முடியும்.

உருவாக்கும் AI தற்போது சந்தைப்படுத்தல் உள்ளடக்கம் உருவாக்குதல், தானாகக் குறியீடு எழுதுதல், வாடிக்கையாளர் சேவையில் உதவுதல் மற்றும் பல பணிகளில் பயன்படுத்தப்படுகிறது. இது டீப் லெர்னிங்கின் திறமையைப் பயன்படுத்தி பெரிய தரவுகளிலிருந்து பாணி மற்றும் மாதிரிகளை கற்றுக்கொண்டு உருவாக்குகிறது.

டீப் லெர்னிங்கின் நன்மைகள்

டீப் லெர்னிங் பிரபலமானதாக்கிய முக்கிய காரணங்கள்:

• தானாக பொருத்தமான அம்சங்களை கற்றல்: டீப் லெர்னிங் மாடல்கள் மூல தரவிலிருந்து தானாக பொருத்தமான அம்சங்களை எடுக்க முடியும், முன்கூட்டியே பணிகளை குறைக்கிறது. இது படங்கள், ஒலி, உரை போன்ற அமைப்பற்ற தரவுகளுக்கு மிகவும் பயனுள்ளதாகும்.
• உயர் துல்லியம்: பல அடுக்குகளும் பெரிய தரவுகளும் கொண்ட டீப் லெர்னிங் மாடல்கள் பாரம்பரிய முறைகளைவிட மிகவும் துல்லியமான முடிவுகளை வழங்குகின்றன. சில துறைகளில், மனித நிபுணர்களுக்கு சமமான அல்லது மேல் திறன் பெற்றுள்ளன (பட அடையாளம், சதுரங்கம், மருத்துவ படங்கள்). இது சிக்கலான பணிகளை தானாகச் செய்ய உதவுகிறது.
• பல்துறை மற்றும் நெகிழ்வான பயன்பாடு: டீப் லெர்னிங் பல்வேறு தரவுகளிலும் பிரச்சனைகளிலும் பயன்படுத்தக்கூடியது. கணினி பார்வை, இயற்கை மொழி செயலாக்கம், பேச்சு அடையாளம், கால வரிசை முன்னறிவிப்பு, உள்ளடக்கம் உருவாக்குதல் போன்றவற்றில் முன்னேற்றங்களை வழங்குகிறது. இதனால் தொழில்துறைகளில் தானாக செயல்படுத்தல் விரைவாக வளர்கிறது. மேலும், புதிய தரவுகளுடன் தொடர்ந்து கற்றல் மூலம் செயல்திறன் மேம்படுகிறது.
• பெரிய தரவுகளிலிருந்து கற்றல் திறன்: டீப் லெர்னிங் பெரிய தரவுகளுடன் சிறந்த செயல்திறனை காட்டுகிறது. அதிக தரவு அதிகமாக கற்றுக்கொள்ள உதவுகிறது மற்றும் பழைய முறைகளால் காணாத சிக்கலான மாதிரிகளை கண்டறிகிறது. அதிக தரவு கொண்டால், மாடல் overfitting குறைவாக இருக்கும்.

டீப் லெர்னிங்கின் குறைகள்

நன்மைகளுடன் சேர்ந்து, டீப் லெர்னிங்கிற்கு சில சவால்கள் மற்றும் குறைகள் உள்ளன:

