செயற்கை நுண்ணறிவு

இங்கிலிஷ் கட்டுரை – அறிவியல் -செயற்கை நுண்ணறிவு – பிரித்தானிக்கா கலைக்களஞ்சிய வெளியீடு (ஆகஸ்ட் 11,2020-ல் கடைசி புதுப்பிப்பு) 

ஆசிரியர்: பி .ஜே. கோப்லேன்ட்

தமிழாக்கம்: கோரா 

அறிமுகம் 

பொதுவாக நுண்ணறிவுள்ள உயிரினங்கள் சம்பந்தப்பட்டவையென அறியப்படும் வேலைகளைச் செய்யும்  ஆற்றலை    இலக்க முறை (Digital)   கணினி  அல்லது கணினிக் கட்டுப்பாட்டில்  இயங்கும் ரோபோ (robot) போன்ற எந்திரங்களும் பெறுவதே  செயற்கை நுண்ணறிவு.  மனித இனத்தின்  சிறப்பியல்புகளாகக்   கருதப்படுகின்ற  பகுத்தறிதல், அர்த்தம் கண்டுபிடித்தல், பொதுமைப்படுத்துதல் (generalise) அல்லது அனுபவங்கள் மூலம் கற்றுக்கொள்ளல் ஆகிய அறிவு சார் செயல்முறைகள் (intellectual processes) அபரிமிதமாகக் கொண்ட அமைப்புகளை (systems)  உருவாக்கும் திட்டத்தைக் (project ) குறிக்க  இந்த சொற்கூறு  அடிக்கடி பயன்படுத்தப்படுகிறது.  1940 களில் இலக்கமுறை கணினிகள் உருவாக்கப் பட்டதிலிருந்தே, அவை  சிக்கலான வேலைகளை (உதாரணமாக   கணிதத் தேற்றங்களின் நிரூபணக்  கண்டுபிடிப்புகள்   அல்லது சதுரங்க விளையாட்டு)  திறமையுடன் செய்து முடிக்கும் வகையில்  செயல் நிரல்கள்  எழுத முடியுமென செயல் விளக்கம் அளிக்கப்பட்டு (demonstrate)  வருகிறது.  எனினும் கணினி செயலாக்க வேகம் மற்றும் நினைவகக்  கொள்திறன் (memory capacity) ஆகியவற்றில் தொடர்ந்து பெருமளவு முன்னேற்றம் அடைந்துவிட்ட  போதிலும்,   பரந்து பட்ட களங்கள்  (domains )  அல்லது அன்றாட அறிவு அதிகமாகத் தேவைப்படுகிற  வேலைகள் அனைத்தையும் கையாளக் கூடிய மனித நெகிழ்வுத் தன்மைக்கு (flexibility ) நிகரான  செய்நிரல்கள் (programs) ஏதுமில்லை.   மாறாக சில செய்நிரல்கள் சில குறிப்பிட்ட வேலைகளைச்  செயல்படுத்துவதில்  வல்லுநர்களுக்கும் (experts) தொழில் நெறிஞர்களுக்கும் (professionals) நிகரான செயல்திறன் நிலையை அடைந்துள்ளதையடுத்து, செயற்கை நுண்ணறிவு இந்த   குறுகிய அர்த்தத்தில் மருத்துவ நோய் அறுதியீடு (medical diagnosis ), கணினி தேடு பொறி (search engine), குரல் அல்லது கையெழுத்து அறிதல் போன்ற வெவ்வேறான   பயன்பாடுகளைக்   கண்டடைந்துள்ளது.   

எது நுண்ணறிவு ?

