சென்ற கட்டுரையில் சுருக்கமாக ஒரு பருந்து பார்வையாக(Bird’s view) கண்டதை, இக்கட்டுரையில் விரிவாக புழுவின் பார்வையாக(Worm’s view) நில மட்டத்திற்கு சென்று, தானியங்கி வாகனங்களின் செயற்கை நுண்ணறிவின் செயல்பாடுகளை விரிவாக காண்போம்.

தானியங்கி செயற்கை நுண்ணறிவின் செயல்பாட்டை மூன்று கூறுகளாக பிரிக்கலாம். இது மூன்று படிநிலைகளும் ஆகும்.

1. உணர் அமைப்பு  / உணர் கருவிகள் (Perception system)

2. முடிவெடுக்கும் அமைப்பு  (Decision making system) 

3. கட்டுப்பாட்டு அமைப்பு (Control system)

1. உணர்கருவிகள்(Sensors)

வாகனத்தை சுற்றியுள்ள சூழலை உணரும் கருவிகள். மனிதன் தான் உணர பயன்படுத்தும் புலன்களான கண், காது, நாசி, வாய், தோல் போன்றது.

1.1 ஒளிக்கண்டுணர்வி(LiDAR – Light Detection and Ranging)

ஒளியை கொண்டு சூழலை உணரும் கருவி. மனித கண்களுக்கு புலப்படாத புறஊதா (Ultraviolet) மற்றும் அகச்சிவப்பு (Infrared) அலைகளை சுற்றிலும் தெறித்து பரப்பி, சூழலில் உள்ள பொருளின் மீது படித்து பிரதிபலித்து (Reflection) திருப்பி பெறுவதே இதன் வேலை. பிரதிபலிக்கும் அலைகளை கொண்டு வாகனத்தை சுற்றி ஒரு முப்பரிமாணம் வரைபடத்தை (3D map) செயற்கை நுண்ணறிவின் செயலாக்க கருவி (Processing Unit) உருவாக்கும்.

உதா – முப்பரிமாணத்தை கொண்டு தொலைவில் இருப்பது மனிதனா, மரமா, வாகனமா என்பதை செயற்கை நுண்ணறிவு முடிவெடுக்க உதவும். இதன் மாபெரும் குறை என்பது மழை, பனி போன்ற சூழலில், காற்றில் உள்ள நீர்த்துளிகள் ஒளியை சிதறடிப்பதால் (Scatter) முடிவுகள் துல்லியமாக கிடைக்கப்பெறாது.

1.2 தொலைக்கண்டுணர்வி(RADAR – Radio Detection and Ranging)

வானொலி அலைகளை கொண்டு சூழலை உணரும் கருவி. அலைகளை சூழலுக்கு அனுப்பி பொருளின் மீது படிந்து திரும்ப பெற்று, அதை கொண்டு செயற்கை நுண்ணறிவின் செயலாக்க கருவி, சூழலில் உள்ள பொருட்களின் தூரத்தை(Distance), வேகத்தை(Speed), கோணத்தை (Direction) அளவிடும்.

உதா – எதிரே வரும் நடைபயணி, எவ்வளவு தூரத்தில் வருகிறார், எந்த வேகத்தில நம்மை நோக்கி வருகிறார், எந்த திசையில் வருகிறார் என்பதை அறிந்து அதற்கேற்ப ஊர்தியை நிறுத்துவதா, வேகத்தை குறைப்பதா என்பதை செயற்கை நுண்ணறிவு முடிவெடுக்க உதவும். மோசமான வானிலை சூழ்நிலையிலும் இது பயன்படுவதே இதன் மாபெரும் நிறையாகும்.

நாம் அன்றாடம் கேட்கும் வானொலி நிலையங்கள் அனுப்பும் அதே அலைகள் தான். ஒரு வேறுபாடு என்னவெனில் இதில் வெடிப்பு போன்ற சிறு சிறு அலைகளை அனுப்பி அது பொருட்களின் மீது பட்டு பிரதிபலிக்கும். நிலையங்களின் அலைகள் நிகழ்ச்சியை கோட்போரின் உணர்கொம்பை (Antenna) அடைய மட்டுமே செய்யும்.

1.3 படக்கருவி(Camera)

படங்களை(Photo & Video) பதிவு செய்யும் எளிய கருவி. ஒளிக்கண்டுணர்வி மற்றும் தொலைக்கண்டுணர்வி விலை மிக்கது, அதற்கு டெஸ்லாவின்(Tesla) எளிய மாற்று தீர்வு. படக்கருவியை மட்டுமே பயன்படுத்தி தங்களிடம் உள்ள அதி திறனான செயற்கை நுண்ணறிவு மூலம், கருவியில் பதிவாகும் காட்சி துகள்களை ஆராய்ந்து துல்லியமாக முடிவெடுப்பதாக அமைத்திருக்கும் டெஸ்லாவின் திறன் பாராட்டத்தக்கது.

1.4 புவியிடங்காட்டி(Global Positioning System)

வாகனம் இருக்கும் இடத்தை அறியும் கருவி. அதனைக் கொண்டு இலக்கத்தை(Destination) சென்று சேர தேவையான வேகம், நேரம், பாதை ஆகியவற்றை செயற்கை நுண்ணறிவு கணக்கிடும்.

அனைத்து வித பொது பயன்பாட்டிற்கு(Civilian use) தேவையாக, எல்லோரும் பயன்பெறும் நோக்கில் அமெரிக்க அரசாங்கத்தின் இருபத்திநான்கு செயற்கைகோள்கள் பூமியின் வான் மண்டலத்தில் உலாவுகின்றன. இதில் குறைந்தது நான்கு செயற்கைக்கோளில் இருந்து பெறப்படும் சமிக்ஜை(Signal) கொண்டு, அது வந்து அடையும் நேரத்தை கணக்கிட்டு வாகனத்தின் இடத்தை துல்லியமாக செயற்கை நுண்ணறிவு கண்டறியும்.

2. முடிவெடுக்கும்கூறு(Decision making systems)

மேலே கண்ட உணரும் கருவிகளில் இருந்து அனைத்தையும் பெற்று, ஆராய்ந்து, கட்டுப்பட்டு கூறுகளுக்கு அளிப்பதே முடிவெடுக்கும் கூறுகளுக்கு முக்கிய செயல்.

இது வன்பொருள் தளம் (Hardware) மற்றும் மென்பொருள் தளம் (Software) என இரண்டு தளத்தில் செயல்படும்.

2.1 வன்பொருள்தளம்(Hardware)

2.1.1 எண்முறைசமிக்ஞைசெயலாக்கம்(DSP – Digital Signal Processor)

உணர் கருவிகளுக்கு சமிக்ஞைகளை அனுப்பி பெற்று, கழிசுகள் அகற்றி தேவையானதை மட்டும் கீழ்வரும் செயலகங்களுக்கு அனுப்புவதே இதன் வேலை. அதில் மூன்று முக்கிய செயல்பாடுகள் என்பன

2.1.1.1 பண்பேற்றம்(Modulation):

உணர் கருவிகள் & மத்திய செயலகம்(CPU) இயங்கும் மொழி வெவ்வேறு. செயலங்கள் கோரும் தகவலை(Data), உணர் கருவிகள் அறியும் சமிக்ஞையாக பண்பேற்றி, உணர் கருவிகளுக்கு DSP அனுப்பி திரும்ப பெறும்.

2.1.1.2 பண்பிறக்கம்(Demodulation)

சமிஞ்சையாக திரும்ப பெற்ற தகவலை, செயலங்கள் அறியும் சமிஞ்சையாக DSP பண்பிறக்கி, செயலங்களுக்கு பகிரும்.

2.1.1.3 வடிகட்டல்(Filtration)

தேவையற்ற சமிக்ஞைகளை அகற்றல். உதா – RADAR அலைகளுடன் அலைபேசி(Cellphone), பண்பலை(FM) போன்ற அலைகள் குறுக்கிடும் போது, அதை வடிகட்டி நீக்கும்.

2.1.2 மத்தியசெயலகம்(CPU – Central Processing Unit)

தானியங்கி வாகனத்தில் உள்ள அனைத்து வன்பொருள் கூறுகளையும் ஒருங்கிணைப்பதே இதன் வேலை. இதனுள் இருப்பவை

2.1.2.1 கட்டுப்பாட்டுகூறு(Control Unit)

அனைத்து தகவல்களையும் நினைவிலிருந்து(Memory) இருந்தும் திரட்டுதல்(Fetch), மந்தணம் ஆக்கல்(Code), மந்தணம் அகற்றல்(Decode) ஆகியவை இதன் பிரதான வேலையாகும்.

2.1.2.2 இடைமுககூறு(Bus Interface Unit)

கட்டுப்பாட்டு கூறுகள் இடும் கட்டளையை ஏற்று தேவையான தகவலை நினைவிருந்து பெற்று தரும்.

