ஞாயிறு, 8 அக்டோபர், 2017

செயற்கை நுண்ணறிவு : நவீன அடிமை யுகம் – பாகம் 3

வினவு :சுமார் ஐந்து அல்லது ஆறு பத்தாண்டுகளுக்கு முன்பிருந்தே மனித மூளையின் திறன் கொண்ட இயந்திரம் ஒன்றை உருவாக்குவது குறித்த விஞ்ஞான ஆராய்ச்சிகள் துவங்கி விட்டன. இந்த முயற்சியில் குறுக்கிட்ட பல்வேறு தோல்விகளையும் தடைகளையும் கடந்து ஆராய்ச்சிகள் தொடர்ந்து வந்தன.
அமெரிக்காவுக்கும் சோவியத் சமூக ஏகாதிபத்தியத்திற்குமான பனிப்போர் உச்சமடைந்திருந்த சமயத்தில், ரசிய மொழியில் இருந்த இரகசிய ஆவணங்களை இயந்திரங்களைக் கொண்டு ஆங்கிலத்துக்கு மொழிபெயர்ப்பு செய்ய “தானியங்கி மொழிக் கையாள்கை ஆலோசனைக் குழு” (ALPAC – Automatic Language processing committee) ஒன்றை அமெரிக்கா அமைத்தது.
சுமார் இரண்டாண்டுகள் நடந்த ஆராய்ச்சிகளுக்குப் பின், ஒரு மொழியில் எழுதப்பட்ட வாக்கியத்தை வேறொரு மொழிக்கு மாற்றுவதென்றால் அந்தக் குறிப்பிட்ட வாக்கியம் அந்த மொத்த கட்டுரை அல்லது நூலின் சாரத்தோடு எப்படி ஒத்துப் போகிறது என்கிற புரிதல் இருக்க வேண்டியது அவசியம் என்றும். இத்தகைய புரிதல் என்பது இயந்திரத்தின் சாத்தியங்களுக்கு அப்பாற்பட்டதென்றும் முடிவெடுத்து 1966-ம் ஆண்டு ஆராய்ச்சியைக் கைவிட்டனர்.

மனித மூளையின் ஆற்றலை இயந்திரங்களைக் கொண்டு மாற்றீடு செய்யும் முயற்சிகள் பின்னர் எழுபதுகளிலும், எண்பதுகளிலும், தொன்னூறுகளிலும் மேற்கொள்ளப்பட்டு, அவை எதிர்பார்த்த வெற்றிகளை அளிக்கவில்லை. இதற்கிடையே கணினிகளும் அவற்றின் கணக்கீட்டுத் திறன் (Compute Power) வளர்ச்சியும் மிகப்பெருமளவு வளரத் துவங்கியது. செயற்கை நுண்ணறித் தொழில்நுட்பம் தொடர்பான ஆராய்ச்சிகளில் கணினிகளும் அதிகரித்து வந்த அவற்றின் கணக்கீட்டுத் திறனும் இணைந்தன.
மனித மூளையின் ஆற்றல் கொண்ட இயந்திரம் அல்லது செயற்கை நுண்ணறித் தொழில்நுட்பம் தொடர்பான ஆராய்ச்சிகள் கணினிகளின் துணையோடு வளர்ச்சியுறத் துவங்கின. ஆய்வுகள் பரிசோதனைக் கூடங்களில் குறிப்பிடத்தக்க மைல்கற்களையும் தாண்டின. அமெரிக்கா ஜப்பான் போன்ற நாடுகளில் மனித இயந்திரங்கள் வெற்றிகரமாக பரிசோதிக்கப்பட்டுக் கொண்டிருந்தன.
அதியுயர் திறன் கொண்ட கணினிகளின் உதவியால் மெல்ல மெல்ல வளர்ந்து கொண்டிருந்த செயற்கை நுண்ணறிவு ஆய்வுகளோடு மீப்பெரும் மின் தரவு மற்றும் அதன் பகுப்பாய்வு முறைமைகள் (Big Data & Analytics) வந்து இணைந்தன. அதைத் தொடர்ந்து செயற்கை நுண்ணறித் தொழில்நுட்பம் பாய்ச்சல் வேகத்தில் முன்னேறத் துவங்கியது.

