சமீபத்தில், மும்பையைச் சேர்ந்த நண்பர் ஒருவர் வந்திருந்தார். ஒரு 60 ஆண்டுகளாக மும்பையில் வசிக்கும் தமிழர் அவர்.

காரில் பயணம் செய்யும் பொழுது, இளையராஜாவின் பாடல்களில் அவருக்கு ஒரே குழப்பம். எந்தப் பாடலை எஸ்.பி.பி. பாடுகிறார், எந்தப் பாடலை யேசுதாஸ் பாடுகிறார் என்று எவ்வளவு முறை தெளிவுபடுத்தினாலும், அவருக்குச் சரிவரப் பிடிபடவேயில்லை. பத்து நாட்களுக்குப் பின் இந்தியா சென்று விட்டார்.

அவருக்குப் பழைய இந்திப் பாடல்கள் மிகவும் பிடிக்கும், மன்னாடே, ஹேமந்த் குமார் பாடல்களை யூடியூபில் கேட்ட வண்ணம் இருப்பார். எனக்கு, எந்தப் பாடல் மன்னாடே பாடியது, எது ஹேமந்த் பாடியது என்று அந்தப் பத்து நாட்களும் குழப்பம்.

இருவருக்கும் இசை மீது ஈர்ப்பு இருந்தும், ஒருவருக்குச் சட்டென்றுத் தெரிந்த குரல்கள், இன்னொருவருக்குப் பிடிபடவில்லை. ஏன்?

இருவருக்கும் இசையார்வம் இருந்தும், ஏன் பாடல் குரல்களைக் கண்டுபிடிப்பதில் இத்தனைத் தடுமாற்றம்?  இத்தனைக்கும், இருவரும் ஒன்றும் நேற்று பிறந்த குழந்தைகள் அல்ல.

எனக்கு, கேட்கும் மொழி இந்தி என்றும், அவருக்கு நான் இசைக்கும் பாடல்கள் தமிழ்ப் பாடல்கள் என்றும் தெரியும். ஆனாலும், இருவருக்கும் மொழி, இந்தச் செயலுக்கு உதவவில்லை.

ஒன்று மட்டும் நிச்சயம், அவரது மூளையும், என்னுடைய மூளையும் வெவ்வேறு முறையில் செயல்படுகிறது. இதை வேறு விதமாகவும் சொல்லலாம். அவருடைய மூளையும், என்னுடைய மூளையும், வெவ்வேறு முறைகளில், பயிற்சி அளிக்கப்பட்டுள்ளன.

~oOo~

செயற்கை நுண்ணறிவு (artificial intelligence) என்பது, கணினிகள் கண்டுபிடிக்கப்பட்டதிலிருந்து ஒரு மதம் போன்ற விஷயமாக இருந்தது. வேகமாகச் செயல்படும் கணினி, மனித மூளையை ஒரு நாள் தூக்கிச் சாப்பிட்டுவிடும் என்று 1950 மற்றும் 60 –களில் நிறைய எழுத்தாளர்கள் பூச்சாண்டி காட்டி வந்தார்கள். மனித மூளையைத் தோற்கடிப்பது ஒன்றே கணினிகளின் லட்சியம் என்று ஒரு கணினி மதவாத கோஷ்டி இயங்கி வந்தது.

இந்தக் காலக் கட்டத்தில், சதுரங்க விளையாட்டில், மனிதர்களை விடக் கணினிகள் எப்படி சிறப்பாக ஆடுகின்றன என்று காட்டுவதே செயற்கை நுண்ணறிவுத் துறையின் குறிக்கோளாக இருந்தது. அதாவது, லாஜிக் விஷயத்தில், கணினிகள் மனிதர்களை, வெகு எளிதில் வெற்றி பெற்று விடும் எந்திரங்கள். அந்தக் காலத்தில், இது வெறும் பலகலைக்கழகப் பொழுது போக்கு விஷயம்; மற்றபடி வேலைக்கு ஆகாது என்று முடிவெடுத்துச் சமுதாயத்தால் ஒதுக்கப்பட்டது.