அடுத்து என்ன தகவல் தேவை என்பதை முன்கூட்டியே அறிந்து, தகவலை தயாராக வைத்திருக்கும் ஆற்றலான, தகவல் முன்பெறுதல்(Data Prefetching) என்பதே இதன் சிறப்பம்சம்

2.1.2.3 நினைவகம்(Memory)

தானியங்கி இயங்கும் போது பிரதானமாக நினைவுத் திடமாக விளங்குவது தற்காலிக நினைவகம் (Random Access Memory) ஆகும். மற்றபடி கற்றதை என்றும் நினைவில் கொள்ள நிரந்தர நினைவகம் (Hard Disk) பயன்படும்.

2.1.2.4 எண்கணிதகூறு(Arithmetic Logic Unit)

கணித (கூட்டல் கழித்தல்) மற்றும் தர்க்க(Logic – AND, OR & NOT) வேலைகள் புரியும் கூறு

2.1.2.5 பதிவான்(Registers)

அதிவேக கணக்குகள் நடக்கும் போது, அதை நினைவில் கொள்ள ஒரு தற்காலிக நினைவுப் பதிவிடம் ஆகும்.

2.1.3 வரைகலைசெயலகம்(GPU – Graphical Interface Unit)

உணர் கூறுகளிருந்து இருந்து DSP வழியாக மத்திய செயலகத்தில் வந்து, அங்கு இருந்து பெறப்படும் படங்களை (Image Data) கொண்டு, சூழலில் உள்ள ஒரு பொருட்களின் தோற்றத்தை கண்டடைந்து அங்கீகரிக்கும் (Image Detection & Recognition). உதா – மனிதனா, மரமா, மற்றோரு வாகனம் முதலியன.

2.1.4 நரம்பியல்செயலகம்(NPU – Neural Processing Unit) –

கற்றல் எனும் ஆற்றலை மனித மூளையின் நரம்பு மண்டலம் செய்வது போல், செயற்கை நுண்ணறிவுக்கு கற்றல் என்னும் ஆற்றலை நடத்தும் பகுதி.

2.1.5 டென்சார்செயலகம்(TPU – Tensor Processing Unit)

கூகிள்(Google) நிறுவனம் தன் தானியங்கி கரமான வெய்மோ(Waymo) திட்டத்திற்கு பயன்படுத்தும் பிரதான நரம்பியல் செயலகம்.

2.1.6 புலநிரல்வாயில்வரிசைகள்(FPGA – Field Programmable Gate Arrays)

CPU, GPU, NPU போன்ற செயலங்களின் வேலை சுமையை குறைக்க பயன்படுத்தப்படும் ஒரு வகையான கணினி சில்(Computer Chip).

2.2 மென்பொருள்தளம்(Software)

இயந்திரமொழி(Machine Language) – ஆதி மனிதனின் மூளை காட்சிகளாலும்(Visual thinking), நாகரீக மனிதனின் மூளை மொழியாலும்(Language) சிந்தித்து செயல்படுவது போல், செயற்கை நுண்ணறிவின் மூளை இயங்க இயந்திர மொழியானது உருவாக்கப்பட்டது.

செயற்கைநரம்பியல்பிணையம்(Artificial Neural Network) – மனித மூளையின் நரம்பு பிணையத்தை(Neural Network) ஒரு முன்மாதிரியாகக் கொண்டு, அதை போல் ஒத்த உருவானதே செயற்கை நரம்பியல் பிணையமாகும். இது முழுக்க முழுக்க ஒரு நிரல் கணக்கீட்டு மாதிரி (Programmable Computational Model). நிரலுக்குள்(Program) பல அடுக்குகள்(Layers) கொண்டு, ஒவ்வொரு அடுக்கையும் செயற்கை நியூரான்கள்(Artificial Neuron) இணைக்கும்.

செயற்கை நியூரான்கள் என்பது ஒரு கணக்கியல் கூறு (Mathematical Unit). கூட்டல்(Addition) பெருக்கல்(Multiplication) போன்ற கணித வேலைகள் செய்வதே இதன் பணி. புரிவதற்காக நாம் இதை ஒரு புதிர்(Puzzle) என்று எடுத்துக்கொண்டால், முதல் அடுக்கில் உள்ள நியூரான் உள்ளீடை(Input) பெற்று கணக்குகள் புரிந்து அடுத்த அடுக்கில் உள்ள நியூரானுக்கு நகர்த்தும். கடைசி அடுக்கின் நியூரான் புதிரை முழுவதுமாக கண்டடைந்து அதற்கான விடையை தீர்க்கமாக வெளியிடும்(Output).