மனிதனின்  நடத்தைகளுள் மிகமிக எளியனவற்றைத் தவிர பிற அனைத்திற்கும் அவன் நுண்ணறிவே காரணம் என்று மிகைப்படுத்திக் கூறும்போது,  பூச்சிகளின்  மிக சிக்கலான நடத்தைகள் ஒருபோதும்  நுண்ணறிவின் அறிகுறிகளாகக்   கருதப் படுவதில்லை.  என்ன வேறுபாடு இருக்கிறது? மண்ணைத் தோண்டும் குளவியின் (Sphex ichneumoneus ) நடத்தையைக்  கவனியுங்கள். பெண் குளவி உணவுடன் தன் வளைக்கு திரும்பியதும், முதலில்  வளையின் தலைவாயிலில் உணவைக்  கிடத்திவிட்டு, உள்ளே சென்று  தன்  வளைக்குள் யாரும் ஊடுருவியிருக்கவில்லை;   மற்றும் ஆபத்து ஏதுமில்லை என்பதை உறுதிசெய்த பின்னரே உணவை உள்ளே எடுத்துச் செல்கிறது. குளவி உள்ளே இருக்கும்போது வளையின் நுழைவாயிலில் வைக்கப் பட்டிருந்த உ ணவு  சில அங்குலங்கள் நகர்த்தப்பட்டிருந்தால்,  அது தன் உள்ளுணர்வார்ந்த நடத்தையின் மெய்யான இயல்புத் தன்மையை இவ்வாறு வெளிப்படுத்துகிறது: வளையில் இருந்து வெளிப்பட்டதும் எத்தனை முறை உணவு இடப்பெயர்ந்து காணப்பட்டாலும்  அத்தனை தடவை தன் காரியக் கிரமத்தைத் தொடர்ந்துகொண்டே  இருக்கும். நுண்ணறிவு (Sphex விஷயத்தில் கவனத்தைக் கவரும் வகையில் கண்டுகொள்ளப் படாதிருப்பது)  புது நிலவரத்திற்கேற்ப தகவமைத்துக்கொள்ளும்  ஆற்றலையும்  உள்ளடக்கியிருக்கவேண்டும்.       

மனோதத்துவவியலாளர்கள் பொதுவாக  ஒரேஒரு  சிறப்பியல்பைக் கொண்டு மனித நுண்ணறிவை விவரிப்பதில்லை.  அது  பல்வேறு  திறமைகளின் கலவையாகவே விவரிக்கப் படுகிறது. எனினும் செயற்கை நுண்ணறிவு ஆராய்ச்சிகள் முக்கியமாக கீழ்க்கண்ட நுண்ணறிவுக் கூறுகளையே முன்னிறுத்து 

கின்றன. அவையாவன : கற்றல், பகுத்தறிதல், சிக்கல் தீர்த்தல் அவதானித்தல் மற்றும் மொழிப் பயன்பாடு. 

கற்றல்  

செயற்கை நுண்ணறிவில் பல்வேறு கற்றல் முறைகள் பயன்படுத்தப் படுகின்றன. அவற்றுள் மிக எளியது பிழை திருத்தச் சுழற்சி (trial and error) முறை. உதாரணமாக சதுரங்க ஆட்டத்தில்  இறுதி முற்றுகை இடர்ப்பாடுகளுக்கு  விடை காணும் கணினியின்  செய்நிரல், பல தற்செயல் நகர்வுகள் மூலமாக முயற்சித்து இறுதியில் முற்றுகைக்கு விடை காணக்கூடும்; விடை கண்ட பிறகு,  நிரல்  அந்த நிலைகளை நினைவகத்தில் சேமித்து வைத்துக்கொள்ளக்கூடும் .  அடுத்த தடவை அதே நிலைகளைக் கணினி எதிர்கொள்ளும்போது முன்னர் கண்டுபிடித்த விடைக்கு மறு அழைப்பு விடுக்கும் . தனித்தனியான  உருப்படிகளையும், வழிமுறைகளையும் மனப்பாடம் செய்யும் எளிய கற்கும் முறையை (இது  பொருளுணராக் கற்றல் – rote learning என அறியப்படுகிறது) கணினியில் செயல் படுத்துவது  ஒப்பளவில் மிக எளிது. ஆனால் பொதுமையாக்கம்  (generalization ) என்றழைக்கப் படும் முறையில் செயல் படுத்தி இடர்ப்பாடு களைவது மிகவும் சவாலானதாக இருக்கும்.   பழைய அனுபவங்களை  அவற்றிற்கொத்த புதிய நிலைமைகளுக்குப் பயன்படுத்திக் கொள்ளலாம்  என்ற கருத்தைப்  பொதுமையாக்கம் உள்ளடக்கியுள்ளது.  உதாரணமாக பொருளுணராக் கற்றலில் முறையான இங்கிலிஷ் வினைச் சொற்களின் இறந்தகால சொல்வடிவத்தைக் கற்கும் நிரலால்,  முன்கூட்டியே jumped என்ற வார்த்தை அறிமுகமாகி இருந்தால்  மட்டுமே,  jump என்னும் சாதாரண வினைச் சொல்லின் இறந்த கால வடிவத்தை இப்போது உண்டாக்க முடியும் .  ஆனால் பொதுமைப் படுத்தக்கூடிய நிரல், இதேமாதிரி வினைச் சொற்கள் மூலம் கிடைத்திருந்த அனுபவத்தைக் கொண்டு 

 ed -சேர்க்கை என்னும் பொது விதியைக் கற்றிருப்பதால்,  jump என்ற வார்த்தையின் இறந்த கால வடிவத்தை உருவாக்குகிறது. 

பகுத்தறிதல் (Reasoning )

பகுத்தறிதல் என்பது நிலைமைக்கு ஏற்றவாறு அனுமானங்களை வரைதல்.  அனுமானங்கள் உய்த்தறிதற்குரியன (deductive) என்றோ,  தொகுத்தறிவதற்குரியன (inducive ) என்றோ வகைப்படுத்தப்படுகின்றன. முன்னதற்கு (deductive) உதாரணம்:  Fred பொருட்காட்சி சாலையிலோ அல்லது  உணவகத்திலோ இருந்தாக  வேண்டும்.  இப்போது அவர் உணவகத்தில் இல்லை. எனவே பொருட்காட்சியில் தான் இருக்கிறார். பின்னதற்கு (inductive) உதாரணம்: முந்திய எல்லா விபத்துகளுக்கு காரணம் உபகரண செயலிழப்பு. எனவே இந்த விபத்துக்கும் அதுவே  காரணம் .  உய்த்தறியும் முறையில் முன் தரவுக் கூற்றுகளின் (premises ) உண்மைத்தன்மை இறுதி முடிவின் உண்மைத் தன்மைக்கு உறுதியளிக்கிறது; தொகுத்தறியும் முறையில்  முன் தரவுக் கூற்றுகள் முழுமையான உறுதிமொழி கூறாமல்  முடிவைத் தாங்குவது மட்டுமே செய்கின்றன.  இதுவே  இவ்விரு வடிவ பகுத்தறிதலின்  மிகவும் குறிப்பிடத்தக்க வேறுபாடு. தொகுத்தறிதல்வகை  பகுத்தறிவு வழக்கமாக அறிவியலில் பயன்படுத்தப் படுகிறது. ஏனெனில் இங்கே தரவுகள் சேகரிக்கப்பட்டு , தற்காலிகமான முன்மாதிரிகள் (Models ) உருவாக்கப்பட்டு அவை  வருங்கால நடப்பை விவரிக்கவும் முன்னுரைக்கவும் பயன்படுத்தப் படுகின்றன–முரணான தரவுகளின் வருகையின் அழுத்தம் காரணமாக முந்திய  முன்மாதிரிகளைத்   திருத்தி அமைக்க வேண்டிய அவசியம் வரும் வரை. உய்த்தறிதல்வகை பகுத்தறிவு வழக்கமாக கணிதம் மற்றும் தர்க்கத்தில் (logic)  பயன்படுத்தப்படுகிறது. ஏனெனில் இங்கே  ஒப்புக்கொள்ளப்பட்ட உண்மைகளும் விதிகளும் அடங்கிய தொகுப்பைக் கொண்டு விரிவான,மறுக்க முடியாத தேற்றங்கள் என்னும் கட்டமைப்பு உருவாகி இருக்கிறது.

கணினி நிரலாக்கம், அனுமானங்களை இயற்றுவதில், குறிப்பாக உய்த்தறிதல் வகை அனுமானங்களை இயற்றுவதில், குறிப்பிடத்தக்க வெற்றி கண்டிருக்கிறது.

இருப்பினும்  உண்மையான பகுத்தறிவு என்பது வெறும் அனுமானங்களை இயற்றுவது மட்டுமல்ல;  மேலும் பலவற்றை உள்ளடக்குகிறது.  அதாவது  குறிப்பிட்ட  செயல்  அல்லது நிலைமையின் தீர்வுக்கு சம்பந்தமுள்ள அனுமானங்களை இயற்றுவது.  செயற்கை அறிவியல் எதிர்கொள்ளும் மிகமிகக் கடினமான பிரச்னைகளில் இதுவும் ஒன்று.