***

சாதாரண கணினிகளைப் பொருத்தவரை, அவை ‘பேசுவதாலோ’, ‘காண்பதாலோ’, ‘கேட்பதாலோ’ சொந்த முறையில் சிந்திக்கும் அறிவுத் திறன் கொண்டதாகி விடுவதில்லை. சமூக வலைத்தளங்கள், இணையம், தகவல் தொழில்நுட்பம் என இன்று பிரம்மாண்டமாகத் தோன்றும் அனைத்தையும் நுணுகிக் கொண்டே சென்றால் இறுதியில் எஞ்சுவது பூஜ்ஜியமும் ஒன்றும் தான். இது மட்டும் தான் கணினியைக் கட்டமைத்துள்ள மின்னணு உதிரிபாகங்களுக்குப் புரிந்த மொழி.
கணினிகளில் நிறுவப்பட்டுள்ள இயங்குதளம் (Operating system), மனித மொழியில் உள்ளீடு செய்யப்படும் கட்டளைகளை மின்னணு உதிரிபாகங்களுக்குப் புரிந்த இயந்திரமொழியில் (Machine Language) மொழி பெயர்த்துச் சொல்லி அந்தக் கட்டளைகளில் உள்ள கோரிக்கைகளை நிறைவேற்றும்படி செய்யும். அதன்பின், உள்ளீடு செய்யப்பட்ட கட்டளையின் அடிப்படையில் நடந்த வேலையின் முடிவை மனித மொழியில் மொழிபெயர்த்துச் சொல்லும்.
மனித மூளையின் செயல்பாட்டுக்கும் சாதாரண கணினியின் செயல்பாட்டுக்குமான அடிப்படை வேறுபாடாக நாம் புரிந்து கொள்ள வேண்டியது – கணினி கட்டளைக்கு ஏற்ப செயல்படும் இயந்திரம்; மனித மூளையோ சொந்த முறையில் சிந்திக்கவும், முடிவுகளை எடுக்கவுமான ஆற்றலைக் கொண்டது.
கணினிகளுக்கு வழங்கப்படும் கட்டளைகளை மனிதன் தீர்மானிக்கிறான் அல்லது உருவாக்குகிறான். தீர்மானிக்கப்பட்ட கட்டளைகளை எந்த நேரத்தில் எந்த அளவுகளில் கணினியிடம் கொடுத்து என்ன மாதிரியான வேலைகளை நிறைவேற்றுவது என்பதையும் மனிதன் தீர்மானிக்கிறான்.
இது ஒரு சாதாரண கணினி செயல்படும் விதம்.
செயற்கை நுண்ணறிப் பொறி (AI – Engines) மென்பொருள், தனிப்பட்ட கணினிகளின் கூட்டுத் தொகுதிகளின் (Grid) மீதோ, அதியுயர் கணினியின் மீதோ தான் நிறுவப்படுகின்றது. செயற்கை நுண்ணறிப் பொறி, கணினிகள் எடுக்கும் தீர்மானம் அல்லது அவை இயங்க வேண்டிய முறைகள் குறித்த முடிவுகளைச் சொந்த முறையில் எடுக்கின்றது.
தீர்மானிக்கும் அல்லது முடிவெடுக்கும் ஆற்றலை அது சொந்த முறையில் பெறுவதற்குத் தேவையான மின் தரவுகள் செயற்கை நுண்ணறிப் பொறியில் உள்ளீடு செய்யப்பட்டிருக்க வேண்டும். அடுத்து, அவ்வாறு உள்ளீடு செய்யப்பட்ட மின் தரவுகளைப் பகுத்தாயும் முறையும், பகுத்தாய்வின் முடிவுகளை 360 டிகிரி கோணத்தில் அலசி ஒரு குறிப்பிட்ட சூழலுக்கு பொருத்துவதற்கான தொழில்நுட்பங்களும் தேவை.
