കൃത്രിമബുദ്ധി ചിന്തിക്കാനും പഠിക്കാനും ശീലിക്കുന്നതെങ്ങനെ?

കൃത്രിമബുദ്ധി ചിന്തിക്കാനും പഠിക്കാനും ശീലിക്കുന്നതെങ്ങനെ?

🔗 Share Article

ഡിജിറ്റൽ മസ്തിഷ്കത്തിന്റെ ഉദയം: കൃത്രിമബുദ്ധി എങ്ങനെ ചിന്തിക്കുന്നു?

ഇന്നത്തെ ഡിജിറ്റൽ യുഗത്തിൽ നാം ഏറ്റവുമധികം കേൾക്കുന്ന രണ്ടു വാക്കുകളാണ് കൃത്രിമബുദ്ധി (Artificial Intelligence) അഥവാ എ.ഐ, കൂടാതെ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ (Neural Networks) എന്നിവ. നമ്മൾ മൊബൈൽ ഫോൺ അൺലോക്ക് ചെയ്യാൻ ഫെയ്സ് റെക്കഗ്നിഷൻ ഉപയോഗിക്കുമ്പോഴും, യൂട്യൂബിൽ അടുത്ത വീഡിയോ കാണാൻ അൽഗോരിതം നിർദ്ദേശങ്ങൾ തരുമ്പോഴും, അല്ലെങ്കിൽ ചാറ്റ്ജിപിറ്റിയോട് (ChatGPT) സങ്കീർണ്ണമായ ചോദ്യങ്ങൾ ചോദിക്കുമ്പോഴും ഇതിനു പിന്നിൽ പ്രവർത്തിക്കുന്നത് ഈ സാങ്കേതികവിദ്യയാണ്. എന്നാൽ ഭൂരിഭാഗം ആളുകൾക്കും ഇത് ഒരു അമാനുഷികമായ വിദ്യയോ, അല്ലെങ്കിൽ മാജിക്കോ ആയിട്ടാണ് അനുഭവപ്പെടാറുള്ളത്. ഒരു കമ്പ്യൂട്ടർ പ്രോഗ്രാമിന് എങ്ങനെയാണ് ഒരു മനുഷ്യനെപ്പോലെ ചിന്തിക്കാനും തെറ്റുകളിൽ നിന്ന് പഠിക്കാനും സാധിക്കുന്നത്? അത് യഥാർത്ഥത്തിൽ ചിന്തിക്കുക തന്നെയാണോ അതോ ഗണിതശാസ്ത്രപരമായ ചില സൂത്രവിദ്യകൾ മാത്രമാണോ?

പലരും കരുതുന്നത് എ.ഐ എന്നത് ഒരു മുറിയിൽ ഇരുന്ന് കോഡ് ചെയ്യുന്ന പ്രോഗ്രാമർമാർ കൊടുക്കുന്ന ആയിരക്കണക്കിന് വരി നിബന്ധനകളുടെ (If-Else Rules) സമാഹാരം മാത്രമാണെന്നാണ്. എന്നാൽ പരമ്പരാഗത കമ്പ്യൂട്ടർ പ്രോഗ്രാമിംഗിൽ നിന്നും തികച്ചും വ്യത്യസ്തമാണ് ‘മെഷീൻ ലേണിംഗ്’ അഥവാ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പ്രവർത്തനം. പരമ്പരാഗത പ്രോഗ്രാമിംഗിൽ നമ്മൾ ഡാറ്റയും നിയമങ്ങളും (Rules) നൽകുന്നു, കമ്പ്യൂട്ടർ ഉത്തരങ്ങൾ തരുന്നു. എന്നാൽ കൃത്രിമബുദ്ധിയിൽ നമ്മൾ വൻതോതിലുള്ള ഡാറ്റയും അന്തിമ ഉത്തരങ്ങളും നൽകുന്നു, അത് സ്വയം നിയമങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നു. ഇതൊരു കുട്ടി ലോകത്തെ നിരീക്ഷിച്ച് കാര്യങ്ങൾ പഠിച്ചെടുക്കുന്നതുപോലെ വളരെ സ്വാഭാവികമായ ഒരു പ്രക്രിയയാണ്.

ഒരു ചെറിയ കുട്ടിക്ക് പൂച്ചയെയും നായയെയും വേർതിരിച്ചു കാണാൻ നമ്മൾ ഗണിത സമവാക്യങ്ങളോ ശരീരഘടനയുടെ സങ്കീർണ്ണമായ വ്യാഖ്യാനങ്ങളോ പഠിപ്പിച്ചു കൊടുക്കാറില്ല. പകരം, നമ്മൾ അവരെ പലതരം പൂച്ചകളുടെയും നായ്ക്കളുടെയും ചിത്രങ്ങൾ കാണിക്കുന്നു, “ഇത് പൂച്ചയാണ്, ഇത് നായയാണ്” എന്ന് പറഞ്ഞു കൊടുക്കുന്നു. കുട്ടി തന്റെ മനസ്സിൽ അറിയാതെ തന്നെ ചില പാറ്റേണുകൾ ഗ്രഹിക്കുന്നു—പൂച്ചയുടെ ചെവിയുടെ ആകൃതി, വാലിന്റെ നീളം, വിളി കേൾക്കുന്ന രീതി എന്നിവ. പലതവണ തെറ്റുകൾ വരുത്തിയ ശേഷം, കുട്ടി കൃത്യമായി തിരിച്ചറിയാൻ തുടങ്ങുന്നു. കൃത്യമായി ഇതുപോലെ തന്നെയാണ് ന്യൂറൽ നെറ്റ്‌വർക്കുകളും വിവരങ്ങൾ ഗ്രഹിക്കുന്നത്. ഈ ലേഖനത്തിൽ, സങ്കീർണ്ണമായ ഗണിതശാസ്ത്ര സിദ്ധാന്തങ്ങളുടെ സങ്കീർണ്ണതകളിലേക്ക് പോകാതെ, ലളിതമായ ഉപമകളിലൂടെയും ഉദാഹരണങ്ങളിലൂടെയും ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എങ്ങനെ പഠിക്കുന്നു എന്ന് നമുക്ക് പരിശോധിച്ച് നോക്കാം.