சிக்கல் தீர்த்தல் 

முன்வரையறுக்கப் பட்ட இலக்கு அல்லது தீர்வை அடைவதற்காக சாத்தியமுள்ள செயற்படுமுறைகளின் வீச்செல்லைக்குள் (range )  ஒரு ஒழுங்கான  தேடல் நிகழ்த்துவதுவே  சிக்கல்  தீர்த்தல் என (குறிப்பாக செயற்கை நுண்ணறிவுத் துறையில்) வகைப்படுத்தப்படுகிறது. சிக்கல் தீர்க்கும் வழிமுறைகள் பொது நோக்கு அல்லது சிறப்பு நோக்கு என்று இரு வகையில் பிரிகின்றன. சிறப்பு நோக்கு வழிமுறை ஒரு குறிப்பிட்ட  பிரச்னைக்காகவே உருவாக்கப் படுகிறது. அத்துடன் பிரச்னை பதிந்துள்ள நிலைமையின் மிகத் தெளிவான சிறப்புக் கூறுகளை பெரும்பாலும் பயன்படுத்திக் கொள்கிறது. மாறாக, பொதுநோக்கு வழிமுறை பரந்த பலவகையான பிரச்னைகளுக்கும் பொருந்தக் கூடியது.   Means-Ends Analysis (MEA) என்பது செயற்கை நுண்ணறிவில் பயன்படுத்தப் படும்  ஒரு பொது நோக்கு வழிமுறை. இது தற்போதைய நிலைக்கும் முடிவான இலக்குக்கும் இடையே உள்ள  வேறுபாட்டைப்  படிப்படியாக  அல்லது ஏறுமுகமாகக் குறைக்கும்  உத்தி. நிரல்,  வழிகளின்  பட்டியலில் இருந்து   நடவடிக்கைகளை தேர்ந்தெடுத்துக் கொள்கிறது – ஓர் எளிய எந்திரனை (robot ) எடுத்துக்கொண்டால்,  அதன்  வழிகளின்  பட்டியல் இப்படி அமையலாம் — கையில் எடு, கீழே வை, முன்னேறு, பின் வாங்கு,  வலது பக்கம் போ, மற்றும்  இடது பக்கம் போ–இலக்கை எட்டும்வரை.

செயற்கை நுண்ணறிவு நிரல்கள்  பல  வெவ்வேறான பிரச்னைகளுக்கு தீர்வு கண்டிருக்கின்றன. அவற்றின் சில எடுத்துக்காட்டுகள்,   குழு விளையாட்டில் (board game) வெற்றி நகர்வு (அல்லது இடைவிடா வரிசை நகர்வுகள்), கணித நிரூபணங்களை உருவாக்குதல் மற்றும் கணினி உருவாக்கிய உலகத்தில்  மெய்நிகர் இலக்குகளை இயக்குதல்.

அவதானித்தல் (perception)

அவதானிப்பில், சூழல்  பலவகைப்பட்ட உண்மையான அல்லது செயற்கைப்  புலனுறுப்புகளால் நுட்பமாக ஆராயப்பட்டு,  அந்த காட்சி பல்வேறு இடம் சார்ந்து   (spatial) தனித்திருக்கும்    பொருட்களாக வேறுபடுத்தப்  படுகின்றன. பார்க்கும் கோணத்தையும் காட்சியில் புலப்படும்  ஒளிர்விப்பின் திசை மற்றும்  செறிவையும் மற்றும் பொருளும் அதைச்  சூழ்ந்துள்ள புலமும் ஒளிச்செறிவில் எவ்வளவு வேறுபட்டு இருக்கின்றன என்பதையும் பொருத்து அப்பொருள் மாறுபட்டுத்  தெரியக் கூடும் என்பதால் அதன் பகுப்பாய்வு சிக்கலாகி விடுகிறது.

தற்போது செயற்கை அவதானிப்பு போதிய அளவு நன்றாக முன்னேறியுள்ளது.

அதன் பயனாக ஒளி உணரிகள் (optical sensors) தனி நபர்களை அடையாளம் காண முடிகிறது; தனித்தியங்கு வாகனங்கள் திறந்த சாலைகளில் மிதமான வேகத்தில் இயங்க முடிகிறது; எந்திரன்கள் கட்டடங்களில் சுற்றி அலைந்து காலி கேன்களை   சேகரிக்க முடிகிறது. 1966-73 காலகட்டத்தில்  Donald Michie-ன் வழிகாட்டலில் ஸ்காட்லாந்தின் எடின்பர்க் பல்கலையில், அசையும் தொலைக்காட்சிக்  கண்ணும் இடுக்கிக்  கையும் உடையதாக  நிர்மாணிக்கப் பட்ட Freddy என்னும் பெயர் கொண்ட நிலையான ரோபோ  அவதானிப்பும் செயலும் ஒன்றிணைந்த மிக  ஆரம்ப காலஅமைப்புகளில் ஒன்று. பல்வேறு பொருட்களை  பிரெட்டி -யால் அடையாளங்காண முடிந்தது. மேலும் ஒரு சீரற்ற  உதிரிபாகக்  குவியலிலிருந்து பொறுக்கி எடுத்து பொம்மைக்கார் போன்ற எளிய கலைப்பொருட்களை உருவாக்கவும்  அவற்றிற்கு கற்பிக்க முடிந்தது. 