மீப்பெரும் மின் தரவுகளின் வரவுக்கு முன், செயற்கை நுண்ணறிக் கணினிகளுக்குக் கிட்டிய தரவுகளுக்கு வரம்புகள் இருந்தன. உதாரணமாக, தொன்னூறுகளில் ஐ.பி.எம் போன்ற கார்ப்பரேட் நிறுவனங்களால் வடிவமைக்கப்பட்ட சதுரங்கம் விளையாடும் நுண்ணறிக் கணினியின் உள்ளே அந்த விளையாட்டின் லட்சக்கணக்கான சாத்தியமான நகர்வுகள் பதியப்பட்டிருந்தன; அதனடிப்படையில் தன்னுடன் விளையாடும் மனிதனின் நகர்வுகளுக்குப் பொருத்தமான எதிர் நகர்வுகளை அது மேற்கொண்டது.
மீப்பெரும் மின் தரவுகளின் வரவுக்குப் பின், திறன்பேசிகளின் (Smart phones) மூலமோ, தனிப்பட்ட கணினிகளின் மூலமோ உலகமெங்கும் இணையத்தில் பல கோடிக்கணக்கானவர்கள் சதுரங்கம் விளையாடும் முறை, அவர்களின் நகர்வுகள் மற்றும் எதிர் நகர்வுகள், வெற்றி தோல்விகள் என பல நாட்களாக, வாரங்களாக, மாதங்களாக, வருடங்களாக சேகரிக்கப்பட்ட விவரங்கள் அனைத்தும் மின் தரவுகளாக சேமிக்கப்பட்டு பகுத்தாயப்பட்ட நகர்வுகள் செயற்கை நுண்ணறிக் கணினிக்குக் கிடைக்கின்றன.
மனிதர்கள் குறிப்பான ஒரு தருணத்தில் மேற்கொள்ளும் கோடிக்கணக்கான எதிர்நகர்வுகளின் வகைமாதிரிகளும் (Pattern) மீப்பெரும் மின் தரவுகளாகப் பகுப்பாய்வுக்குக் கிடைக்கின்றன.  இப்போது செயற்கை நுண்ணறிக் கணினி எடுக்கும் முடிவுகளை மீப்பெரும் மின் தரவுகள் மேலும் மேலும் துல்லியமாக்குகின்றன.
அதியுயர்திறன் கொண்ட கணினிகளாக இருந்தாலும் அவை குறிப்பிட்ட நிரல்வரிசையின் (Algorithms) அடிப்படையிலேயே செயல்பட்டன. செயற்கை நுண்ணறித் தொழில்நுட்பமானது மீப்பெரும் மின் தரவுகளைப் பகுப்பாய்வு செய்வதன் மூலம் ”சொந்தமாகக் கற்றுக் கொள்கின்றது”.
இயந்திரக் கற்றுணர்தல் (Machine Learning) எனப்படும் முறையின் மூலம், மின் தரவுகளில் இருந்து கற்றுக் கொண்டு அதனடிப்படையில் துல்லியமான முடிவுகளை எடுப்பது மட்டுமின்றி – தான் செயல்படுவதற்குத் தேவையான நிரல்வரிசையைத் தானே எழுதும் ஆற்றலையும் பெறுகின்றது. இணையத் தேடுபொறி இயந்திரமான கூகுள் மற்றும் சமூக வலைத்தள கார்ப்பரேட்டான ஃபேஸ்புக் போன்ற நிறுவனங்கள் மீப்பெரும் மின் தரவுகளின் அடிப்படையிலான பகுத்தாய்தலையும், செயற்கை நுண்ணறித் தொழில்நுட்பத்தையும் வெற்றிகரமாகப் பயன்படுத்தி வருகின்றன.

