ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಎಂದರೆ ಏನು?
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಎಂದರೆ ಕಂಪ್ಯೂಟರ್ ಗಳಿಗೆ ಅನೇಕ ಪ್ರಗತಿಶೀಲ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಶಕ್ತಿಯನ್ನು ನೀಡುವ ತಂತ್ರಜ್ಞಾನಗಳ ಒಂದು ಸಮೂಹ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ವೀಕ್ಷಿಸುವುದು, ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು, ಮಾತು ಮತ್ತು ಬರಹ ಭಾಷೆಯನ್ನು ಅನುವಾದಿಸುವುದು, ದತ್ತಾಂಶವನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು, ಶಿಫಾರಸುಗಳನ್ನು ನೀಡುವುದು ಇದರ ಸಾಮರ್ಥ್ಯವಾಗಿದೆ.
AI ನವೀಕರಿತ ಗಣಕಯುಗದ ಕಂಠಹಾರವಾಗಿದೆ. ಇದು ವ್ಯಕ್ತಿಗಳಿಗೂ, ಸಂಸ್ಥೆಗಳಿಗೊ ಸಹ ಮೌಲ್ಯವನ್ನು ತೆರೆದಿಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ: ಆಪ್ಟಿಕಲ್ ಕ್ಯಾರಕ್ಟರ್ ರೆಕಗ್ನಿಷನ್ (OCR) AI ಬಳಸಿ ಚಿತ್ರಗಳಿಂದ ಮತ್ತು ದಾಖಲೆಗಳಿಂದ ಪಠ್ಯ ಮತ್ತು ದತ್ತಾಂಶವನ್ನು ಹೊರತೆಗೆದು, ಅಸಂಘಟಿತ ವಿಷಯವನ್ನು ವ್ಯವಹಾರಕ್ಕೆ ತಕ್ಕಂತೆ ರಚಿತ ದತ್ತಾಂಶವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ ಮತ್ತು ಮೌಲ್ಯಮಯವಾದ ತಿಳಿವುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ವ್ಯಾಖ್ಯಾನ
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಂದರೆ ಮನುಷ್ಯನ ಬುದ್ಧಿಮತ್ತೆಯ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳನ್ನು ನಡೆಸಬಲ್ಲ, ಅಥವಾ ಮನುಷ್ಯನ ಸಾಮರ್ಥ್ಯಕ್ಕಿಂತ ಹೆಚ್ಚು ಪ್ರಮಾಣದ ದತ್ತಾಂಶವನ್ನು ವಿಶ್ಲೇಷಿಸಬಲ್ಲ ಕಂಪ್ಯೂಟರ್ಗಳು ಹಾಗೂ ಯಂತ್ರಗಳನ್ನು ನಿರ್ಮಿಸುವ ವಿಜ್ಞಾನದ ಶಾಖೆಯಾಗಿದೆ. AI ನ ಕ್ಷೇತ್ರವು ಬಹಳ ವಿಸ್ತಾರವಾಗಿದೆ, ಇದರಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ, ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ, ಅಂಕಿ-ಅಂಶ, ಹಾರ್ಡ್ವೇರ್ ಮತ್ತು ಸಾಫ್ಟ್ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್, ಭಾಷಾಶಾಸ್ತ್ರ, ನರಶಾಸ್ತ್ರ, ತತ್ತ್ವಶಾಸ್ತ್ರ ಹಾಗೂ ಮನೋವಿಜ್ಞಾನ ಎಲ್ಲವೂ ಒಳಗೊಂಡಿವೆ.
ವ್ಯವಹಾರಿಕವಾಗಿ, AI ಮುಖ್ಯವಾಗಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್ ಆಧಾರಿತ ತಂತ್ರಜ್ಞಾನಗಳ ಸಮೂಹವಾಗಿದೆ. ಇದನ್ನು ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ, ಭವಿಷ್ಯವಾಣಿ, ವಸ್ತು ವರ್ಗೀಕರಣ, ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ, ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಗಳು, ಬುದ್ಧಿವಂತ ದತ್ತಾಂಶ ಮರುಪಡೆಯುವುದು ಮುಂತಾದವುಗಳಿಗೆ ಬಳಸಲಾಗುತ್ತದೆ.
AI ಹೇಗೆ ಕಾರ್ಯ ನಿರ್ವಹಿಸುತ್ತದೆ?
ಪ್ರತ್ಯೇಕ ತಂತ್ರಗಳು ಬದಲಾಗುತ್ತವೆ, ಆದರೆ ಮೂಲ ತತ್ವ ದತ್ತಾಂಶದ ಮೇಲೆ ನಿಂತಿದೆ. AI ವ್ಯವಸ್ಥೆಗಳು ಅಪಾರ ಪ್ರಮಾಣದ ದತ್ತಾಂಶವನ್ನು ಬಳಸಿಕೊಂಡು ಕಲಿಯುತ್ತವೆ, ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ ಮತ್ತು ಮನುಷ್ಯರಿಗೆ ಕಾಣದ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತವೆ.
ಈ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆ ಸಾಮಾನ್ಯವಾಗಿ ಅಲ್ಗೊರಿದಮ್ಧಗೆ ಆಧಾರಿತವಾಗಿದೆ. ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ನಲ್ಲಿ, ಅಲ್ಗೊರಿದಮ್ಗಳನ್ನು ಲೇಬಲ್ ಮಾಡಲಾದ ಅಥವಾ ಮಾಡದ ದತ್ತಾಂಶಗಳ ಮೇಲೆ ತರಬೇತುಗೊಳಿಸಿ, ಭವಿಷ್ಯವಾಣಿ ಹೇಳುವ ಅಥವಾ ವರ್ಗೀಕರಿಸಲು ಬಳಸಲಾಗುತ್ತಿದೆ.
ಡೀಪ್ ಲರ್ನಿಂಗ್ ಇದಕ್ಕಿಂತ ಒಂದು ಹಂತ ಮೇಲಿದ್ದು, ಮನುಷ್ಯನ ಮೆದಳಿನ ನರಜಾಲವನ್ನು ಅನುಕರಿಸಿ ಬಹು-ಪದರಗಳ ಕೃತಕ ನರಜಾಲಗಳನ್ನು ಬಳಸುತ್ತದೆ. ನಿರಂತರ ಕಲಿಕೆಯ ಮೂಲಕ, AI ಚಿತ್ರ ಗುರುತಿಸುವುದರಿಂದ ಹಿಡಿದು ಭಾಷೆಗಳನ್ನು ಅನುವಾದಿಸುವ ತನಕ ವಿವಿಧ ಕಾರ್ಯಗಳಲ್ಲಿ ಪರಿಣತಿ ಹೊಂದಿದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಹಂತಗಳು
AI ಯನ್ನು ಹಲವು ರೀತಿಯಲ್ಲಿ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ. ಸಾಮಾನ್ಯವಾಗಿ ನಾಲ್ಕು ಹಂತಗಳನ್ನು ಗುರುತಿಸಲಾಗವುದು.
1. ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಯಂತ್ರಗಳು – ಪೂರ್ವಪ್ರೋಗ್ರಾಮ್ ಮಾಡಿದ ನಿಯಮಗಳ ಆಧಾರದ ಮೇಲೆ ಮಾತ್ರ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಸೀಮಿತ AI.ಉದಾ: 1997ರಲ್ಲಿ ಗ್ಯಾರಿ ಕಾಸ್ಪರೋವ್ ವಿರುದ್ಧ ಗೆದ್ದ IBM ನ Deep Blue .
2. ಮಿತಿಯ ಸ್ಮೃತಿ – ಆಧುನಿಕ AI ಯ ಹೆಚ್ಚಿನ ಭಾಗ ಇದರಲ್ಲಿ ಸೇರಿದೆ. ಹೊಸ ದತ್ತಾಂಶದಿಂದ ತರಬೇತುಗೊಂಡು ಸುಧಾರಿಸುವ ಕೆಲಸ ಮಿತಿಯ ಸ್ಮೃತಿ ತನ್ನ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.ಉದಾ: ಡೀಪ್ ಲರ್ನಿಂಗ್.
3. ಮನಸ್ಸಿನ ಸಿದ್ದಾಂತ –ಇನ್ನೂ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ, ಆದರೆ ಸಂಶೋಧನೆ ನಡೆಯುತ್ತಿದೆ . ಮನುಷ್ಯನ ಮನಸ್ಸನ್ನು ಅನುಕರಿಸಿ, ಭಾವನೆಗಳನ್ನು ಗುರುತಿಸಿ, ಸಮಾಜದಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರುವ AI.
4. ಸ್ವ-ಜ್ಞಾನ (Self-aware) –ತನ್ನ ಅಸ್ತಿತ್ವವನ್ನು ಅರಿತುಕೊಂಡಿರುವ, ಬೌದ್ಧಿಕ ಹಾಗೂ ಭಾವನಾತ್ಮಕ ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರುವ ಕಲ್ಪಿತ AI.
ಇವುಗಳ ಹೊರತಾಗಿ, ಇನ್ನೊಂದು ವರ್ಗೀಕರಣವು ಇದೆ AI ನ ಸಾಮರ್ಥ್ಯಗಳ ಆಧಾರದ ಮೇರೆಗೆ ಇದನ್ನು ವಿಂಗಡಿಸಲಾಗಿದೆ.
ಸೀಮಿತ (Narrow) AI – ಒಂದೇ ಕಾರ್ಯದಲ್ಲಿ ಪರಿಣತಿಉದಾ: Google Search, Virtual Assistants.
ಸಾಮಾನ್ಯ (AGI) – ಮನುಷ್ಯನಂತೆ “ಅನುಭವಿಸು, ಯೋಚಿಸು, ಕಾರ್ಯನಿರ್ವಹಿಸು” ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರುವ AI (ಇನ್ನೂ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ).
ಅತಿ ಬುದ್ಧಿವಂತ (ASI) – ಮನುಷ್ಯನಿಗಿಂತಲೂ ಶ್ರೇಷ್ಠವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಯಂತ್ರ (ಭವಿಷ್ಯದ ಕಲ್ಪನೆ).
AI ಯ ತರಬೇತಿ ಮಾದರಿಗಳು
AIಯಲ್ಲಿ “ಟ್ರೈನಿಂಗ್ ಡೇಟಾ” ಬಹಳ ಮುಖ್ಯ. ತರಬೇತಿ ದತ್ತಾಂಶ (Training data) ಅಂದರೆ ಯಂತ್ರ ಅಧ್ಯಯನ (Machine Learning) ಮಾದರಿಯನ್ನು “ಕಲಿಸುವ” ಮೂಲ ಆಧಾರ. ಇದು ಯಂತ್ರಕ್ಕೆ ಹೇಗೆ ಮುನ್ಸೂಚನೆ ಮಾಡಬೇಕು, ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಬೇಕು, ಅಥವಾ ಹೊಸ ವಿಷಯವನ್ನು ರಚಿಸಬೇಕು ಎಂಬುದನ್ನು ತಿಳಿಸುವ ಮಾಹಿತಿಯಾಗಿದೆ. ಒಂದು ಆಲ್ಗೊರಿಥಮ್ ದೊಡ್ಡ ಪ್ರಮಾಣದ ದತ್ತಾಂಶವನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿದ ನಂತರ, ಅದನ್ನು “ತರಬೇತಿಗೊಂಡಿದೆ” ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ—ಅಂದರೆ ಅದು ಈಗ ವಿವಿಧ ಕೆಲಸಗಳಿಗೆ ಸಿದ್ಧವಾಗಿದೆ.
ಇದರಲ್ಲಿ ನಾಲ್ಕು ಪ್ರಮುಖ ಮಾದರಿಗಳಿವೆ :
1. Supervised Learning – ಲೇಬಲ್ ಮಾಡಲಾದ (ರಚಿತ) ದತ್ತಾಂಶದ ಮೂಲಕ ಕಲಿಕೆ.ಉದಾ: ಬೆಕ್ಕಿನ ಚಿತ್ರಗಳನ್ನು “ಬೆಕ್ಕು” ಎಂದು ಲೇಬಲ್ ಮಾಡಿ ತರಬೇತಿ ನೀಡುವುದು.
2. Unsupervised Learning – ಲೇಬಲ್ ಮಾಡದ (ಅರಚಿತ) ದತ್ತಾಂಶದಿಂದ ಮಾದರಿಗಳನ್ನು ಹುಡುಕುವುದು.ಉದಾ: ಮಾದರಿ ಗುರುತಿಸುವುದು, ವರ್ಗೀಕರಣ.
3. Semi-supervised Learning – ಭಾಗಶಃ ಲೇಬಲ್ ಮಾಡಲಾದ ದತ್ತಾಂಶ. ಫಲಿತಾಂಶ ಗೊತ್ತಿದೆ, ಆದರೆ ಅದನ್ನು ಪಡೆಯಲು ಅಲ್ಗೊರಿದಮ್ ಸ್ವತಃ ಕಲಿಯಬೇಕು.
4. Reinforcement Learning –“ಮಾಡಿ ಕಲಿಯುವುದು.” ಏಜೆಂಟ್ ಪ್ರಯತ್ನ-ದೋಷ ವಿಧಾನದಿಂದ ಕಾರ್ಯವನ್ನು ಕಲಿಯುತ್ತದೆ.ಉದಾ: ರೋಬೋಟಿಕ್ ಕೈಯಿಂದ ಚೆಂಡು ಎತ್ತಿಸುವುದು.
ಕೃತಕ ನರಜಾಲಗಳ ಪ್ರಕಾರಗಳು
AIಯಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಮಾದರಿ ಕೃತಕ ನರಜಾಲ (Artificial Neural Network).
Feedforward Neural Networks (FFN) – ಪುರಾತನ ಮಾದರಿ, ದತ್ತಾಂಶ ಒಂದು ದಿಕ್ಕಿನಲ್ಲಿ ಹರಿಯುತ್ತದೆ.“Backpropagation” ಮೂಲಕ ತಪ್ಪುಗಳನ್ನು ಸರಿಪಡಿಸುತ್ತವೆ.
Recurrent Neural Networks (RNN) – ಸರಣಿ ದತ್ತಾಂಶ (Time Series) ನಿರ್ವಹಣೆ. ಹಿಂದಿನ ಹಂತದ ಮಾಹಿತಿಯನ್ನು “ಸ್ಮರಣೆ” ಇಟ್ಟುಕೊಳ್ಳುತ್ತದೆ.ಉದಾ: ಮಾತು ಗುರುತಿಸುವಿಕೆ, ಭಾಷಾಂತರ.
Long Short-Term Memory (LSTM) – RNN ನ ಅಭಿವೃದ್ಧಿ, ಹಳೆಯ ಪದರಗಳ ಮಾಹಿತಿಯನ್ನೂ ನೆನಪಿಡಬಲ್ಲದು.ಉದಾ: ಮಾತು ಗುರುತಿಸುವಿಕೆ, ಭವಿಷ್ಯವಾಣಿ.
Convolutional Neural Networks (CNN) – ಅತ್ಯಂತ ಸಾಮಾನ್ಯ. ಮುಖ್ಯವಾಗಿ ಚಿತ್ರ ಗುರುತಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ವಿಭಿನ್ನ ಪದರಗಳಲ್ಲಿ ಬಣ್ಣ, ಅಂಚು ಮುಂತಾದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗುರುತಿಸಿ, ನಂತರ ಒಟ್ಟುಗೂಡಿಸುತ್ತವೆ.
Generative Adversarial Networks (GAN) – ಎರಡು ನರಜಾಲಗಳ *ನಡುವಿನ ಸ್ಪರ್ಧೆ* ಮೂಲಕ ಹೆಚ್ಚು ನಿಖರವಾದ ಫಲಿತಾಂಶ ಪಡೆಯುವುದು. (ಉದಾ: ನೈಜ ಚಿತ್ರಗಳನ್ನು ರಚಿಸುವುದು, ಕಲೆ ನಿರ್ಮಿಸುವುದು).
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಇವತ್ತಿನ ಪ್ರಸ್ತುತ ಜಗತ್ತಿನ ಒಂದು ಅತ್ಯಂತ ವೇಗವಾಗಿ ಮಾನವ ಜೀವನದಲ್ಲಿ ಕಂಡಂತಹ ತಾಂತ್ರಿಕ ಕ್ರಾಂತಿ ಎಂದು ಹೇಳಬಹುದು. ಏಕೆಂದರೆ, ಈ ಈ ತಾಂತ್ರಿಕ ಕ್ರಾಂತಿಯಿಂದ ಸಮಾಜದ ಎಲ್ಲ ವಿಭಾಗವು ಇವತ್ತು ದೊಡ್ಡ ಹಂತದಲ್ಲಿ ಬದಲಾಗುತ್ತಿವೆ ಹಾಗೂ ಮನುಷ್ಯರ ಜೀವನ ಕೂಡ ಎಷ್ಟು ಸುಲಭವಾಗುತ್ತಿದ್ದೆವು, ಅಷ್ಟೇ ಸಮಸ್ಯೆಗಳು ಕೂಡ ಬೆಳೆಯುತ್ತಿದೆ. ಆದುದರಿಂದ ಇದರ ಸದುಪಯೋಗ ಪಡೆಯುವ ನಿಟ್ಟಿನಲ್ಲಿ ಹಾಗೂ ಮಾನವ ಜೀವನ ಘನತೆಯನ್ನು ಅದೇ ರೀತಿ ಪರಿಸರವೂ ಕೂಡ ಹಾನಿಯಾಗದಂತೆ ಇದರ ಬಳಕೆ ಅಗತ್ಯವಾಗಿದೆ.