മനുഷ്യന്റെ ചിന്താശേഷിയെ പൂർണ്ണമായി അനുകരിക്കാൻ നമുക്ക് ആയിട്ടില്ലെങ്കിലും, തലച്ചോറിലെ കോശങ്ങൾ പ്രവർത്തിക്കുന്ന അതേ മാതൃക ഡിജിറ്റലായി പുനഃസൃഷ്ടിക്കാനുള്ള മനുഷ്യന്റെ ആഗ്രഹത്തിൽ നിന്നാണ് കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ (Artificial Neural Networks – ANN) തുടക്കം. ഇന്ന് ലോകത്തെ അമ്പരപ്പിക്കുന്ന ഡ്രൈവർരഹിത കാറുകൾ, രോഗനിർണ്ണയ സംവിധാനങ്ങൾ, ഭാഷാ പരിഭാഷകൾ എന്നിവയെല്ലാം സാധ്യമാക്കിയത് ഈ അടിസ്ഥാന ആശയത്തിന്റെ വികാസമാണ്. ഇനി നമുക്ക് ഈ വിസ്മയ ലോകത്തിന്റെ ഉള്ളറകളിലേക്ക് കടക്കാം.

മനുഷ്യ മസ്തിഷ്കവും ന്യൂറൽ നെറ്റ്‌വർക്കുകളും: ഒരു സമാന്തര പാത

കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പ്രവർത്തനം മനസ്സിലാക്കാൻ നമ്മൾ ആദ്യം നോക്കേണ്ടത് മനുഷ്യന്റെ മസ്തിഷ്കത്തിലേക്കാണ്. നമ്മുടെ തലച്ചോറിൽ ഏകദേശം 86 ശതകോടി (86 Billion) ന്യൂറോണുകൾ അഥവാ നാഡീകോശങ്ങളുണ്ട്. ഇവ ഓരോന്നും പരസ്പരം കോടിക്കണക്കിന് പൾസുകളിലൂടെ ബന്ധപ്പെട്ടിരിക്കുന്നു. ഒരു പുതിയ കാര്യം പഠിക്കുമ്പോൾ—ഉദാഹരണത്തിന് സൈക്കിൾ ചവിട്ടാൻ പഠിക്കുമ്പോഴോ അല്ലെങ്കിൽ ഒരു പുതിയ സംഗീത ഉപകരണം വായിക്കുമ്പോഴോ—നമ്മുടെ തലച്ചോറിലെ ചില പ്രത്യേക ന്യൂറോണുകൾ തമ്മിലുള്ള ബന്ധം കൂടുതൽ ശക്തമാകുന്നു. വീണ്ടും വീണ്ടും പരിശീലിക്കുമ്പോൾ ഈ ബന്ധങ്ങൾ (Synapses) ബലപ്പെടുകയും ആ പ്രവർത്തനം നമ്മുടെ അബോധമനസ്സിന്റെ ഭാഗമായി മാറുകയും ചെയ്യുന്നു.

കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഇതുതന്നെയാണ് ചെയ്യുന്നത്, എന്നാൽ പൂർണ്ണമായും ഡിജിറ്റൽ രൂപത്തിലാണെന്ന് മാത്രം. ഇതിൽ ന്യൂറോണുകൾക്ക് പകരം ‘നോഡുകൾ’ (Nodes) അല്ലെങ്കിൽ കൃത്രിമ ന്യൂറോണുകൾ അടങ്ങിയിരിക്കുന്നു. ഇവയെ പ്രധാനമായും മൂന്ന് പാളികളായി (Layers) തിരിക്കാം: ഇൻപുട്ട് ലെയർ (Input Layer), ഹിഡൻ ലെയറുകൾ (Hidden Layers), ഔട്ട്പുട്ട് ലെയർ (Output Layer). ഒരു ചിത്രമോ ശബ്ദമോ വാക്കോ ഇൻപുട്ട് ലെയറിലൂടെ സിസ്റ്റത്തിലേക്ക് പ്രവേശിക്കുന്നു. ഹിഡൻ ലെയറുകൾ ആ വിവരങ്ങളെ വിശകലനം ചെയ്യുന്നു. ഒടുവിൽ ഔട്ട്പുട്ട് ലെയർ നമുക്ക് ആവശ്യമുള്ള നിഗമനത്തിലെത്തിച്ചേരുന്നു.

ഉദാഹരണത്തിന്, ഒരു ഫോട്ടോയിലെ മൃഗം പൂച്ചയാണോ നായയാണോ എന്ന് കണ്ടെത്തേണ്ട ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് സങ്കൽപ്പിക്കുക. ഇവിടെ ചിത്രത്തിലെ ഓരോ പിക്സലിന്റെയും കളർ കോഡുകൾ ഇൻപുട്ട് ലെയറിലെ നോഡുകളിലേക്ക് നൽകുന്നു. ആദ്യത്തെ ഹിഡൻ ലെയർ ഒരുപക്ഷേ ചിത്രത്തിലെ ലളിതമായ വരകളും അരികുകളും (Edges) തിരിച്ചറിയാം. രണ്ടാമത്തെ ഹിഡൻ ലെയർ ആ വരകൾ ചേർന്നുണ്ടാകുന്ന ചെവി, കണ്ണ്, മൂക്ക് എന്നിവയുടെ ആകൃതി തിരിച്ചറിയാം. മൂന്നാമത്തെ ലെയർ ഈ അവയവങ്ങൾ ചേർന്നുള്ള പൂർണ്ണമായ മുഖം മനസ്സിലാക്കുന്നു. ഒടുവിൽ, ഔട്ട്പുട്ട് ലെയർ “ഇതൊരു പൂച്ചയാകാൻ 95% സാധ്യതയുണ്ട്” എന്ന് പ്രഖ്യാപിക്കുന്നു.