***

முகநூல் உள்ளிட்ட சமூக வலைத்தளங்கள் செயல்படும் விதத்தைப் பற்றியும் அந்தச் செயல்பாட்டுக்கு பின்னுள்ள “மூளை” செயற்கை நுண்ணறி இயந்திரங்கள் என்பதையும் முந்தைய பகுதியில் பார்த்தோம்.
உலகெங்கும் உள்ள கோடிக்கணக்கான பயனர்களின் இணையச் செயல்பாடுகளை பல நாட்களாக, வாரங்களாக, மாதங்களாக, வருடங்களாக மின் தரவுகளாகச் சேமித்து அவற்றைப் பகுத்தாய்வுக்கு உட்படுத்துவதன் வழியே நுண்ணறி இயந்திரங்கள் ”என்ன செய்ய வேண்டும்” என்பதைக் கற்றுக் கொள்கின்றன.

அப்படிக் கற்றுக் கொள்வதன் அடிப்படையிலேயே செயற்கை நுண்ணறி இயந்திரங்கள் தமது செயல்பாடுகளையும் முடிவுகளையும் தீர்மானிக்கின்றன. இவ்வாறு மீப்பெரும் மின் தரவுகளின் அடிப்படையில் கற்றுக் கொள்வது இயந்திரக் கற்றுணர்தல் (Machine Learning) எனப்படுகின்றது.
இதே தொழில்நுட்பத்தை குறிப்பிட்ட ஒரு நோயைக் குறித்து ஆராய்வதற்கோ, நிகழவிருக்கும் இயற்கை சீற்றம் ஒன்றைக் குறித்து ஆராய்வதற்கோ, குறிப்பிட்ட ஒரு நபரின் நிதி நடவடிக்கைகளை ஆராய்ந்து அவருக்குக் கடன் கொடுக்கலாமா வேண்டாமா என்று தீர்மானிப்பதற்கோ பயன்படுத்த முடியும் – பயன்படுத்தப்பட்டும் வருகின்றது. தற்போது இயந்திரக் கற்றுணர்தலின் அடுத்த கட்டமாக ஆழ்ந்து கற்றுணர்தல் (Deep Learning) வந்துள்ளது. இதன் மூலம் ஒரு குறிப்பிட்ட விசயம் தொடர்பான தரவுகளை வெவ்வேறு பரிமாணங்களில் வைத்து பகுத்துப் பார்த்த பின் அதைப் பற்றி ஒரு இறுதித் தீர்மானத்தை மேற்கொள்ள முடியும்.
மீப்பெரும் மின் தரவுப் பகுப்பாய்வின் அடிப்படையில் நிகழும் இயந்திரக் கற்றுணர்தலின் மூலம் பின் வரும் ஐந்து படிநிலைகளில் செயற்கை நுண்ணறிக் கணினி “அறிவை” பெறுகின்றது.