மொழிப்  பயன்பாடு 

மொழி என்பது வழக்காறுகளால் அர்த்தம் பெரும்  குறிகளின் (signs ) அமைப்பு. இந்தப்  புரிதலின் படி, பேச்சு வழக்குச் சொற்கள் மட்டுமே  மொழியின் வரம்பை நிர்ணயிப்பதில்லை. உதாரணமாக போக்குவரத்து இயக்கக் குறிகளும் ஒரு குறு மொழியே. ⚠ – என்றால் முன்னால் செல்வதில் இடையூறு எனக் குறிப்பதை சில நாடுகள் வழக்கமாக்கிக் கொண்டிருக்கின்றன. மொழிசார் அலகுகள் வழக்காறான  முறையில்  தனித்தனி  அர்த்தங்களை சொந்தமாக்கி வைத்திருப்பது  மொழிகளின் தனித்தன்மையாக  இருந்து வருகிறது.  மேலும் மொழிசார் அர்த்தம், இயல்பான அர்த்தம் எனக்  குறிப்பிடக்கூடியதுடன் ஒப்பிடுகையில் மிகவும் வேறுபட்டது.  அதற்கு எடுத்துக்காட்டுகளாக இருக்கும் கூற்றுகள் இவை:  “ அந்த மேகங்கள் வருவதற்கு மழை என்று அர்த்தம்.”  மற்றும் “அழுத்தம் குறைந்து வருகிறதென்றால் வால்வு செயல்பாட்டில் கோளாறு என்று  அர்த்தம்.”

பறவை ஒலிகள்  மற்றும் போக்குவரத்து இயக்கக் குறிகைகள் போலன்றி  முழுமையானதாக உள்ள  மனித மொழியின் முக்கிய சிறப்பியல்பு  அதன் ஆக்கத் திறன். ஒரு ஆக்கத் திறனுள்ள மொழியால் எண்ணற்ற  வெவ்வேறான   வாக்கியங்களை முறைப்படுத்திக் கொள்ளமுடியும் . 

கடுமையாகக் கட்டுப்படுத்தப் பட்ட  சில  பொருந்து சூழல்களில்   (contexts) மட்டுமே, கேள்விகளுக்கும் கூற்றுகளுக்கும் (statements)  மனித மொழியில் சரளமாக மறுமொழி கூறச்  செய்யவல்ல கணினி நிரல்களை எழுதுவது ஒப்பளவில் எளிது.  இந்த நிரல்கள் எதுவுமே மெய்யாகவே மொழியைப் புரிந்து கொள்வதில்லை என்றாலும் கொள்கையளவில் அவற்றின் மொழிவல்லமை மேலும் பெருகி ஒரு நிலையில்   சாதாரண மனிதனின் மொழிக்கு நிகராகிப் பிரித்தறிய முடியாமல் போய்விடும். உள்ளூர் மனிதரைப்போல் கணினியும்கூட  மொழியைப் பயன்படுத்துவதைப் புரிதல்தான் என்று ஒப்புக்கொள்ளாவிட்டால் வேறு என்னதான்  அசல் புரிதலில் அடங்கியுள்ளது?  இந்த கடினமான கேள்விக்கு  அனைவரும்  ஏற்கக்  கூடிய பதில் ஏதுமில்லை.  ஒரு கோட்பாட்டின்படி, ஒருவர் புரிந்து கொண்டாரா இல்லையா என்பது அவருடைய  நடத்தையை மட்டும் பொறுத்ததல்ல; அவருடைய வரலாற்றையும் பொறுத்தது:  ஒருவர் புரிந்து கொண்டு விட்டார்  சொல்லப்பட வேண்டுமானால், அவர் அந்த மொழியைக் கற்றிருக்க வேண்டும்;  அத்துடன் அம்மொழி பேசும் இனத்தில் தனக்கு ஓரிடம் கோரிப்பெறும் அளவுக்கு, மொழி பேசுவோருடன் மேற்கொண்ட   இடையீடுகள் மூலம்  மொழிப்பயிற்சி பெற்றிருக்கவேண்டும் .

(பிரித்தானிக்கா கலைக்களஞ்சிய வெளியீடு – ஆகஸ்ட் 11,2020-ல் கடைசி புதுப்பிப்பு செய்யப்பட்டது)

https://www.britannica.com/technology/artificial-intelligence

MEA: Means End Analysis – செயற்கை நுண்ணறிவு நிரல்களில் தேடல்களைக் குறைக்கப் பொதுவாக   பயன்படுத்தப் படும் ஒரு சிக்கல் தீர்க்கும் வழிமுறை.    

ஆசிரியர் குறிப்பு: B.J.Copeland – Professor of Philosophy and Director of the Turing Archive for the History of Computing, University of Canterbury, Christchurch, New Zealand. Author of Artificial Intelligence and others.

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.