• மிகவும் பெரிய தரவு தேவை: டீப் லெர்னிங் மாடல்கள் பல அளவுருக்களை கொண்டதால், மிகப்பெரிய பயிற்சி தரவுத்தொகுப்புகள் தேவைப்படுகிறது. குறைந்த தரவு அல்லது வேறுபாடற்ற தரவு இருந்தால், மாடல் overfitting ஆகலாம் அல்லது பொதுவான விதிகளை கற்றுக்கொள்ள முடியாது. மேலும், தரவு சரியான நோக்கம், போதுமான அளவு மற்றும் குறைந்த பாகுபாடு கொண்டதாக இருக்க வேண்டும், இல்லையெனில் மாடல் துல்லியமாக இயங்காது.
• உயர் கணினி வளங்கள் தேவை: டீப் லெர்னிங் பயிற்சி மிகுந்த கணினி வளங்களை (GPU, TPU போன்றவை) பயன்படுத்துகிறது. பல அடுக்குகளின் எடைகளை சரிசெய்வதில் அதிக கணினி சக்தி தேவைப்படுகிறது. பெரிய மாடல்களின் பயிற்சி நேரம் சில மணி நேரம் முதல் சில வாரங்கள் வரை நீடிக்கலாம், இதனால் பொருட்செலவு மற்றும் மின்சாரச் செலவும் அதிகமாகும். பல மாடல்களை ஒரே நேரத்தில் இயக்குவதற்கு பெரிய கணினி அமைப்புகள் தேவை.
• “கருப்பு பெட்டி” மாதிரி, விளக்கம் கடினம்: டீப் லெர்னிங் மாடல்கள் மிகவும் சிக்கலானவை மற்றும் மறைமுக அம்சங்களை கற்றுக்கொள்கின்றன, ஆகையால் அவற்றின் முடிவுகளை மனிதர்கள் புரிந்து கொள்ள கடினம். இது மருத்துவம், நிதி போன்ற துறைகளில் நம்பிக்கையை உருவாக்குவதற்கு சவால். தற்போது விளக்கக்கூடிய AI (Explainable AI) என்ற ஆராய்ச்சி இந்த பிரச்சனையை சமாளிக்க முயல்கிறது.
• பயிற்சி தரவின் பாகுபாடு காரணமாக தவறுகள்: டீப் லெர்னிங் மாடல்கள் முழுமையாக பயிற்சி தரவின் மீது சார்ந்தவை. பாகுபாடு (bias) கொண்ட தரவு இருந்தால், மாடல் அந்த பாகுபாட்டை வலுப்படுத்தும். உதாரணமாக, முக அடையாளம் பயிற்சி தரவில் ஒரு குறிப்பிட்ட குழுவின் படங்கள் குறைவாக இருந்தால், அந்த குழுவை தவறாக அடையாளம் காணலாம். ஆகவே, தரவு சமநிலை மற்றும் குறைந்த பிழை கொண்டதாக இருக்க வேண்டும்.
• உயர் நிபுணத்துவம் தேவை: டீப் லெர்னிங் மாடல்களை உருவாக்கி மேம்படுத்துவது எளிதல்ல. இது இயந்திரக் கற்றல், கணிதம் மற்றும் அனுபவம் கொண்ட திறமையான நிபுணர்களை தேவைப்படுத்துகிறது. சரியான கட்டமைப்பை தேர்வு செய்தல், ஹைபர் பாராமீட்டர்கள் ஐ சரிசெய்தல் மற்றும் overfitting, gradient vanishing போன்ற பிரச்சனைகளை கையாள்வது பல முயற்சிகளையும் அறிவையும் தேவைப்படுத்துகிறது. இதனால் இந்த துறையில் நுழைவதற்கான தடைகள் அதிகமாக உள்ளன மற்றும் அனைத்து நிறுவனங்களுக்கும் தேவையான திறமைகள் எளிதில் கிடைக்காது.

>>> கிளிக் செய்து அறிய: Machine Learning என்றால் என்ன?

டீப் லெர்னிங் இப்போது செயற்கை நுண்ணறிவின் முக்கிய அங்கமாக திகழ்கிறது. பெரிய தரவிலிருந்து தானாக கற்றுக்கொண்டு, மனித மூளையின் செயல்பாடுகளைப் போல சில பகுதிகளை மாடல் பின்பற்றுவதால், கணினிகள் அறிவாற்றல் மற்றும் தகவல் செயலாக்கத்தில் மிகப்பெரிய முன்னேற்றங்களை அடைந்துள்ளன. தானாக இயக்கப்படும் வாகனங்கள், மருத்துவமனைகளில் நோயறிதல் உதவி, இயற்கை உரையாடல்கள் போன்றவை இத்தொழில்நுட்பத்தின் பல்வேறு பயன்பாடுகளாகும்.

தரவு, கணினி வளங்கள் மற்றும் விளக்கத்தன்மை போன்ற சவால்களைத் தாண்டி, டீப் லெர்னிங் தொடர்ந்து மேம்படுத்தப்படுகிறது. புதிய கணினி கட்டமைப்புகள் மற்றும் தொழில்நுட்பங்கள் (Transformer கட்டமைப்புகள், பல்துறை கற்றல் போன்றவை) மூலம், டீப் லெர்னிங் எதிர்காலத்தில் மேலும் முன்னேறி, செயற்கை நுண்ணறிவின் வளர்ச்சிக்கு முக்கிய இயக்க சக்தியாக இருக்கும் என்று எதிர்பார்க்கப்படுகிறது.