செயற்கை நியூரான்கள், செயற்கை நரம்பியல் பிணையத்தில் செயல்படும் கற்றல் வழிமுறைகளையும், கற்றல் அணுகுமுறைகளையும் நாம் இப்போது காணலாம்.

2.2.1 கற்றல்வழிமுறை(Machine Learning Algorithm)

வழிமுறைகள்(Algorithm) இயங்கும் தளமே நரம்பியலகம். பிணைந்த நரம்பியலகம் (Convolutional Neural Networks), தொடர் நரம்பியலகம்(Recurrent Neural Networks) என பல புழங்கினாலும், தானியங்கி பிரத்தியோகமாக உபயோகிப்பது ஆழ் கற்றல் நரம்பியலகமாகும்.

2.2.1.1 ஆழ்கற்றல்நரம்பியலகம்(DLNN – Deep Learning Neural Network)

பல மடங்கு அடுக்குகளை கொண்டு, தான் பெற்ற மிகச் சிக்கலான உள்ளீட்டை பகுத்து ஆழமாக ஆராய்ந்து, அதில் உள்ள வடிவங்களை(Pattern) மற்றும் தொடர்புகளை(Relationship) கண்டடைவதே இதன் சிறப்பு. இதன் பயன்பாடு என்பன

அ. காட்சி அங்கீகாரம் (Image Recognition). எகா – மனிதன், உயிரினங்கள், சாலை குறிகள், வாகனங்கள் முதலியன

ஆ. ஒலி அங்கீகாரம் (Sound Recognition). எகா – மனிதக் குரல் மற்றும் கட்டளை(Voice & Speech Recognition), ஒலிக்கொம்பு (Sound Horn), அவசர ஊர்தியின் ஒலி(Police, Ambulance Siren) முதலியன

உதா – சாலையில் நடக்கும் ஒரு மனிதனை எப்படி அடையாளக் கொள்கிறது எனப் பார்க்கலாம்.

உலகில் உள்ள பல்வகைப்பட்ட(Diversified) மனித தோற்றங்களையும் (நிறம், உடல் அமைப்பு முதலியன) கொண்ட தரவுத்தளத்தை(Dataset) நிரலாளர்கள்(Programmers) செயற்கை நுண்ணறிவின் நினைவகத்தில் ஏற்றுவார்கள். அதை செயற்கை நரம்பியலகம் பன்மடங்கு ஆராய்ந்து, மனிதனுக்கு என்று ஒரு தர்க்கத்தை ஏற்படுத்திக் கொள்ளும். உதா – கால்கள், கைகள், அதன் அசைவுகள் முதலியன.

சாலையில் ஒரு பொருளை(Object) கண்டவுடன், அதன் கீழ் பகுதி பிரிந்து அசையுமானால் அது ஓர் உயிரினத்தின் கால்களாக இருக்கலாம் என்று நியூரான்களின் முதல் அடுக்கு கணக்கிடும். பொருளின் மேலே உள்ள பாகமும் அசையுமானால் அது மனிதனின் கைகளாக இருக்கலாம் என்று அடுத்து கணக்கிடும். இப்படியே ஆழமாக கணக்கிட்டு உறுதியாக மனிதன் என்று முடிவுக்கு வந்தவுடன், மனிதன் சாலையைக் கடக்க முற்படலாம் என்று அவதானித்து வாகனத்தை நிறுத்தவோ வேகத்தை குறைக்கவோ ஆயுத்தமாகும்.

2.2.2 கற்றல்அணுகுமுறைகள்(Machine Learning Approaches)

மனித மூளையில் நிகழும் கற்றல்-சிந்தனை அணுகுமுறைகள் [உதா – அனுமானம்(Perception), தழுவல் (Adaptation) முதலியன] போல், செயற்கை நுண்ணறிவு மூன்று முக்கிய அணுகுமுறைகளில் கற்றலையும் சிந்தனையையும் செயல்படுத்துகின்றன.

