Machine Learning என்றால் என்ன? Machine Learning இயந்திரக் கற்றல் முறையின் செயல்பாட்டு 원리 மற்றும் பயன்பாடுகள் என்ன? கீழே உள்ள உள்ளடக்கத்தில் INVIAI உடன் பதிலை காணுங்கள்!

டிஜிட்டல் யுகத்தில், தரவு என்பது ஒரு மதிப்புமிக்க வளமாகும், மற்றும் Machine Learning (இயந்திரக் கற்றல்) என்பது மனிதர்கள் இந்த வளத்தை முழுமையாக பயன்படுத்த உதவும் முக்கிய கருவியாகும்.

Machine Learning (ML) என்பது செயற்கை நுண்ணறிவின் (AI) ஒரு கிளை ஆகும், இது கணினிகளுக்கு தரவுகளிலிருந்து கற்றுக்கொண்டு, நேரத்துடன் செயல்திறனை மேம்படுத்த, விரிவான நிரலாக்கம் இல்லாமல் செயல்பட அனுமதிக்கிறது. வேறு வார்த்தையில், ML கணினிகளுக்கு அனுபவத்திலிருந்து "தானாக கற்றுக்கொள்ள" உதவுகிறது, இது மனிதர்கள் உண்மையில் இருந்து கற்றுக்கொள்ளும் முறையைப் போன்றது.

Machine Learning செயல்படும் விதம்

Machine Learning தரவுகளின் அடிப்படையில் செயல்படுகிறது. முதலில், பல்வேறு மூலங்களிலிருந்து (சென்சார்கள், பரிவர்த்தனை அமைப்புகள், சமூக வலைத்தளங்கள், திறந்த தரவுத்தளங்கள் போன்றவை) பெரிய அளவிலான தரவுகளை சேகரிக்க வேண்டும். தரவின் தரம் மிகவும் முக்கியம்: தரவு குழப்பமானது, குறைவானது அல்லது பிரதிநிதித்துவமற்றது என்றால், ML மாதிரி தவறான கற்றலை மேற்கொண்டு தவறான முடிவுகளை வழங்கலாம்.

உதாரணமாக, அதிகமான சுத்தமான மற்றும் பிரதிநிதித்துவமான தரவு இருந்தால் மாதிரி சிறந்த முறையில் கற்றுக்கொள்ளும், ஆனால் தரவு முன்கூட்டியே சுத்தம் செய்யப்பட வேண்டும் (சுத்தப்படுத்தல், சீரமைத்தல் போன்றவை) பயிற்சி செயல்முறைக்குத் தயாராக.

1. தரவு சேகரிப்பு மற்றும் முன் செயலாக்கம்: முதலில், உள்ளீட்டு தரவை அடையாளம் காண்ந்து நம்பகமான மூலங்களிலிருந்து சேகரிக்க வேண்டும். பின்னர், தரவை சுத்தம் செய்து, பிழைகளை நீக்கி, குறைந்த மதிப்புகளை補充 செய்து அல்லது உள்ளீட்டு தகவல்களை சீரமைக்க வேண்டும். இந்த படி அதிக நேரம் எடுத்தாலும், இறுதி மாதிரியின் துல்லியத்தை தீர்மானிக்கிறது.
2. கணக்கீட்டு முறையை தேர்வு செய்து மாதிரியை பயிற்சி செய்தல்: தரவின் வகை மற்றும் நோக்கத்தின் அடிப்படையில் (வகைப்படுத்தல் அல்லது கணிப்பு) பொருத்தமான கணக்கீட்டு முறையை தேர்வு செய்க (உதாரணம்: நேரியல் பின்விளைவுகள், முடிவு மரங்கள், நியூரல் நெட்வொர்க் போன்றவை). முன் செயலாக்கப்பட்ட பயிற்சி தரவை மாதிரியில் கொண்டு வந்து, கற்றல் செயல்முறையில் இழப்பு செயல்பாட்டை குறைத்து மேம்படுத்துகிறது. பயிற்சி செயல்முறை மாதிரியின் அளவுருக்களை சரிசெய்து, பயிற்சி தரவின் மீது கணிப்பு பிழையை குறைக்கிறது.
3. மதிப்பீடு மற்றும் நடைமுறைப்படுத்தல்: பயிற்சிக்குப் பிறகு, மாதிரியை புதிய தரவு (சோதனை தொகுப்பு) மீது சோதித்து தரத்தை மதிப்பீடு செய்க. பொதுவான அளவுகோல்கள் துல்லியம் (accuracy), Precision, Recall அல்லது F1-Score போன்றவை, இது பிரச்சினையின் வகைக்கு ஏற்ப மாறுபடும். முடிவு தேவையை பூர்த்தி செய்தால், மாதிரி செயல்பாட்டில் (பயன்பாடு அல்லது சேவை) பயன்படுத்தப்படும்; இல்லையெனில் தரவு அல்லது கணக்கீட்டு முறையை மாற்றி மீண்டும் பயிற்சி செய்யலாம்.

இயந்திரக் கற்றல் முறைகள்

Machine Learning பொதுவாக மூன்று முக்கிய முறைகளாகப் பிரிக்கப்படுகிறது, அவை தரவிலிருந்து கற்றல் முறையின் அடிப்படையில்:

• மேற்பார்வையுடன் கற்றல் (Supervised Learning): மாதிரி லேபிள் செய்யப்பட்ட பயிற்சி தரவின் அடிப்படையில் பயிற்சி பெறுகிறது. ஒவ்வொரு பயிற்சி எடுத்துக்காட்டிலும் உள்ளீடு மற்றும் அதற்கான முடிவு (லேபிள்) இருக்கும், இது மாதிரிக்கு இரு பக்கங்களுக்கிடையேயான தொடர்பை கற்றுக்கொள்ள உதவுகிறது. கற்றல் முடிந்த பிறகு, மாதிரி புதிய தரவுக்கு லேபிள் கணிக்க முடியும். இது வகைப்படுத்தல் (உதா: கை எழுத்து அடையாளம், ஸ்பாம் மின்னஞ்சல் வகைப்படுத்தல்) அல்லது கணிப்பு (உதா: வீட்டு விலை, பங்கு விலை கணிப்பு) பிரச்சினைகளில் பொதுவாகப் பயன்படுத்தப்படுகிறது.
• மேற்பார்வையில்லா கற்றல் (Unsupervised Learning): மாதிரிக்கு லேபிள் இல்லாத தரவு வழங்கப்படுகிறது, அதாவது உள்ளீடு மட்டும் இருக்கும் ஆனால் சரியான முடிவு தெரியாது. மாதிரியின் நோக்கம் தரவில் உள்ள மறைமுக மாதிரிகள் அல்லது அமைப்புகளை கண்டறிதல், உதாரணமாக குழுக்களை பிரித்தல் (clustering) அல்லது பரிமாணக் குறைப்பு. உதாரணமாக, K-Means போன்ற குழு பிரிப்பு முறைகள், முன்கூட்டியே எந்த குழு சரி அல்லது தவறு என்பதை அறியாமல், வாடிக்கையாளர்களை அவர்களது வாங்கும் பழக்கவழக்கத்தின் அடிப்படையில் குழுக்களாக பிரிக்கும்.
• வலுவூட்டப்பட்ட கற்றல் (Reinforcement Learning): ஒரு முகவர் (agent) சுற்றுப்புற சூழலுடன் தொடர்பு கொண்டு, அதன் செயல்களின் அடிப்படையில் பரிசு/தண்டனை பெற கற்றுக்கொள்கிறது. முயற்சி மற்றும் தவறுகளின் மூலம், முகவர் அதிகபட்ச பரிசை பெறும் தந்திரத்தை மேம்படுத்துகிறது. இது பொதுவாக விளையாட்டுகள் (உதா: AlphaGo) அல்லது ரோபோட்டுகள் மற்றும் தானாக இயக்கப்படும் கட்டுப்பாட்டு அமைப்புகளில் பயன்படுத்தப்படுகிறது, அங்கு முகவர் சிறந்த நடவடிக்கையை தேர்வு செய்ய வேண்டும்.

Machine Learning இன் பொதுவான பயன்பாடுகள்

Machine Learning பல்வேறு துறைகளில் மதிப்பை நிரூபித்துள்ளது. சில பிரதான பயன்பாடுகள்:

• தகவல் செயலாக்கம் மற்றும் தொடர்பு: படங்களை அடையாளம் காணுதல் (உதா: முகம் அடையாளம், பட வகைப்படுத்தல்), குரல் அடையாளம் மற்றும் இயற்கை மொழி செயலாக்கம் (மெஷின் மொழிபெயர்ப்பு, Siri, Google Assistant போன்ற மெய்நிகர் உதவியாளர்கள்).
• பரிந்துரை மற்றும் பாதுகாப்பு: தனிப்பயன் பரிந்துரை அமைப்புகள் (உதா: Netflix, Shopee போன்ற தளங்களில் திரைப்படங்கள் மற்றும் பொருட்கள் பரிந்துரை), ஸ்பாம் மின்னஞ்சல் வடிகட்டி மற்றும் ஆன்லைன் மோசடி கண்டறிதல் (உதா: சந்தேகமான பரிவர்த்தனைகள் கண்டறிதல்).
• தானியங்கி மற்றும் பகுப்பாய்வு: தானாக இயக்கப்படும் வாகனங்கள் (Tesla தொழில்நுட்பம் போன்றவை), தானாக மருத்துவ التشخیصம் (பட பரிசோதனை, நோய் கணிப்பு), நிதி மற்றும் சமூக ஊடக சந்தை பகுப்பாய்வு (பிரவேசங்கள், பயனர் உணர்வு பகுப்பாய்வு) போன்றவை.

தரவிலிருந்து கற்றல் திறன் காரணமாக, Machine Learning தற்போது நவீன AI தொழில்நுட்பங்களின் அடித்தளம் ஆக மாறி, தானியக்க மற்றும் புத்திசாலித்தனமான யோசனைகளை நிஜமாக்கி வருகிறது.

>>> மேலும் அறிய:

AI குறுகிய மற்றும் AI பொது என்பது என்ன?

வேறுபாடுகள் பற்றி: AI, மெஷின் லெர்னிங் மற்றும் தீப் லெர்னிங்

சுருக்கமாக, Machine Learning (இயந்திரக் கற்றல்) என்பது பெரிய தரவு காலத்தில் முக்கிய தொழில்நுட்பமாகும். இது கணினிகளுக்கு தானாக கற்றுக்கொண்டு, நேரத்துடன் கணிப்பு திறனை மேம்படுத்த, விரிவான நிரலாக்கம் தேவையில்லாமல் செயல்பட அனுமதிக்கிறது. இதனால், ML வாழ்க்கை மற்றும் தொழில்துறைகளில் பரவலாக பயன்படுத்தப்படுகிறது, புத்திசாலி மெய்நிகர் உதவியாளர்களிலிருந்து முன்னேற்ற தானியங்கி அமைப்புகள் வரை.

மேலே குறிப்பிட்டபடி, “Machine Learning என்பது நவீன காலத்தில் தரவுகளின் மதிப்பை முழுமையாக பயன்படுத்த மனிதர்களுக்கு உதவும் கருவியாகும்,” இது எதிர்காலத்தில் புத்திசாலி தொழில்நுட்ப பயன்பாடுகளுக்கு பல வாய்ப்புகளைத் திறக்கிறது.