முதலாவதாக, குறியீட்டுவாதம் (Symbolism). அதாவது ஒரு விசயத்தைக் குறியீடாக்கிப் புரிந்து கொள்வது. விசயங்களுக்கு இடையில் உள்ள இடைவெளிகளைக் குறீயிடுகளின் மூலம் நிரப்பி அதைத் தொகுப்பாகப் புரிந்து கொள்வது.
இரண்டாவதாக, இணைப்புவாதம் (connectionism). மிகச் சிக்கலான கணினி வலைப்பின்னலில் உள்ள பரஸ்பர இணைப்புகளின் மூலம் நடக்கும் பல்வேறு செயல்பாடுகளில் ஒத்திசைவான செயல்பாடுகளை ஒன்றிணைத்து அவற்றுக்கிடையிலான பொதுத் தன்மைகளைக் கற்பது.
மூன்றாவதாக, பரிணாமவாதம் (evolutionism). ஒரு குறிப்பிட்ட பொருள் அல்லது போக்கு அல்லது விசயம் எப்படி பரிணமித்து வளர்ந்து தற்போதைய நிலையை அடைந்துள்ளது என்பதைக் கற்பது.
நான்காவதாக, பெயெசியவாதம் (Bayesianism). 18-ம் நூற்றாண்டைச் சேர்ந்த தாமஸ் பெயெஸ் (Thomas Bayes) என்பவர் நிகழ்தகவுக் கோட்பாட்டிற்கு (Probability) பங்களித்தவர். புள்ளியியலை பெயெசிய நிகழ்தகவுக் கோட்பாட்டின் அடிப்படையில் அணுகுவது – அதாவது, புள்ளிவிவரங்களில் இருந்து ஒரு சாத்தியமான தீர்மானத்தை வந்தடைவது. இந்த வகையில் தரவுகளைச் சலித்து எடுக்கப்படும் முடிவுகளில் பிறழ்வுகளையும் குறைகளையும் தவிர்த்துக் கொள்வது.
ஐந்தாவதாக, ஒப்பிடுதல் (analogize). ஒரு விசயத்தை அதற்கு முந்தையதுடனோ அல்லது வேறு தருணத்தில் நிகழ்ந்த அதே போன்ற விசயத்துடனோ ஒப்பிட்டுப் புரிந்து கொள்வது.
இவை ஐந்து முறைகளையும் “இயந்திர அறிதல் முறையின் ஐந்து ஆதி குடிகள்” (Five Tribes of Machine Learning) என்று அழைக்கின்றனர். மனித மூளையும் கூட ஏறத்தாழ இதே போன்ற அடிப்படைகளின் மூலம் தான் தரவுகளைப் பகுப்பாய்வுக்கு உட்படுத்துகின்றது. நமது மூளை விசயங்களைக் குறியீடுகளின் மூலம் பதிவு செய்து வைத்துக் கொள்கின்றது; பதிவு செய்யப்பட்ட விவரங்களுக்கு இடையே இருக்கும் தொடர்புகளை இணைத்துப் புரிந்து கொள்கின்றது.
ஒரு விசயத்தின் ஆதித் துவக்கம், அது எதிலிருந்து கிளைத்து வந்தது, எந்த வகையில் படிப்படியாக வளர்ந்து வந்தது என்பதைப் புரிந்து கொள்கின்றது; கிடைக்கும் விவரங்களைச் சலித்து அதிலிருந்து தொகுப்பான ஒரு முடிவுக்கு வருகின்றது; கடைசியில் ஒரு விசயத்தை அதை ஒத்த பிறவற்றுடன் ஒப்பிட்டு ஒரு முடிவுக்கு வந்தடைகின்றது. இந்தப் போக்கில் மேலே குறிப்பிட்டுள்ள பிற காரணிகளும் இணைத்து பரிசீலிக்கப்பட்ட பின்னரே அறுதி முடிவு அல்லது தீர்மானம் எடுக்கப்படுகின்றது.
இதில் கவனிக்க வேண்டியது – கிடைக்கும் தரவுகளில் இருந்து தர்க்க ரீதியில் அடையக் கூடிய முடிவுகளை எட்டும் ஆற்றலைத்தான் தற்போதைய ஆராய்ச்சிகள் செயற்கை நுண்ணறித் தொழில்நுட்பத்திற்கு வழங்கியுள்ளன. மனித மூளையோ தரவுகள் காட்டும் தர்க்கரீதியான சாத்தியங்களுக்கு அப்பாலும் புதிய முடிவுகளை எடுக்கின்றது; அது மட்டுமின்றி சக மனிதர்களின் மேலும், அவர்களின் வாழ்க்கைச் சூழலின் மீதும் மனித மூளை காட்டும் அனுதாபம் (empathy) இயந்திர மூளைக்கு இன்னும் சாத்தியமாகவில்லை.
மேலும், ஒரு செல் உயிரியாக இப்பூமிப் பந்தில் தோன்றிய நாள் முதல் மில்லியன் கணக்கான ஆண்டுகளாகப் பரிணாம வளர்ச்சியின் போக்கில் இயற்கையுடன் உயிரினங்கள் கொண்ட முரண்பாடும் அதன் போக்கில் கற்றுக் கொண்டவைகளும் வழிவழியாக கடத்தப்பட்டு நமது மரபணுக்களின் பதிவுகளாகவும், நமது மூளையின் நனவிலிப் பதிவுகளாகவும் உறைந்து போயுள்ளன.
ஒரு குறிப்பிட்ட தருணத்தில், தர்க்கப்பூர்வ விளக்கங்களுக்கு அப்பாற்பட்டு அனிச்சையாக மூளை எடுக்கும் தீர்மானங்களில் இத்தகைய பதிவுகளின் தாக்கங்களும் உள்ளன. தற்போதைய வளர்ச்சி நிலையில் மனித மூளையின் தனிச்சிறப்புகள் அனைத்தையுமே இயந்திர மூளை அடையவில்லை எனினும், எதிர்காலத்தில் அவை சாத்தியப்படாது எனச் சொல்வதற்கில்லை.

***

ற்போதைய நிலையிலேயே கூட மனித மூளையிடம் இல்லாத சில குறிப்பிட்ட ஆற்றல்கள் அல்லது வாய்ப்புகள் கணினியின் செயற்கை நுண்ணறி இயந்திரத்திடம் உள்ளது.
முதலாவது, கொள்ளளவு. செயற்கை நுண்ணறி இயந்திரம், உலகெங்கும் இணையத்துடன் இணைக்கப்பட்ட பல்வேறு பொருட்களில் (IOT – Internet of Things) இருந்து ஒவ்வொரு நொடியும் ஏராளமாக வந்து குவியும் மீப்பெரும் மின் தரவுகளைச் (Big Data) சேமித்து அதைப் பகுத்துப் பார்க்கின்றது. அதன் மூலம் வந்தடையும் முடிவை உடனடியாக மெய்நிகர் எதார்த்த நிலையில் (Virtual Simulations) வைத்து சோதித்தறிகின்றது. இவ்வாறான சோதனைகளைப் பல இலட்சம் முறை மீண்டும் மீண்டும் செய்து ஒரு துல்லியத்தை எட்டுகின்றது.