1958-ൽ ഫ്രാങ്ക് റോസൻബ്ലാറ്റ് (Frank Rosenblatt) എന്ന ശാസ്ത്രജ്ഞൻ ‘പെർസെപ്ട്രോൺ’ (Perceptron) എന്ന പേരിൽ ആദ്യത്തെ കൃത്രിമ ന്യൂറോൺ വികസിപ്പിച്ചെടുത്തപ്പോൾ ശാസ്ത്രലോകം വലിയ അത്ഭുതത്തോടെയാണ് അതിനെ കണ്ടത്. കമ്പ്യൂട്ടറുകൾ ഭാവിയിൽ മനുഷ്യരെപ്പോലെ സംസാരിക്കുമെന്നും ചിന്തിക്കുമെന്നും അന്ന് പ്രവചിക്കപ്പെട്ടു. എന്നാൽ തുടക്കത്തിൽ ഈ സാങ്കേതികവിദ്യക്ക് വളരെ പരിമിതമായ ശേഷി മാത്രമേ ഉണ്ടായിരുന്നുള്ളൂ. പിൽക്കാലത്ത് ‘ഡീപ്പ് ലേണിംഗ്’ (Deep Learning) അഥവാ ഒന്നിലധികം ഹിഡൻ ലെയറുകൾ ഉപയോഗിച്ചുള്ള പഠനരീതി നിലവിൽ വന്നതോടെയാണ് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഇന്നത്തെ രീതിയിൽ സർവ്വവ്യാപിയായത്.

ഇൻപുട്ട്, വെയ്റ്റുകൾ, ബയാസ്: ഗണിതത്തിന്റെ മാജിക് കൂട്ട്

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് യഥാർത്ഥത്തിൽ വിവരങ്ങളെ എങ്ങനെയാണ് പ്രോസസ്സ് ചെയ്യുന്നത്? ഇതിനായി അതിനുള്ളിൽ പ്രവർത്തിക്കുന്ന പ്രധാനപ്പെട്ട മൂന്ന് ഘടകങ്ങളെ പരിചയപ്പെടേണ്ടതുണ്ട്: ഇൻപുട്ട് (Input), വെയ്റ്റുകൾ (Weights), ബയാസ് (Bias). ഇവയെ ഒരു പാചകരീതിയോട് (Recipe) ഉപമിക്കാം. നിങ്ങൾ ഒരു സ്വാദിഷ്ടമായ ചായ ഉണ്ടാക്കാൻ ശ്രമിക്കുകയാണെന്ന് കരുതുക. പാൽ, വെള്ളം, തേയില, പഞ്ചസാര എന്നിവയാണ് നിങ്ങളുടെ ഇൻപുട്ടുകൾ.

പക്ഷേ, ചായയുടെ രുചി തീരുമാനിക്കുന്നത് ഈ ചേരുവകൾ എത്രത്തോളം പ്രധാനമാണ് എന്നതിനെ ആശ്രയിച്ചായിരിക്കും. ചായക്ക് ഏറ്റവും അത്യാവശ്യം തേയിലയും പാലും തന്നെയാണ്; എന്നാൽ ഏലക്കയോ ഇഞ്ചിയോ ഇല്ലെങ്കിലും ചായ ചായയായി തന്നെ നിൽക്കും. ഇവിടെ ഓരോ ചേരുവയ്ക്കും നമ്മൾ നൽകുന്ന മുൻഗണനയാണ് ‘വെയ്റ്റ്’ (Weight). ന്യൂറൽ നെറ്റ്‌വർക്കിൽ, ഒരു ഇൻപുട്ടിന് അന്തിമ തീരുമാനത്തിൽ എത്രത്തോളം സ്വാധീനമുണ്ട് എന്ന് നിർണ്ണയിക്കുന്നത് വെയ്റ്റുകളാണ്. പ്രാധാന്യം കൂടുതലുള്ള ഇൻപുട്ടുകൾക്ക് വലിയ വെയ്റ്റുകളും, പ്രാധാന്യം കുറഞ്ഞവയ്ക്ക് ചെറിയ വെയ്റ്റുകളും നൽകപ്പെടുന്നു.

അടുത്തതാണ് ‘ബയാസ്’ (Bias). നിങ്ങൾ എത്രയൊക്കെ ശരിയായ അളവിൽ ചേരുവകൾ ചേർത്താലും, ചായ ചൂടാക്കാൻ ആവശ്യത്തിന് തീ കൊടുത്തില്ലെങ്കിൽ ചായ തയ്യാറാവില്ല. ഒരു ന്യൂറോൺ ഉത്തേജിപ്പിക്കപ്പെടണമെങ്കിൽ (Activate ആകണമെങ്കിൽ) ഒരു നിശ്ചിത പരിധി (Threshold) കടക്കേണ്ടതുണ്ട്. ആ പരിധിയെ നിയന്ത്രിക്കുന്ന, അല്ലെങ്കിൽ അല്പം കൂട്ടി കൊടുക്കുന്ന ഘടകമാണ് ബയാസ്. അതായത്, എല്ലാ ഇൻപുട്ടുകളും വെയ്റ്റുകളും പൂജ്യമാണെങ്കിൽ പോലും, സിസ്റ്റത്തിന് നൽകപ്പെടുന്ന ഒരു അടിസ്ഥാന മൂല്യമാണ് ബയാസ്.

ഓരോ നോഡിലും സംഭവിക്കുന്നത് ഇതാണ്: അത് തനിക്ക് ലഭിക്കുന്ന ഇൻപുട്ടുകളെ അവയുടെ വെയ്റ്റുകൾ കൊണ്ട് ഗുണിക്കുന്നു, അവയെല്ലാം തമ്മിൽ കൂട്ടുന്നു, അതിനോടൊപ്പം ബയാസ് കൂട്ടിച്ചേർക്കുന്നു. തുടർന്ന് ഇതിനെ ഒരു ‘ആക്റ്റിവേഷൻ ഫംഗ്ഷൻ’ (Activation Function) വഴി കടത്തിവിടുന്നു. ഈ ഫംഗ്ഷനാണ് ഒരു ന്യൂറോൺ അടുത്ത പാളികളിലേക്ക് സന്ദേശം അയക്കണമോ വേണ്ടയോ എന്ന് തീരുമാനിക്കുന്നത്. ലളിതമായി പറഞ്ഞാൽ, ഒരു സ്വിച്ച് ഓൺ ആകണോ ഓഫാകണോ എന്ന് നിർണ്ണയിക്കുന്ന ഗണിതമാണിത്.

ട്രയൽ ആന്റ് എറർ: തെറ്റുകളിൽ നിന്ന് പഠിക്കുന്ന മെഷീൻ

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് നിർമ്മിക്കുമ്പോൾ, തുടക്കത്തിൽ അതിന്റെ വെയ്റ്റുകളും ബയാസുകളും തികച്ചും യാദൃശ്ചികമായി (Random Values) ക്രമീകരിച്ചവയായിരിക്കും. അതുകൊണ്ട് തന്നെ, ആദ്യമൊക്കെ അത് നൽകുന്ന പ്രവചനങ്ങൾ തികച്ചും തെറ്റായിരിക്കും. ഒരു പൂച്ചയുടെ പടം കാണിച്ചാൽ അത് ഒരുപക്ഷേ “ഇതൊരു വിമാനമാണ്” എന്ന് പറഞ്ഞേക്കാം! എന്നാൽ ഇവിടെയാണ് മെഷീൻ ലേണിംഗിലെ ഏറ്റവും അത്ഭുതകരമായ ‘പഠന പ്രക്രിയ’ ആരംഭിക്കുന്നത്.

കമ്പ്യൂട്ടറിന് താൻ വരുത്തിയ തെറ്റിന്റെ വ്യാപ്തി അളക്കാൻ ഒരു വഴിയുണ്ട്. അതിനെയാണ് ‘ലോസ് ഫംഗ്ഷൻ’ (Loss Function) അല്ലെങ്കിൽ ‘കോസ്റ്റ് ഫംഗ്ഷൻ’ എന്ന് വിളിക്കുന്നത്. ഉദാഹരണത്തിന്, നമ്മൾ ഒരു ലക്ഷ്യത്തിലേക്ക് ബാസ്‌ക്കറ്റ് ബോൾ എറിയുകയാണെന്ന് കരുതുക. ബോൾ റിംഗിൽ വീഴാതെ എത്ര അകലെയായി വീണു എന്ന് നമ്മൾ അളക്കാറില്ലേ? ആ അകലമാണ് ലോസ് ഫംഗ്ഷൻ. എ.ഐ പ്രവചിച്ച ഉത്തരവും യഥാർത്ഥ ഉത്തരവും തമ്മിലുള്ള വ്യത്യാസത്തിന്റെ അളവാണിത്. ലോസ് ഫംഗ്ഷന്റെ മൂല്യം പരമാവധി കുറയ്ക്കുക അഥവാ പൂജ്യത്തോട് അടുപ്പിക്കുക എന്നതാണ് ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ പ്രധാന ലക്ഷ്യം.

തുടക്കത്തിൽ ഒരു കൊച്ചുകുട്ടി വില്ലും അമ്പും ഉപയോഗിച്ച് ലക്ഷ്യസ്ഥാനത്തേക്ക് എയ്യാൻ ശ്രമിക്കുന്നത് സങ്കൽപ്പിക്കുക. ആദ്യത്തെ ശ്രമത്തിൽ അമ്പ് ലക്ഷ്യസ്ഥാനത്തിന് വളരെ വലതുവശത്തായി വീഴുന്നു (വലിയ ലോസ് ഫംഗ്ഷൻ). അടുത്ത തവണ കുട്ടി അല്പം ഇടത്തോട്ട് മാറ്റി എയ്യുന്നു. അപ്പോൾ അത് ലക്ഷ്യത്തിന് മുകളിലായി പോകുന്നു. ഈ ഓരോ തെറ്റിൽ നിന്നും കുട്ടി തന്റെ കൈകളുടെ സ്ഥാനവും നൽകേണ്ട ശക്തിയും ക്രമീകരിക്കുന്നു (Tuning). നൂറുകണക്കിന് തവണ പരിശീലിക്കുമ്പോൾ അമ്പ് കൃത്യമായി കേന്ദ്രത്തിൽ തറയ്ക്കുന്നു.

ന്യൂറൽ നെറ്റ്‌വർക്കും ഇതുതന്നെയാണ് ചെയ്യുന്നത്. ഓരോ ചിത്രവും വിശകലനം ചെയ്ത ശേഷം, താൻ വരുത്തിയ തെറ്റിന്റെ അളവ് അത് സ്വയം കണക്കാക്കുന്നു. താൻ നൽകിയ വെയ്റ്റുകളും ബയാസുകളും തെറ്റായതുകൊണ്ടാണ് ഈ അബദ്ധം സംഭവിച്ചതെന്ന് അത് തിരിച്ചറിയുന്നു. തുടര്‍ന്ന്, അടുത്ത തവണ കൂടുതൽ കൃത്യമായ ഉത്തരം നൽകാൻ വേണ്ടി അത് സ്വന്തം വെയ്റ്റുകളിൽ ചെറിയ മാറ്റങ്ങൾ വരുത്തുന്നു. ഈ തുടർച്ചയായ തിരുത്തൽ പ്രക്രിയയിലൂടെയാണ് മെഷീൻ ശരിക്കും ‘പഠിക്കുന്നത്’.

ബാക്ക്‌പ്രൊപ്പഗേഷൻ: സമയത്തിലൂടെ പിന്നോട്ട് സഞ്ചരിക്കുന്ന ട്യൂണിംഗ്

ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പഠനത്തിലെ ഏറ്റവും വിപ്ലവകരമായ ആശയമാണ് ‘ബാക്ക്‌പ്രൊപ്പഗേഷൻ’ (Backpropagation). ഇത് മനസ്സിലാക്കാൻ ഒരു സ്ഥാപനത്തിലെ ജീവനക്കാരുടെ ഉദാഹരണം എടുക്കാം. ഒരു കമ്പനിയിൽ ഒരു പുതിയ ഉൽപ്പന്നം ഉണ്ടാക്കി വിപണിയിൽ ഇറക്കി, പക്ഷേ അത് വൻ പരാജയമായി മാറുന്നു. കമ്പനിയുടെ സി.ഇ.ഒ പരാജയത്തിന്റെ ഉത്തരവാദിത്തം അന്വേഷിക്കുന്നു. മാനേജരെ വിളിച്ച് ചോദിക്കുന്നു, മാനേജർ അത് ഡിസൈനറുടെയും മാർക്കറ്റിംഗ് ടീമിന്റെയും തെറ്റാണെന്ന് പറയുന്നു. എല്ലാവരും ചേർന്ന് എവിടെയാണ് പിഴവ് സംഭവിച്ചതെന്ന് പിന്നോട്ട് പോയി (Backward) പരിശോധിച്ച്, അടുത്ത പ്രോജക്റ്റിൽ അത് തിരുത്തുന്നു.

ന്യൂറൽ നെറ്റ്‌വർക്കിലും നടക്കുന്നത് സമാനമായ ഒന്നാണ്. പ്രവചനം നടത്തിക്കഴിയുമ്പോൾ (Forward Pass), ഔട്ട്പുട്ട് ലെയറിൽ ലോസ് ഫംഗ്ഷൻ എത്രത്തോളം തെറ്റുണ്ടെന്ന് കണക്കാക്കുന്നു. തുടർന്ന്, ഈ തെറ്റിന്റെ ഉത്തരവാദിത്തം പിന്നിലേക്ക് (Backward Direction) സഞ്ചരിച്ച് ഓരോ ഹിഡൻ ലെയറുകളിലെയും ന്യൂറോണുകൾക്ക് വീതിച്ചു നൽകുന്നു. ഏതൊക്കെ വെയ്റ്റുകളാണ് ഈ വലിയ തെറ്റിന് കാരണമായത് എന്ന് കമ്പ്യൂട്ടർ കണക്കുകൂട്ടുന്നു.

ഈ തിരുത്തൽ പ്രക്രിയ കൃത്യമായി നടപ്പിലാക്കാൻ ഉപയോഗിക്കുന്ന അൽഗോരിതമാണ് ‘ഗ്രേഡിയന്റ് ഡിസന്റ്’ (Gradient Descent). ഇതിനെ ഒരു കൊടുകാറ്റുള്ള രാത്രിയിൽ, കട്ടിമൂടിയ മഞ്ഞുള്ള ഒരു മലമുകളിൽ പെട്ടുപോയ ഒരാളുടെ ഉദാഹരണത്തിലൂടെ മനസ്സിലാക്കാം. ആ വ്യക്തിക്ക് താഴെയുള്ള താഴ്‌വരയിലേക്ക് (ഏറ്റവും കുറഞ്ഞ ലോസ് ഉള്ള സ്ഥലം) എത്തണം, എന്നാൽ മഞ്ഞ് കാരണം വഴി ഒന്നും കാണാൻ സാധിക്കുന്നില്ല. അദ്ദേഹം എന്താണ് ചെയ്യുക? താൻ നിൽക്കുന്ന സ്ഥലത്തിന്റെ ചരിവ് (Gradient) കാൽപ്പാദം കൊണ്ട് തൊട്ടുനോക്കുന്നു. ചരിവ് താഴേക്ക് പോകുന്ന ദിശയിലേക്ക് അദ്ദേഹം ഒരടി മുന്നോട്ട് വെക്കുന്നു.

ഗ്രേഡിയന്റ് ഡിസന്റിൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് ചെയ്യുന്നതും ഇതുതന്നെയാണ്. അത് ലോസ് ഫംഗ്ഷന്റെ ചരിവ് കണക്കാക്കുന്നു. തെറ്റിന്റെ അളവ് ഏറ്റവും കുറയുന്ന ദിശയിലേക്ക് അത് വെയ്റ്റുകളെ തിരുത്തുന്നു. ഓരോ സ്റ്റെപ്പിലും എത്രത്തോളം മാറ്റം വരുത്തണം എന്ന് നിർണ്ണയിക്കുന്ന ഒന്നാണ് ‘ലേണിംഗ് റേറ്റ്’ (Learning Rate). കാലടി വളരെ വലുതാണെങ്കിൽ നമ്മൾ താഴ്‌വര കടന്ന് മറുഭാഗത്തെ മലയിലേക്ക് പോയേക്കാം; കാലടി വളരെ ചെറുതാണെങ്കിൽ താഴ്‌വരയിലെത്താൻ വർഷങ്ങളെടുക്കും. അതുകൊണ്ട് കൃത്യമായ ലേണിംഗ് റേറ്റ് തിരഞ്ഞെടുക്കുന്നത് വളരെ പ്രധാനമാണ്.

ഓവർഫിറ്റിംഗും അണ്ടർഫിറ്റിംഗും: കാണാപ്പാഠം പഠിക്കുന്ന മെഷീന്റെ അപകടങ്ങൾ

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ പഠിക്കുമ്പോൾ നേരിടുന്ന വലിയ രണ്ടു വെല്ലുവിളികളാണ് ‘ഓവർഫിറ്റിംഗ്’ (Overfitting), ‘അണ്ടർഫിറ്റിംഗ്’ (Underfitting) എന്നിവ. നമ്മുടെ സ്കൂളുകളിൽ പരീക്ഷയ്ക്ക് പഠിക്കുന്ന വിദ്യാർത്ഥികളെ ഉദാഹരണമായി എടുത്താൽ ഇത് വളരെ എളുപ്പത്തിൽ മനസ്സിലാകും.

ചില വിദ്യാർത്ഥികൾ പാഠപുസ്തകത്തിലെ കാര്യങ്ങളുടെ ആശയം മനസ്സിലാക്കാതെ, വാക്കുകളും അക്ഷരങ്ങളും വരിവരിയായി കാണാപ്പാഠം പഠിക്കുന്നു (Rote Learning). ഗൈഡിലെ എല്ലാ ചോദ്യങ്ങൾക്കും ഉത്തരങ്ങൾ അവർക്ക് മനഃപാഠമായിരിക്കും. എന്നാൽ പരീക്ഷയ്ക്ക് ചോദ്യത്തിന്റെ രൂപം അല്പം മാറ്റി ചോദിച്ചാൽ അവർ പൂർണ്ണമായും പരാജയപ്പെടും. എ.ഐയുടെ ലോകത്തിൽ ഇതിനെയാണ് ‘ഓവർഫിറ്റിംഗ്’ എന്ന് വിളിക്കുന്നത്. പരിശീലനത്തിനായി നൽകിയ ഡാറ്റയിലെ (Training Data) എല്ലാ വിശദാംശങ്ങളും, അതിലെ അനാവശ്യമായ വിവരങ്ങൾ (Noise) പോലും ന്യൂറൽ നെറ്റ്‌വർക്ക് കാണാപ്പാഠം പഠിച്ചു വെക്കുന്നു. തൽഫലമായി, മുമ്പ് കണ്ടിട്ടില്ലാത്ത പുതിയൊരു ഡാറ്റ വരുമ്പോൾ അത് തെറ്റായ ഉത്തരങ്ങൾ നൽകുന്നു.

മറുഭാഗത്ത് ‘അണ്ടർഫിറ്റിംഗ്’ എന്നാൽ, ഒരു വിദ്യാർത്ഥി പരീക്ഷയ്ക്ക് വേണ്ടത്ര പഠിക്കാതിരിക്കുന്ന അവസ്ഥയാണ്. അവൻ പാഠപുസ്തകം വച്ച് നോക്കിയാലും ചോദ്യങ്ങൾക്കൊന്നും ഉത്തരം എഴുതാൻ കഴിയില്ല. ന്യൂറൽ നെറ്റ്‌വർക്കിന് ആവശ്യത്തിന് ലെയറുകളോ നോഡുകളോ ಇಲ್ಲതിരിക്കുകയോ, അല്ലെങ്കിൽ വേണ്ടത്ര സമയം ട്രെയിനിംഗ് നൽകാതിരിക്കുകയോ ചെയ്യുമ്പോഴാണ് അണ്ടർഫിറ്റിംഗ് സംഭവിക്കുന്നത്. ഇത്തരം സിസ്റ്റങ്ങൾക്ക് ഡാറ്റയിലെ ലളിതമായ പാറ്റേണുകൾ പോലും തിരിച്ചറിയാൻ സാധിക്കില്ല.

മികച്ച ഒരു എ.ഐ മോഡൽ ഉണ്ടാക്കുക എന്നാൽ ഈ രണ്ട് അവസ്ഥകൾക്കും ഇടയിലുള്ള സമതുലിതാവസ്ഥ കൈവരിക്കുകയാണ്. ഇതിനായി ശാസ്ത്രജ്ഞർ ‘ഡ്രോപ്പ്ഔട്ട്’ (Dropout) എന്നൊരു വിദ്യ ഉപയോഗിക്കാറുണ്ട്. പരിശീലന സമയത്ത് ചില ന്യൂറോണുകളെ യാദൃശ്ചികമായി താത്കാലികമായി ഓഫാക്കി ഇടുന്നു. ഇത് വഴി നെറ്റ്‌വർക്ക് ഏതെങ്കിലും ഒരു ന്യൂറോണിനെ മാത്രം ആശ്രയിക്കാതെ, പൊതുവായ ആശയങ്ങൾ (General Concepts) പഠിക്കാൻ നിർബന്ധിതമാകുന്നു.

യഥാർത്ഥ ലോകത്തിലെ പ്രയോഗങ്ങൾ: ചിത്രം തിരിച്ചറിയൽ മുതൽ ചാറ്റ്ജിപിടി വരെ

ഈ സങ്കീർണ്ണമായ സിദ്ധാന്തങ്ങളെല്ലാം യഥാർത്ഥ ലോകത്തിൽ നമ്മൾ എങ്ങനെയാണ് അനുഭവിച്ചറിയുന്നത്? ഇന്ന് നാം കാണുന്ന അത്ഭുതകരമായ പല സാങ്കേതികവിദ്യകളുടെയും അസ്ഥിവാരം ഈ ന്യൂറൽ നെറ്റ്‌വർക്കുകളാണ്. അവയിൽ ചില പ്രധാന പ്രയോഗങ്ങൾ താഴെ പറയുന്നവയാണ്:

• കമ്പ്യൂട്ടർ വിഷൻ (Computer Vision): ഡ്രൈവർരഹിത കാറുകളായ ടെസ്ലയും മറ്റും തെരുവിലെ മനുഷ്യരെയും മറ്റ് വാഹനങ്ങളെയും റോഡ് ചിഹ്നങ്ങളെയും തിരിച്ചറിയുന്നത് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ചാണ്. Convolutional Neural Networks (CNN) എന്ന പ്രത്യേകതരം നെറ്റ്‌വർക്കുകളാണ് ചിത്രങ്ങളിലെ സൂക്ഷ്മ വിവരങ്ങൾ ഗ്രഹിക്കാൻ സഹായിക്കുന്നത്.
• നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് (NLP): ചാറ്റ്ജിപിറ്റി, ഗൂഗിൾ ജെമിനി തുടങ്ങിയ വമ്പൻ ഭാഷാ മോഡലുകൾ (Large Language Models) പ്രവർത്തിക്കുന്നത് ‘ട്രാൻസ്ഫോർമർ’ (Transformer) അധിഷ്ഠിത ന്യൂറൽ നെറ്റ്‌വർക്കുകളിലാണ്. ഒരു വാചകത്തിലെ വാക്കുകൾ തമ്മിലുള്ള സങ്കീർണ്ണമായ ബന്ധങ്ങൾ ഗ്രഹിക്കാനും, അടുത്തതായി വരാൻ സാധ്യതയുള്ള വാക്ക് പ്രവചിക്കാനും ഇവയ്ക്ക് സാധിക്കുന്നു.
• വൈദ്യശാസ്ത്ര രംഗം: എക്സ്-റേ, എം.ആർ.ഐ (MRI) സ്കാനുകൾ വിശകലനം ചെയ്ത് ക്യാൻസർ പോലുള്ള രോഗങ്ങൾ തുടക്കത്തിലേ കണ്ടെത്താൻ ഡോക്ടർമാരെക്കാൾ കൃത്യതയോടെ ചില ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് ഇന്ന് സാധിക്കുന്നുണ്ട്.
• സാമ്പത്തിക മേഖല: ബാങ്കുകളിൽ നടക്കുന്ന ക്രെഡിറ്റ് കാർഡ് തട്ടിപ്പുകൾ (Fraud Detection) നിമിഷനേരം കൊണ്ട് കണ്ടെത്താനും, ഓഹരി വിപണിയിലെ മാറ്റങ്ങൾ പ്രവചിക്കാനും ഇവ ഉപയോഗിക്കുന്നു.

ഇവ കൂടാതെ, നമ്മൾ കാണുന്ന വിനോദ പ്ലാറ്റ്‌ഫോമുകളായ നെറ്റ്ഫ്ലിക്സ്, സ്പോട്ടിഫൈ എന്നിവയിൽ നമുക്ക് ഇഷ്ടപ്പെടാൻ സാധ്യതയുള്ള സിനിമകളും പാട്ടുകളും നിർദ്ദേശിക്കുന്നതിനും പിന്നിൽ പ്രവർത്തിക്കുന്നത് ഈ അൽഗോരിതങ്ങൾ തന്നെയാണ്.

ധാരണകളും തെറ്റിദ്ധാരണകളും: AI യഥാർത്ഥത്തിൽ ബോധമുള്ളതാണോ?

എ.ഐയുടെ അതിവേഗ വളർച്ച കാണുമ്പോൾ പലരിലും ഉണ്ടാകുന്ന പ്രധാന ഭയമാണ് കമ്പ്യൂട്ടറുകൾക്ക് മനുഷ്യരെപ്പോലെ ബോധവും (Consciousness) വികാരങ്ങളും ഉണ്ടാകുമോ എന്നത്. സയൻസ് ഫിക്ഷൻ സിനിമകളിൽ കാണുന്നത് പോലെ റോബോട്ടുകൾ ലോകം പിടിച്ചടക്കുമോ എന്ന് ചിലരെങ്കിലും ആശങ്കപ്പെടുന്നു. എന്നാൽ യാഥാർത്ഥ്യം ഇതിൽ നിന്നും തികച്ചും വ്യത്യസ്തമാണ്.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എത്രത്തോളം സങ്കീർണ്ണമായാലും, അവ യഥാർത്ഥത്തിൽ ഗണിതശാസ്ത്ര സമവാക്യങ്ങളും സംഖ്യകളും തമ്മിലുള്ള ലളിതമായ കളികൾ മാത്രമാണ്. ഒരു ചാറ്റ്ജിപിറ്റി നിങ്ങളോട് വളരെ സ്നേഹത്തോടെ സംസാരിക്കുമ്പോൾ, അത് നിങ്ങളോട് വികാരം പ്രകടിപ്പിക്കുകയല്ല; മറിച്ച് “ഇത്തരം ഒരു ചോദ്യത്തിന് നൽകാൻ സാധ്യതയുള്ള ഏറ്റവും അനുയോജ്യമായ മറുപടി ഏതാണ്” എന്ന് സംഖ്യാപരമായി കണക്കാക്കുക മാത്രമാണ് ചെയ്യുന്നത്. അതിന് അതിന്റേതായ ആഗ്രഹങ്ങളോ, വേദനയോ, മാനസികാവസ്ഥയോ ഇല്ല.

മറ്റൊരു പ്രധാന പ്രശ്നമാണ് ‘ബ്ലാക്ക് ബോക്സ് പ്രോബ്ലം’ (Black Box Problem). ഒരു വലിയ ന്യൂറൽ നെറ്റ്‌വർക്കിൽ കോടിക്കണക്കിന് അല്ലെങ്കിൽ ട്രില്യൺ കണക്കിന് വെയ്റ്റുകൾ അടങ്ങിയിരിക്കുന്നു. അത് ഒരു അന്തിമ തീരുമാനത്തിൽ എങ്ങനെ എത്തിച്ചേർന്നു എന്ന് കൃത്യമായി വ്യാഖ്യാനിക്കാൻ അതിനെ നിർമ്മിച്ച പ്രോഗ്രാമർമാർക്ക് പോലും ചിലപ്പോൾ സാധിക്കാറില്ല. അതുകൊണ്ട് തന്നെ, നിർണ്ണായകമായ തീരുമാനങ്ങൾ എടുക്കുന്ന മേഖലകളിൽ (ഉദാഹരണത്തിന് കോടതി വിധികൾ, ബാങ്ക് ലോൺ അനുമതികൾ) എ.ഐ ഉപയോഗിക്കുമ്പോൾ വംശീയമോ ലിംഗപരമോ ആയ വിവേചനങ്ങൾ (Algorithmic Bias) കടന്നുകൂടാൻ വലിയ സാധ്യതയുണ്ട്.