1957 –ல் கார்னெல் பல்கலைக்கழகத்தில், Perceptron என்ற ஓர் மென்பொருள்

நெறிமுறை (algorithm) ஒரு ஐபிஎம் கணினியில், ஃப்ரான்க் ரோஸன்ப்ளாட் (Frank Rosenblatt) என்பவரால் உருவாக்கப்பட்டது. படங்களில் உள்ள பொருட்களை அடையாளம் காட்டும் என்று சொல்லப்பட்டாலும், இந்த நெறிமுறை அதிக வெற்றி பெறவில்லை. இதன் பிறகு வந்த பல முயற்சிகள் எப்படியாவது லாஜிக் மூலம் செயற்கை நுண்ணறிவுத் துறையை முன்னேற்றிவிடலாம் என்று பல விஞ்ஞானிகள் முயன்றும் அதிக வெற்றி கிடைக்கவில்லை.

1980 –களில், சற்று மாறுபட்ட சிந்தனையால்,  செயற்கை நுண்ணறிவுத் துறையை மீண்டும் ஒரு புத்துயிரூட்டத் தொடங்கியது. இந்தக் காலக் கட்டத்தில், மனித மூளையின் நரம்பணுவைப் போல, விஞ்ஞானிகள் ஒரு செயற்கை நரம்பணு வலையமைப்பை (artificial neural network) மென்பொருள் மூலம் உருவாக்கத் தொடங்கினர். ரோஸன்ப்ளாட் உருவாக்கிய பெர்செப்ட்ரான் 1980 –களில், ஆராய்ச்சியாளர்களுக்கு, ஒரு தூண்டுதலாக அமைந்தது. இவ்வகைச் செயற்கை நரம்பணு வலையமைப்புகள் ஆரம்பத்தில் நிறைய நம்பிக்கை அளித்தது. சிக்கலான முடிவெடுக்கும் விஷயங்களில் பயன்படத் தொடங்கியது. இங்கு ஒன்றைக் குறிப்பிட வேண்டும் – செயற்கை நரம்பணு வலையமைப்புகள் 1943 –ல் முதலில் முன்வைக்கப்பட்டது.

சில விஞ்ஞானிகள் நுண்ணறிவின் எல்லா ரகசியங்களையும் இவ்வகை வலையமைப்புகள் உடைத்து விடும் என்று நம்பிக்கைத் தெரிவித்தார்கள். ஓரளவிற்கு மேல், இந்தப் பயணம் முன்னே செல்லவில்லை. பல பிரச்னைகளில், அதுவும் படங்களை அடையாளும் காட்டும் பிரச்னைகளில் இதன் வெற்றிப் பெரிதாக இல்லை.

இன்னொரு முறை, சற்று நம்பிக்கை அளித்துவிட்டு, செயற்கை நுண்ணறிவுத் துறை முடங்கிவிட்டது. சில விஞ்ஞானிகள் மட்டும் இந்த முயற்சியில் புதிய அணுகுமுறைகள் பயனளிக்கலாம் என்று தொடர்ந்து உழைத்து வந்தனர். சொல்வனத்தில், ‘தகவல் விஞ்ஞானம்’ என்ற கட்டுரைத் தொடரில், எந்திரக் கற்றலியல் (machine learning) எவ்வாறு தகவல் விஞ்ஞானத்திற்கு உதவும் என்று மேல்வாரியாக எழுதியிருந்தேன். எந்திரக் கற்றலியல், செயற்கை நுண்ணறிவுத் துறையின் ஒரு பகுதி.