இரண்டாவது, ஒரே விசயத்தை வெவ்வேறு பரிமாணத்தில் இடையீடு செய்து பெறப்பட்ட விதவிதமான தரவுகள். உதாரணமாக சைக்கிள் என்றவுடன், உங்கள் மனத்திரையில் இதுவரை நீங்கள் கண்ட சைக்கிள்களின் மாதிரி உருவங்கள் வந்து செல்லும் – ஐம்பது வகையான சைக்கிள்களை நீங்கள் பார்த்து நினைவில் வைத்திருப்பீர்கள் என்று கொள்வோம்.
ஆனால், சைக்கிள் என்கிற ஒன்று தோன்றிய நாளில் இருந்து இன்று வரை ஒவ்வொரு கட்டத்திலும் அது எந்தவகையான வடிவ மாற்றங்களுக்கு உள்ளானது, ஒவ்வொரு நாட்டிலும் எந்த மாதிரியான சைக்கிள்கள் பயன்பாட்டில் உள்ளது, சைக்கிளின் வடிவத்தைப் பொருத்தவரை மஞ்சளினத்தவரின் தேர்வு எது, கருப்பினத்தவருக்கு எது பொருந்தும், இந்தியர்கள் எம்மாதிரி வடிவம் கொண்ட சைக்கிளை விரும்புவார்கள் – என்பன போன்ற விவரங்களுடன், இன்றைய தேதியில் உலகம் முழுவதும் எத்தனை நிறுவனங்களின் சைக்கிள்கள் உள்ளன.
அவை என்னென்ன வடிவங்களில் தயாரிக்கப்படுகின்றன, அதன் உதிரி பாகங்கள், மூலப் பொருட்கள், தயாரிப்பு முறை, தயாரிப்பதற்கான கால அளவு, செலவு உள்ளிட்டு சகல தரவுகளும் பகுப்பாய்வுக்குத் தயாராக செயற்கை நுண்ணறி இயந்திரத்திடம் இருக்கும். இவையனைத்தையும் சலித்து, பகுத்து, தொகுத்து அந்தப் புரிதலின் அடிப்படையில் இருந்து சைக்கிளைக் குறித்து நீங்கள் கேட்கும் கேள்விக்கான ’ஒரு சின்ன’ பதிலை அது வழங்கும்.
அல்லது மருத்துவம் என்று எடுத்துக் கொண்டால் ஒரு மனித மருத்துவரால் ஆயிரம் மருத்துவ ஆராய்ச்சி நூல்களை படித்து அவற்றின் சாரத்தை நினைவு வைத்துக் கொள்வது சாத்தியமாகலாம். அசாதாரண மருத்துவரென்றால் பத்தாயிரம் நூல்கள் என்று கூட வைத்துக் கொள்ளலாம்.
ஆனால், செயற்கை நுண்ணறிக் கணினியோ மருத்துவம் என்கிற விஞ்ஞானம் தோன்றிய நாளில் இருந்து இன்று வரை எழுதப்பட்டு அச்சில் இருக்கும் அனைத்து நூல்களையும், ஆராய்ச்சி விவரங்களையும், சோதனை முடிவுகளையும், நோயாளிகளின் பரிசோதனை விவரங்களையும், லட்சக்கணக்கான மருத்துவக் குறிப்புகளையும் ஒரு எழுத்து விடாமல், காற்புள்ளி அரைப்புள்ளி தவறாமல் மின் தரவுகளாக சேமித்து வைக்கவும், அவற்றை ஒரே நேரத்தில் மொத்தமாகப் பகுத்தாயவும் கூடிய திறனைக் கொண்டது.
ஆவணப்படுத்தப்பட்டுள்ள மனித சமூகத்தின் அனுபவம், அறிவு ஆகியவற்றை ஒரு மனிதன், கட்சி அல்லது அமைப்பு உட்செரித்து அதனடிப்படையில்தான் முடிவுகள் எடுக்கப்படுகின்றன. கொள்ளளவு ரீதியிலும் செயலாக்க ஆற்றலின் (Processing power) அடிப்படையிலும் இதன் வரம்புகள் அனைத்தையும் செயற்கை நுண்ணறிவு தாண்டிச் செல்கிறது. மனித மூளையின் “உள்ளுணர்வு” (intution) மட்டும் இயந்திர மூளைக்கு சாத்தியமாகவில்லை. எனினும், இயந்திர மூளையின் கொள்ளளவும் அதன் செயலாக்க ஆற்றலும் மனித மூளையின் ஆற்றலுக்கு அப்பால் உள்ளது.