2.2.2.1 துணைகொண்டுகற்றல்(Supervised Learning)

மனிதன் வகுத்த நிரல் வழிமுறை(Programmed Algorithm) கொண்டு, இன்ன செயலுக்கு இன்னது எதிர்வினை என்று செயற்கை நுண்ணறிவு முடிவெடுக்கும். உதா – போக்குவரத்து விளக்கில்(Traffic light) சிவப்பு கண்டவுடன் வாகனத்தின் வேகத்தை மெதுவாக குறைத்து தகுந்த முறையில் கட்டுப்படுத்தி நிறுத்துதல்.

2.2.2.2 தன்னிச்சையாககற்றல்(Unsupervised Learning)

செயற்கை நுண்ணறிவானது ஆழ்ந்து அனுமானித்து தானே முடிவெடுத்தல். உதா – தூரத்தில் கடக்கப்போகும் போக்குவரத்து விளக்கில் பச்சை எரிந்தாலும், அந்த சாலையில் பலமுறை பயணித்ததால், அந்த பச்சை ஒளி சிகப்பாக மாறும் நேரத்தை முன்னரே சுயமாக கற்று, அந்த அறிவினால் அனுமானித்து, அதற்கேற்ப வாகனத்தின் வேகத்தை கூட்டவோ குறைக்கவோ சுயமாக முடிவெடுப்பது.

2.2.2.3 வலுவூட்டகற்றல்(Reinforcement Learning)

என்ன தான் கற்றாலும் மனிதனின் சிந்தனை கணக்குகள் தவறுவது போல, செயற்கை நுண்ணறிவின் சிந்தனைகளும் தவறான விளைவுகளை ஏற்படுத்தும். உதா – சாலையை கடக்கும் நடைபயணியை பிந்தியே கணித்து, அவரை தவிர்க்க தாமதமாக முடிவெடுத்து திடீரென வாகனத்தை நிறுத்தி, நடைப்பணிக்கு பயத்தையும், வாகனத்தில் பயணிப்போருக்கு அசெளகரியத்தையும் தருவது.

இதனை எதிர்கொள்ள உருவானதே வலுவூட்ட கற்றல். வெகுமதி(Reward) மற்றும் தண்டனை(Punishment) என்று அடிப்படையில் இது இயங்கும். ஒரு நாளில் எந்த தவறு செய்யாமல் இருந்தால் தனக்கு தானே புள்ளிகள்(Points) அளித்துக் கொள்ளும். அதே போல் தவறு நேரும்போது சேகரித்த புள்ளிகளை குறைத்துக் கொள்ளும். அப்படி குறையும் போது, தான் இயங்கும் சூழலை ஆழமாக கற்க வேண்டும் என்று சுயகட்டளை இட்டுக் கொள்ளும்.

3. கட்டுப்பாட்டுகூறு(Control system)

முடிவெடுக்கும் கூறுகள் அளிக்கும் கட்டளையை கொண்டு வாகனத்தின் வேகம்(Speed), திசை(Direction), நிலை(Position) முதலியன செய்வன கட்டுப்பாடு கூறுகளாகும். இதில் பிரதானமானது மின் இயக்கிகள்.

3.1 மின்இயக்கிகள்(Electric Actuators)

மத்திய செயலகத்தில்(CPU) இருந்து கிடைக்கப் பெறும் மின் சமிக்ஜையை (Electric Signals), இயந்திர இயக்கமாக (Mechanical Movements) மாற்றுவதே இதன் பணி.

உதா – ஜீக்ஸ்(ZOOX)

ஜீக்ஸ் போன்ற தானியங்கிகளில் திசைமாற்றியோ(Steering), வேகமிதியோ(Accelerator Pedal), வேக கட்டுப்பாட்டு மிதியோ (Brake Pedal) இருக்காது. அதற்கு பதில் திசைமாற்றியின் சட்டத்தில்(Steering Rack), வேக மிதி கூறில் (Throttle System), வேக கட்டுப்பாட்டு கூறில் (Braking System), மின் இயக்கிகள் பொருத்தப்பட்டிருக்கும்.

இத்துடன் தானியங்கி செயற்கை நுண்ணறிவின் செயல்பாடுகளின் விளக்கங்கள் நிறைவடைந்தன. குறைகள், பிழைகள், விடுபட்ட தகவல்கள் ஏதும் இருப்பின், அதை சரி செய்வதற்கு இலகுவாக, கருத்து(Comment) பெட்டகத்தில் சுட்டிக் காட்டுமாறு அன்புடன் கேட்டுக்கொள்கிறேன். நன்றி!

முந்தைய பகுதி:

தானூர்திகள் (எ) தானியங்கி வாகனங்களும் அதன் செயற்கை நுண்ணறிவும்