ട്രെയിൻ ചെയ്യാൻ ഉപയോഗിക്കുന്ന ഡാറ്റയിൽ എന്തെങ്കിലും പക്ഷപാതങ്ങൾ ഉണ്ടെങ്കിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കും ആ പക്ഷപാതങ്ങളെ അതേപടി പഠിച്ചെടുക്കും. “Garbage In, Garbage Out” എന്ന കമ്പ്യൂട്ടർ ശാസ്ത്രത്തിലെ തത്വം ഇവിടെയും ബാധകമാണ്. അതിനാൽ എ.ഐ മോഡലുകൾക്ക് നിഷ്പക്ഷവും സുതാര്യവുമായ പരിശീലനം നൽകുക എന്നത് നിലവിലുള്ള ഏറ്റവും വലിയ ഗവേഷണ മേഖലകളിൽ ഒന്നാണ്.

ഭാവി സാധ്യതകളും വെല്ലുവിളികളും: AI നമ്മെ എവിടേക്ക് നയിക്കുന്നു?

ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വികാസം ഇനിയും അതിന്റെ പൂർണ്ണതയിൽ എത്തിയിട്ടില്ല. ഇന്ന് നമ്മൾ ഉപയോഗിക്കുന്നത് നിർദ്ദിഷ്ട കാര്യങ്ങൾ മാത്രം ചെയ്യാൻ കഴിവുള്ള ‘നാരോ എ.ഐ’ (Narrow AI) ആണ്. എന്നാൽ മനുഷ്യനെപ്പോലെ ഏത് മേഖലയിലും വിവരങ്ങൾ ഗ്രഹിക്കാനും പ്രയോഗിക്കാനും കഴിവുള്ള ‘ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസ്’ (AGI) വികസിപ്പിക്കാനുള്ള തീവ്ര ശ്രമത്തിലാണ് ശാസ്ത്രലോകം.

ഭാവിയിൽ ക്വാണ്ടം കമ്പ്യൂട്ടിംഗും (Quantum Computing) ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഒത്തുചേരുമ്പോൾ ഇന്നത്തെക്കാൾ ലക്ഷക്കണക്കിന് മടങ്ങ് വേഗതയുള്ള പ്രോസസ്സിംഗ് സാധ്യമാകും. ഇത് പുതിയ ഔഷധങ്ങളുടെ കണ്ടുപിടുത്തത്തിനും, കാലാവസ്ഥാ വ്യതിയാനത്തെ പ്രതിരോധിക്കാനുള്ള പുതിയ മാർഗ്ഗങ്ങൾ കണ്ടെത്താനും നമ്മെ സഹായിച്ചേക്കാം. കൂടാതെ, മനുഷ്യന്റെ തലച്ചോറിനെയും കമ്പ്യൂട്ടറിനെയും നേരിട്ട് ബന്ധിപ്പിക്കുന്ന ‘ബ്രെയിൻ-കമ്പ്യൂട്ടർ ഇന്റർഫേസുകൾ’ (BCI) വികസിക്കുമ്പോൾ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പങ്ക് അതിനിർണ്ണായകമാകും.

എന്നിരുന്നാലും, ഈ സാങ്കേതികവിദ്യയുടെ വളർച്ച വലിയ തൊഴിൽ മാറ്റങ്ങൾക്കും സാമൂഹിക അസമത്വങ്ങൾക്കും കാരണമാകുമോ എന്ന ഭയം നിലനിൽക്കുന്നുണ്ട്. സാങ്കേതികവിദ്യയെ നിരോധിക്കുകയല്ല, മറിച്ച് അതിനെ മനുഷ്യരാശിയുടെ നന്മയ്ക്കായി എങ്ങനെ ധാർമ്മികമായി (Ethically) ഉപയോഗിക്കാം എന്ന് ചിന്തിക്കുകയാണ് വേണ്ടത്. വിദ്യാഭ്യാസം, ആരോഗ്യം, ശാസ്ത്ര ഗവേഷണം എന്നീ മേഖലകളിൽ കൃത്രിമബുദ്ധി മനുഷ്യന്റെ ഉറ്റ മിത്രമായി മാറും എന്നതിൽ സംശയമില്ല.

അറിവ് പരിശോധിക്കാം (Test Your Knowledge)

1. ന്യൂറൽ നെറ്റ്‌വർക്കുകളിൽ ഒരു ഇൻപുട്ടിന് അന്തിമ തീരുമാനത്തിലുള്ള പ്രാധാന്യത്തെ സൂചിപ്പിക്കുന്ന ഘടകം ഏതാണ്?

ഉത്തരം കാണുക (Show Answer)

വെയ്റ്റ് (Weight). ഓരോ ഇൻപുട്ടിനും നൽകപ്പെടുന്ന പ്രാധാന്യത്തിന്റെ അളവാണിത്.

2. ന്യൂറൽ നെറ്റ്‌വർക്കിലെ തെറ്റിന്റെ അളവ് കണക്കാക്കി, പിന്നോട്ട് സഞ്ചരിച്ച് വെയ്റ്റുകൾ തിരുത്തുന്ന പ്രക്രിയയുടെ പേരെന്താണ്?

ഉത്തരം കാണുക (Show Answer)

ബാക്ക്‌പ്രൊപ്പഗേഷൻ (Backpropagation).

3. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലന ഡാറ്റയിലെ എല്ലാ വിവരങ്ങളും അനാവശ്യമായി കാണാപ്പാഠം പഠിച്ച്, പുതിയ വിവരങ്ങൾ പ്രവചിക്കുന്നതിൽ പരാജയപ്പെടുന്ന അവസ്ഥയ്ക്ക് എന്താണ് പറയുന്നത്?

ഉത്തരം കാണുക (Show Answer)

ഓവർഫിറ്റിംഗ് (Overfitting).