***

றிவியலின் பல்வேறு துறைகளில் செயற்கை நுண்ணறித் தொழில்நுட்பத்தைப் பயன்படுத்துவது குறித்த ஆய்வுகளுக்காக மட்டும் அடுத்த நான்காண்டுகளில் சுமார் 200 பில்லியன் டாலர்கள் முதலீடாக செய்யப்படும் என ஒரு புள்ளி விவரம் கூறுகின்றது.

மருத்துவத் துறையில் செயற்கை நுண்ணறித் தொழில்நுட்பத்தின் பயன்பாட்டை ஆராய்வதற்கு பிலிப்ஸ், ஐ.பி.எம் மற்றும் ஆல்ஃபாபெட் போன்ற தொழில்நுட்ப நிறுவனங்கள் அடுத்த நான்காண்டுகளில் சுமார் 7 பில்லியன் டாலர்கள் முதலீடு செய்யவுள்ளதாக ஃப்ரோஸ்ட் & சல்லிவன் நிறுவனம் கணித்துள்ளது. இண்டெல் நிறுவனம் மட்டும் செயற்கை நுண்ணறித் தொழில்நுட்பத்தின் அடிப்படையிலான தானியங்கிக் கார்களுக்காக சுமார் 15 பில்லியன் டாலர்களை முதலீடு செய்துள்ளது.
செயற்கை நுண்ணறிதல் துறையில் நடந்து வரும் ஆய்வுகளின் நடைமுறை விளைவுகள் சாராம்சமாக இரண்டு அம்சங்களில் வெளிப்படுகின்றது. ஒன்று – முன்னறிப் புலனாய்வு (Predictive intelligence) இரண்டு – தானியங்கல் (Automation).
தொடர்ச்சியாக நடந்து வரும் ஒரு காரியத்தை தானியங்கி முறையில் இயக்குவது என்பது ஒரு மேலோட்டமான விளக்கம். குறிப்பான அந்தக் காரியம், ஏன் நடக்க வேண்டும், எப்படி நடக்க வேண்டும், அதைச் செய்யும் போது வரும் இடையூறுகளைக் களைவது எப்படி, எம்மாதிரியான முடிவுகள் வர வேண்டும், விரும்பிய முடிவுகள் வர என்ன செய்ய வேண்டும் என்பவை உள்ளிட்டு ஏராளமான அம்சங்களைக் கணக்கில் கொண்டது தான் செயற்கை நுண்ணறித் தொழில்நுட்பத்தை அடிப்படையாக கொண்ட தானியங்கல் முறை. இது நடைமுறையில் எவ்வாறு செய்யப்படுகின்றது, இதன் சமூகத் தாக்கம் என்னவென்பதை ஐ.டி துறையில் மேற்கொள்ளப்பட்டு வரும் தானியங்கல் (automation) நடவடிக்கைகளைக் கொண்டு இனி வரும் பகுதிகளில் புரிந்து கொள்வோம்.
அதே போல் மரபணுக்களை ஆய்வு செய்து புற்றுநோய் உள்ளிட்ட அபாயகரமான நோய்களைகளைக் கூட செயற்கை நுண்ணறித் தொழில்நுட்பத்தின் அடிப்படையிலான முன்னறிப் புலனாய்வின் மூலம் கண்டறிந்து கொள்ள முடியும். எனினும், இதையும் நாம் ஒரு சமூகப் பயன்பாட்டின் அடிப்படையில் வைத்து அடுத்து வரும் பகுதிகளில் புரிந்து கொள்வோம்.
(தொடரும்)
– சாக்கியன், வினவு
புதிய கலாச்சாரம், ஜூலை 2017

கருத்துகள் இல்லை: