ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്, ഗവേഷണത്തിന്റെ ഭാവി പ്രവചിക്കുന്നു
ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മേഖലയിലെ ശാസ്ത്ര പ്രസിദ്ധീകരണങ്ങളുടെ സമൃദ്ധമായ സമൃദ്ധി ട്രാക്കുചെയ്യാനും പുരോഗതികളുമായി കാലികമായി തുടരാനും മനുഷ്യ ഗവേഷകർക്ക് ഏതാണ്ട് അസാധ്യമായിത്തീർന്നിരിക്കുന്നു.
മാക്സ്-പ്ലാങ്ക് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഫോർ സയൻസ് ഓഫ് ലൈറ്റിലെ മരിയോ ക്രെന്നിന്റെ നേതൃത്വത്തിലുള്ള ഒരു അന്താരാഷ്ട്ര ടീമിലെ ശാസ്ത്രജ്ഞർ ഇപ്പോൾ ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതം വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്, ഇത് ഗവേഷകരെ ആസൂത്രിതമായി ഓറിയന്റേറ്റുചെയ്യാൻ സഹായിക്കുക മാത്രമല്ല, സ്വന്തം ഗവേഷണ മേഖല വികസിക്കാൻ സാധ്യതയുള്ള ദിശയിലേക്ക് മുൻകൂട്ടി നയിക്കുകയും ചെയ്യുന്നു.
പ്രധാന ടേക്ക് എവേകൾ
ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലെ ഒരു ലക്ഷത്തിലധികം ശാസ്ത്രീയ പ്രസിദ്ധീകരണങ്ങൾ വിശകലനം ചെയ്യുന്നതിന് സയൻസ് 4 കാസ്റ്റ് എന്ന ഉപകരണം ഒരു ഗ്രാഫ് അധിഷ്ഠിത സമീപനം ഉപയോഗിക്കുന്നു, ഇത് ഫീൽഡിന്റെ ഭാവി ദിശയെക്കുറിച്ചുള്ള ഉൾക്കാഴ്ചകൾ ഫലപ്രദമായി നൽകുന്നു. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഗവേഷണത്തിലെ ഭാവിയിലെ ചൂടുള്ള വിഷയങ്ങൾ പ്രവചിക്കാൻ ലക്ഷ്യമിട്ടുള്ള ഒരു അന്താരാഷ്ട്ര മത്സരത്തിൽ നിന്നാണ് ഈ ഉപകരണം ഉയർന്നുവന്നത്. തുടർച്ചയായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് രീതികളിൽ നിന്ന് വ്യത്യസ്തമായി, സയൻസ് 4കാസ്റ്റിലെ ഏറ്റവും ഫലപ്രദമായ അൽഗോരിതങ്ങൾ ശ്രദ്ധാപൂർവ്വം തിരഞ്ഞെടുത്ത നെറ്റ്വർക്ക് സവിശേഷതകളെ ആശ്രയിച്ചിരിക്കുന്നു, ഇത് മെഷീൻ ലേണിംഗ് സമീപനങ്ങളിൽ ഉപയോഗിക്കാത്ത സാധ്യതകളെ സൂചിപ്പിക്കുന്നു. ഗവേഷണ പ്രവണതകൾ പ്രവചിക്കുന്നതിനപ്പുറം, സയൻസ് 4കാസ്റ്റിനെ ശാസ്ത്രജ്ഞർക്കായി ഒരു വ്യക്തിഗത നിർദ്ദേശ എഞ്ചിനായി വികസിപ്പിക്കാനും ഭാവി ഗവേഷണ പദ്ധതികളെ പ്രചോദിപ്പിക്കുന്നതിനുള്ള ഒരു “കൃത്രിമ ഉപകരണമായി” പ്രവർത്തിക്കാനും ടീം ലക്ഷ്യമിടുന്നു.
ഗവേഷണം
നേച്ചർ മെഷീൻ ഇന്റലിജൻസ് ജേണലിൽ ഈ കൃതി പ്രസിദ്ധീകരിച്ചു (“ക്രമാതീതമായി വളരുന്ന വിജ്ഞാന ശൃംഖലയിൽ മെഷീൻ ലേണിംഗ് അധിഷ്ഠിത ലിങ്ക് പ്രവചനം ഉപയോഗിച്ച് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഭാവി പ്രവചിക്കുക”).
ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ), മെഷീൻ ലേണിംഗ് (എംഎൽ) എന്നീ മേഖലകളിൽ ശാസ്ത്ര പ്രസിദ്ധീകരണങ്ങളുടെ എണ്ണം ക്രമാതീതമായി വർദ്ധിക്കുകയും ഓരോ 23 മാസത്തിലും ഏകദേശം ഇരട്ടിയാകുകയും ചെയ്യുന്നു. മനുഷ്യ ഗവേഷകരെ സംബന്ധിച്ചിടത്തോളം, പുരോഗതി നിലനിർത്തുന്നതും സമഗ്രമായ അവലോകനം നിലനിർത്തുന്നതും ഏതാണ്ട് അസാധ്യമാണ്. എർലാൻഗെനിലെ മാക്സ്-പ്ലാങ്ക് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഫോർ സയൻസ് ഓഫ് ലൈറ്റിലെ ഗവേഷണ ഗ്രൂപ്പ് ലീഡർ മാരിയോ ക്രെൻ ഈ വെല്ലുവിളിക്കുള്ള പരിഹാരത്തെ പാരമ്പര്യേതരമായ രീതിയിൽ സമീപിക്കുന്നു. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഗവേഷണത്തിന്റെ ഭാവി വികസനത്തെക്കുറിച്ച് ചോദ്യങ്ങൾ ഉന്നയിക്കാൻ അനുവദിക്കുന്ന ‘സയൻസ് 4 കാസ്റ്റ്’ എന്ന പുതിയ ഗ്രാഫ് അധിഷ്ഠിത ഉപകരണം അദ്ദേഹം വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്.
ഇതിന് മുമ്പ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഗവേഷണ മേഖലയിലെ ശാസ്ത്രീയ ആശയങ്ങളുടെ വികസനം പിടിച്ചെടുക്കുകയും പ്രവചിക്കുകയും ചെയ്യുക, ഭാവി ഗവേഷണത്തിന്റെ ശ്രദ്ധാകേന്ദ്രം ഏതൊക്കെ വിഷയങ്ങളായിരിക്കുമെന്ന് നിർണ്ണയിക്കുക എന്ന ലക്ഷ്യത്തോടെ അന്താരാഷ്ട്ര ഗവേഷണ സംഘം ‘സയൻസ് 4 കാസ്റ്റ്’ മത്സരം പ്രഖ്യാപിച്ചിരുന്നു. വ്യത്യസ്ത സമീപനങ്ങളുള്ള 50 ലധികം സംഭാവനകൾ സമർപ്പിച്ചു. ക്രെൻ, മികച്ച റാങ്കിംഗ് ടീമുകളോടൊപ്പം, തികച്ചും സ്റ്റാറ്റിസ്റ്റിക്കൽ മുതൽ പൂർണ്ണമായും പഠന രീതികൾ വരെ പ്രയോഗിച്ച വിവിധ രീതികൾ പരിശോധിക്കുകയും അതിശയകരമായ ഫലങ്ങളിൽ എത്തുകയും ചെയ്തു.
“ഏറ്റവും ഫലപ്രദമായ രീതികൾ ശ്രദ്ധാപൂർവ്വം തയ്യാറാക്കിയ നെറ്റ് വർക്ക് സവിശേഷതകളാണ് ഉപയോഗിക്കുന്നത്, തുടർച്ചയായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സമീപനമല്ല,” മരിയോ ക്രെൻ പറഞ്ഞു. മനുഷ്യ അറിവില്ലാതെ ശുദ്ധമായ എം എൽ സമീപനങ്ങൾ ഉപയോഗിച്ച് അൺലോക്ക് ചെയ്യാൻ കഴിയുന്ന ഗണ്യമായ സാധ്യത ഇത് സൂചിപ്പിക്കുന്നു.
സയൻസ് 4കാസ്റ്റ് എന്നത് അറിവിന്റെ ഗ്രാഫ് അടിസ്ഥാനമാക്കിയുള്ള പ്രതിനിധീകരണമാണ്, ഇത് കൂടുതൽ ശാസ്ത്രീയ ലേഖനങ്ങൾ പ്രസിദ്ധീകരിക്കുമ്പോൾ കാലക്രമേണ കൂടുതൽ സങ്കീർണ്ണമാകുന്നു. ഗ്രാഫിലെ ഓരോ നോഡും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലെ ഒരു ആശയത്തെ പ്രതിനിധീകരിക്കുന്നു, കൂടാതെ നോഡുകൾ തമ്മിലുള്ള കണക്ഷനുകൾ രണ്ട് ആശയങ്ങൾ ഒരുമിച്ച് പഠിച്ചിട്ടുണ്ടോ എന്ന് സൂചിപ്പിക്കുന്നു. ഉദാഹരണത്തിന്, ‘എന്ത് സംഭവിക്കും’ എന്ന ചോദ്യം ഗ്രാഫിന്റെ കൂടുതൽ വികാസത്തെക്കുറിച്ചുള്ള ഒരു ഗണിത ചോദ്യമായി വിവരിക്കാം. 30 വർഷ കാലയളവിൽ 100,000 ത്തിലധികം ശാസ്ത്ര പ്രസിദ്ധീകരണങ്ങളിൽ നിന്നുള്ള യഥാർത്ഥ ഡാറ്റ സയൻസ് 4കാസ്റ്റിന് നൽകുന്നു, അതിന്റെ ഫലമായി മൊത്തം 64,000 നോഡുകൾ ഉണ്ടാകുന്നു.
എന്നിരുന്നാലും, ഭാവിയിൽ ഗവേഷകർ എന്താണ് പ്രവർത്തിക്കുകയെന്ന് പ്രവചിക്കുന്നത് ഒരു ആദ്യപടി മാത്രമാണ്. സയൻസ് 4 കാസ്റ്റിന്റെ കൂടുതൽ വികസനം അവരുടെ ഭാവി ഗവേഷണ പ്രോജക്റ്റുകളെക്കുറിച്ച് വ്യക്തിഗത ശാസ്ത്രജ്ഞർക്ക് വ്യക്തിഗത നിർദ്ദേശങ്ങൾ എങ്ങനെ നൽകുമെന്ന് ഗവേഷകർ അവരുടെ കൃതിയിൽ വിവരിക്കുന്നു.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