ஆரம்பத்தில் எந்திரக் கற்றலியல் என்பது ரோபோக்களை நுண்ணறிவுடன் செயல்பட வைக்கும் துறையாக இருந்தது. ரோபோக்களின் தேவை, பார்ப்பதை எல்லாம் அடையாளம் காண வேண்டும் என்பதல்ல. தூரம், அகலம், மற்றும் ஆழம் சார்ந்த விஷயங்களைத் துல்லியமாக ஒரு குறுகியச் சூழலில் கணக்கிட முடிந்தால் போதும். பெரும்பாலும் தயாரிப்பு ரோபோக்கள் (manufacturing robots) , தொழிற்சாலையில், ஒரு வேலையை மட்டுமே செய்கிறது. ஒரு மனிதனைப் போல, பல்வேறு வேலைகளைச் செய்வதில்லை.

செயற்கை நரம்பணு வலையமைப்புக்கள் வளர்ந்து வந்தாலும், இவற்றின் திறன்கள் அதிகம் வளராதது, விஞ்ஞானிகளுக்குச் சற்று வியப்பளித்தது. இதற்குப் பல காரணங்கள் உண்டு.

முதலில், நாம் எப்படிக் கற்கிறோம்?

பெரும்பாலும் நாம் கற்பது, கண்களை வைத்துத் தான். சின்னக் குழந்தைகள் இந்த உலகை அறிவது/கற்பது ஓர் இயற்கை அதிசயம். பள்ளியில் சிவப்பு ஆப்பிள் என்று ஒரு படத்தைக் காட்டி விளக்குகிறோம். மரம் என்று இன்னொறுப் படத்தைக் காட்டுகிறோம். சில முயற்சிகளில் தடுமாறினாலும், முதலில் இந்தக் குழந்தை, தக்காளிக்கும் ஆப்பிளுக்கும் உள்ள வித்தியாசத்தைக் கற்கிறது. இந்தக் குழந்தையைப் பச்சை ஆப்பிள் வளரும் ஒரு மரத்தைக் காட்டினால், அது ஆப்பிள் மரம் என்று எப்படிக் கூறுகிறது? குழந்தைக்கு நாம் கற்பித்ததோ சிவப்பு ஆப்பிள். மரம் கூட ஏதோ ஒரு ஆல மரப் படமாயிருக்கலாம்.

நாம் காட்டிய ஆப்பிள் நிறம் மட்டுமல்லாமல், அந்தக் குழந்தையின் மூளையில் உள்ள இயற்கை நரம்பணு வலையமைப்பில் ஆப்பிளின் வளைவுகள், அதன் உருவம் பற்றிய விவரம் பதிவாகி விடுகிறது. நம் மூளையில் பல நூறு கோடி நரம்பணுக்கள் பல வலையமைப்புகளில் இருக்கின்றன. கண்ணுக்குள் பாயும் ஒளியை, இந்த வலையமைப்புகளில் பதிவு செய்யப்படுகிறது. இந்தக் குழந்தை, ஆப்பிளைத் தவிர எந்தப் பழத்தையும் காண்பிக்கப்படவில்லை என்று வைத்துக் கொள்வோம். வாழைப் பழத்தைக் காட்டினால், அது என்னவென்று அதற்குத் தெரியாது. ஆனால், சற்று வேறுபட்ட உருவம் மற்றும் நிறம் முக்கியமல்ல. தான் பார்த்த ஆப்பிள் படத்திற்குச் சற்று முன்னும் பின்னும் இருந்தாலும், குழந்தையால் அடையாளம் காட்ட முடிகிறது.  எப்படி நிகழ்கிறது இந்த விஷயம்?

• பச்சை ஆப்பிளைப் பார்த்தவுடன், குழந்தையின் கண்கள் மூலமாக, இந்தக் காட்சி, மூளையின் இயற்கை நரம்பணு வலையமைப்பை அடைகிறது.
• இந்தப் பல அடுக்கு (அடுக்குகள் மிகவும் முக்கியம்) வலையமைப்பில் ஏதோ சில நரம்பணுக்கள் இயங்கத் தொடங்குகின்றன. நரம்பணுக்கள், பல பக்கத்தில் உள்ள நரம்பணுக்களுடன் இணைக்கப்பட்டிருக்கும். அருகே உள்ள நரம்பணுவின் இயக்கம் மற்ற தொடர்புடைய நரம்பணுக்களை இயக்கலாம்; இயக்காமலும் போகலாம்.
• இந்த விஷயத்தில் தான் நம்முடைய நினைவு, கற்றல், கேள்வி எல்லாமே இயங்குகிறது. இதை ஒரு நரம்பணுவின் synaptic strength  என்று சொல்லப்படுகிறது. இந்த முறையில்தான் நாம் அனைவரும் உலகில் பல விஷயங்களைக் கற்கிறோம்.

இயற்கை நரம்பணு வலையமைப்புகளை மையாகக் கொண்டு உருவான செயற்கை நரம்பணு வலையமைப்புகள், ஏன் வெற்றி பெறாமல் தடுமாறுகின்றன?

இயற்கை நரம்பணுவின் வலையமைப்பில் மூன்று அம்சங்கள் நம்மை அறியாமல் நடக்கிறது;

1. ஒரு சிவப்பு ஆப்பிள் பழத்தைப் பார்பதாக வைத்துக் கொள்வோம். அத்துடன் நாம் நிற்பதில்லை. அதைப் போன்ற பல பொருட்களை முதலில் ஆப்பிள் என்று நினைக்கிறோம். கூட இருப்பவர்களோ அல்லது நாம் பார்த்த முதல் ஆப்பிளைக் கொண்டோ, புதிதாக நாம் பார்க்கும் பொருளுக்கும், திட்டவட்டமான ஆப்பிளுக்கும் என்ன வித்தியாசம் என்று கணக்கிடுகிறோம். (கணக்கு என்றவுடன் கூட்டல் கழித்தல் என்று நினைக்க வேண்டாம். மனிதன் கணிதத்தைக் கண்டுபிடிக்கும் முன்னமே இயற்கை இதைப் பல மில்லியன் வருடங்களாகச் செய்து வருகிறது) இன்னொரு முறை சிவப்பு மாதுலம்பழத்தைப் பார்க்கும் பொழுது, அது ஆப்பிள் என்று முதலில் சொன்னாலும், நம்முடைய சிவப்பு ஆப்பிள் படத்தைப் பார்த்து, ‘அட, காம்புகள் வேறு விதமாக இருக்கிறதே. வடிவத்தில் ஆப்பிளைப் போல வளைவுகள் இல்லையே’ என்று அதை ஆப்பிளல்ல என்று முடிவு செய்கிறோம். இதனால், முதலில் ஆப்பிள் பற்றிய நமது பதிவுகள் நம் நரம்பணு வலையமைப்புகளில் உள்ள இணைப்பு சக்திகள் சற்று மாறுபடுகின்றன. இதை feedback  அல்லது பின்னூட்டம் என்று சொல்கிறோம்
2. இவ்வகை நரம்பணு வலையமைப்புப் பின்னூட்டம் (feedback) மனிதர்கள் இதுவரை உருவாக்கிய எந்த ஓர் எந்திரத்திலும் இல்லை. நாம் இதுவரை உருவாக்கியப் பின்னூட்ட அமைப்புகள், இயக்கத்தை முன்னும், பின்னும், மேலும், கீழும். இடது அல்லது வலது புறம், அல்லது மூடி/திறந்து இயக்கும் முறைகள். இந்தப் பின்னூட்டம், மிகவும் சன்னமான ஒரு வலையமைப்பிற்கு அனுப்பப்படும் குறிகை. உதாரணத்திற்கு, முன் பகுதியில் பார்த்த குமார் என்ற சிறுவன், எத்தனையோ கார்களை அன்றாடம் பார்த்தவன். அவனை அறியாமல், அவனுடைய நரம்பணு வலையமைப்பு, சின்னச் சின்ன வடிவம் சார்ந்த விஷயங்களை வலையமைப்பில்,  மிகச் சிறிய இணைப்பு சக்திகளாக வேறுபடுத்தும். இந்த இணைப்பு முதல் அடுக்கில் இல்லாமல், மூன்றாவது, நான்காவது அடுக்கில் உள்ள சன்னமான மாற்றமாக இருக்கலாம். இப்படித்தான், அவனால், தான் பார்த்திராத பி.எம்.டபிள்யூ காரை அடையாளம் காட்ட முடிகிறது. இரவில் அதிக வெளிச்சமற்ற வேளையில், அவன் வீதியில் செல்லும் மாருதியையும், இப்படியே அடையாளம் காட்ட முடிகிறது
3. அன்றாட வாழ்க்கையில் நாம் ஒவ்வொரு பொருளாக அடையாளம் காட்டுவதில்லை. மிகவும் நெரிசலான ஒரு சாலைக்குச் சென்றால், நம்மால், அங்குள்ள பல பொருட்களை உடனே அடையாளம் காட்ட முடிகிறது. அதாவது, நம் மூளையில் உள்ள நரம்பணுக்கள் காட்சியின் பல்வேறு வடிவங்களை, ஒரே நேரத்தில் செயலாற்றி, தன்னுடைய பல வலையமைப்புகள் மூலம் உடனே பல்வேறு பொருட்களாகப் பிரித்து அடையாளங்களைப் பதிவு செய்கிறது. இதற்குச் நேர் எதிராக, சிலருக்கு ‘ஆறு வித்தியாசம்’ போன்ற விளையாட்டுக்கள் கடினமாகவும்/ எளிதாகவும் இருக்கும். இரண்டு படங்கள், பல அம்சங்களிலும் ஒரே மாதிரி இருந்தாலும், சில வேறுபாடுகளைக் கண்டுபிடிக்கும் விளையாட்டு இது. ஒவ்வொருவரின் மூளையின் கற்றல் தன்மையைப் பொறுத்து, இது எளிதாகவோ, கடினமாகவோ அமைகிறது. என் மும்பய் நண்பர் மற்றும் என்னுடைய தடுமாறலும் இந்தக் கற்றல் தன்மையினால் வரும் வித்தியாசம். என்னுடைய மூளை யேசுதாசின். எஸ்பிபி யின் குரல்களைப் பல பாடல்களில் கேட்டு, அதன் நரம்பணு வலையமைப்பை அங்கங்கு அட்ஜஸ்டு செய்து வைத்துள்ளது. என் நண்பரின் மூளை மன்னாடே மற்றும் ஹேமந்த்தின் குரல்களைப் பல பாடல்களில் கேட்டு, அதன் நரம்பணு வலையமைப்பை அங்கங்கு அட்ஜஸ்டு செய்து வைத்துள்ளது

 

அது சரி, இதை எப்படிக் கணினி மென்பொருளுக்குள் கொண்டு வருவது? லாஜிக் முறைகள், ஒவ்வொரு முறையும் அதே சட்டங்களைப் பின்பற்றும் – இது புதிய கற்றலுக்கு உதவாது. ஒவ்வொரு முறையும் சிறிய மாற்றங்களை எப்படியோ இந்தச் செயற்கை நரம்பணு வலையமைப்பில் கொண்டு வருவது ஒரு கணினி விஞ்ஞானச் சவால்.

மூளையின் ஆழத்தில் நடப்பதைக் கணினி விஞ்ஞானம் மூலம் ஆராயும் இந்ததுறை ஆழக் கற்றலியல் (Deep Learning)  என்று அழைக்கப்படுகிறது.  கனேடிய விஞ்ஞானி ஜெஃப் ஹிண்டன் (Google) , மற்றும் யாஷுவா பெஞ்சியோ, ப்ரெஞ்சு விஞ்ஞானி யான் லகூன் (Facebook), அமெரிக்க விஞ்ஞானி ஆண்ட்ரூ இங் (Baidoo),  இந்தத் துறையின் முன்னேற்றத்திற்காக நிறையப் பங்களித்த விஞ்ஞானிகள். இன்றைய தானோட்டிக் கார்களின் முன்னேற்றத்திற்கு, இவர்களது ஆராய்ச்சியே காரணம்.

பல அடுக்குகள் கொண்ட செயற்கை நரம்பணு வலையமைப்பு என்பது 1980 –களில் வந்து விட்டது. இவ்வகைச் செயற்கை நரம்பணு வலையமைப்புகளில், சரியான விடையா அல்லது சரியில்லையா என்பதைப் பின்னூட்டம் செய்வதற்கும் வழி இருந்தது. இதை back propagation algorithm என்று  சொல்லப் படுகிறது. ஆயினும், சரியான கையெழுத்து, மற்றும் குரல் அல்லது படங்களை அடையாளம் காட்டுவது அவ்வப்பொழுது சரியாக இருந்தாலும், முழுவதுமாக வெற்றி பெறவில்லை.

சாதாரணப் பின்னூட்ட வழிகள் அதிகம் பலன் தராது போகவே, இதற்கான புதிய அணுகுமுறைகள் தேவை என்று தெளிவாகியது.  கனேடிய விஞ்ஞானி ஜெஃப் ஹிண்டன், இந்தப் பிரச்னைக்கு இரண்டு அணுகுமுறைகளை முன் வைத்தார்.

1. பின்னூட்டம் என்பது சாதாரண முறைப்படி அல்லாமல், அதை ஒரு நுண்கணக்கியல் (calculus) மற்றும் அணிகணக்கியல் (matrix manipulation) முறைப்படிச் செயற்கை நரம்பணு வலையமைப்பில் உள்ள கணுக்களில் (nodes) சார்பை (bias) மற்றினால் பயன் தரலாம்
2. பின்னூட்டம் என்பது இரு அடுக்களின் சமாச்சாரம். மற்ற அடுக்குகளைப் பற்றிக் (RBM) கவலைப் பட வேண்டாம். இது dot product  என்று சொல்லப்படுகிறது. ஒரு சாதாரண உதாரணம், வங்கிகளில் கணக்கிடப்படும் நாள் வட்டியைப் போன்றது. ஒவ்வொரு நாளும், ஒரு கணக்கில் பாக்கி இருக்கும் கடன் பணத்திற்கு, வட்டி அன்றைக்கு எத்தனை என்று கணக்கிடுவதை interest product  என்று வங்கிகள் சொல்கின்றன. இத்தகைய அடுக்குக் கணக்கிடல்கள், ஒவ்வொரு தருணத்திலும் இரு அடுத்தடுத்து இருக்கும் அடுக்குகளில் நிகழ வேண்டும். முதல் மற்றும் இரண்டாம் அடுக்கில் இந்தக் கணக்கிடல் முடிந்தவுடன், இரண்டு மற்றும் மூன்றாவது அடுக்குகளுக்குள் நிகழ வேண்டும். இவ்வகைக் கணக்கீடல்கள் ஒரு படத்தையோ, ஒலியையோ அல்லது எழுத்தையோ சார்ந்தது

சரி, எல்லாம் சரியாகிவிடுமா என்றால், அவ்வளவு எளிமையான பிரச்னை அல்ல இது. 2006 –ல் வெளியான இவ்வகை ஆராய்ச்சி முடிவுகளில், பயன்பாட்டிற்கு வருவதற்கு இன்னும் பல முயற்சிகள் தேவைப்பட்டது. இவ்வகைப் பல்லடுக்குச் செயற்கை நரம்பணு வலையமைப்புகளுக்கு Convolutional Neural Networks  அல்லது Conv Net என்று அழைக்கப்பட்டது. இன்று உலகில் சோதிக்கப்படும் தானோட்டிக் கார்கள் அனைத்தும் Conv Net கொண்டே இயங்குகின்றன.

எந்திரக் கற்றலியல் என்பது மிகவும் வேகமாக வளர்ந்து வரும் ஒரு கணினி மென்பொருள் தொழில்நுட்பம். இதில் வாசகர்களுக்கு ஆர்வமிருந்தால், விரிவாகத் தமிழில் கட்டுரைகள் எழுத முடியும்.

முதலில், பல அடுக்குச் செயற்கை நரம்பணு வலையமைப்புகளில் இவ்வகைக் கணக்கிடல்கள் என்பது மிக வேகமாக நிகழ வேண்டிய அவசியம் இருந்தது. ’சொல்வனம்’ பத்திரிகையில், ’விடியோ விளையாட்டுக்களும் கணினி இணையாளலும்’ என்ற தலைப்பில் வடிவியல் செயலிகளைப் பற்றிக் கட்டுரைகள் எழுதியிருந்தேன். வடிவியல் செயலிகள், இவ்வகைக் கணிதக் கணக்கீடல்களை வெகு எளிதில் ஒப்பிணைவு (parallel computing) முறைகளில் நிகழ்த்தக் கூடியவை. 1980 –ன் பல முயற்சிகள் இவ்வகை வசதிகள் இல்லாமல், முடங்கிப் போயின.

இரண்டாவது, மனிதர்கள், பல விதக் காட்சிகளைக் கொண்டு தங்களுடைய மூளையைப் பயிற்சிக்கிறார்கள். செயற்கை நரம்பணு வலையமைப்புகளுக்கும் இவ்வகை விவரமானப் பயிற்சி தேவை. அப்பொழுதுதான் பயனளிக்கும் என்று தெளிவாகியது.

பிரச்னை, உலகில் உள்ள பல கோடிக் காட்சிகளை எப்படிக் கணினிகளுக்குப் பயிற்சி அளிப்பது?

அடுத்தப் பகுதியில், இந்தத் தொழில்நுட்பம் எப்படி வளர்ந்து இன்று தானோட்டிக் கார்களில் பயனளிக்கத் தொடங்கியுள்ளன என்று பார்ப்போம்.

தமிழ்ப் பரிந்துரை

தமிழ்ச் சொற்கள் எல்லோருக்கும் புரிய வேண்டும் என்று சில ஆங்கிலச் சொற்களை கட்டுரையில் பயன்படுத்தியுள்ளேன். கார் சம்பந்தமான பல தொழில்நுட்பச் சொற்கள் தமிழில் அதிகம் புழக்கத்தில் இல்லை. உதாரணம், ஆக்ஸிலரேட்டர் மற்றும் ப்ரேக். இதை தமிழில் மொழிபெயர்த்தால், நம்மில் பலருக்கும் புரியாது. இதனால், இது போன்ற வழக்குச் சொற்களை அப்படியே பயன்படுத்தியுள்ளேன். சில புதிய சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன்வைக்கிறேன்

ஆங்கிலச் சொல்	தமிழ்ப் பரிந்துரை
Artificial intelligence	செயற்கை நுண்ணறிவு
Algorithm	மென்பொருள் நெறிமுறை
Artificial neural network	செயற்கை நரம்பணு வலையமைப்பு
Machine learning	எந்திரக் கற்றலியல்
Manufacturing robots	தயாரிப்பு ரோபோக்கள்
Feedback	பின்னூட்டம்
Deep Learning	ஆழக் கற்றலியல்
Calculus	நுண்கணக்கியல்
Matrix algebra	அணிகணக்கியல்
Nodes	கணுக்கள்
Bias	சார்பு
Parallel computing	ஒப்பிணைவு கணிமை