തലകൾ മുതൽ ആന്തരിക പാളികൾ വരെ പാളി തിരിച്ചുള്ള പരിശീലനം. ഏറ്റവും പുറം പാളിക്ക് ആദ്യം പരിശീലനം നൽകുകയും അതിന്റെ അവശിഷ്ടം എല്ലാ പാളികളും തുടർച്ചയായി മുൻകൂട്ടി പരിശീലിപ്പിക്കുന്നതുവരെ അടുത്ത മറഞ്ഞിരിക്കുന്ന പാളിക്കുള്ള പരിശീലന ഡാറ്റയായി നൽകുകയും ചെയ്യുന്നു.

പതിനെട്ടാം നൂറ്റാണ്ടിലെ ഗണിതശാസ്ത്രം ഉപയോഗിച്ച് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഏറ്റവും ജനപ്രിയ സാങ്കേതികതയായ Deep Learning ലളിതമാക്കാൻ ജിവാസ്കില സർവകലാശാലയിലെ ഗവേഷകർക്ക് കഴിഞ്ഞു. 50 വർഷം പഴക്കമുള്ള ക്ലാസിക്കൽ പരിശീലന അൽഗോരിതങ്ങൾ അടുത്തിടെ ജനപ്രിയ സാങ്കേതികവിദ്യകളേക്കാൾ മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നുവെന്നും അവർ കണ്ടെത്തി. അവരുടെ ലളിതമായ സമീപനം ഹരിത ഐടിയെ വികസിപ്പിക്കുകയും ഉപയോഗിക്കാനും മനസ്സിലാക്കാനും എളുപ്പമാണ്.

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ സമീപകാല വിജയം ഒരു പ്രധാന സാങ്കേതികവിദ്യയുടെ ഉപയോഗത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: Deep Learning. വലിയ ഡാറ്റാസെറ്റുകളും ഗണ്യമായ അളവിൽ കമ്പ്യൂട്ടേഷണൽ വിഭവങ്ങളും ഉപയോഗിച്ച് ധാരാളം ഡാറ്റ പ്രോസസ്സിംഗ് പാളികളുള്ള നെറ്റ് വർക്കുകൾക്ക് പരിശീലനം നൽകുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ടെക്നിക്കുകളെയാണ് ഡീപ് ലേണിംഗ് സൂചിപ്പിക്കുന്നത്.

ഇമേജുകളും സംഗീതവും വിശകലനം ചെയ്യുകയും സൃഷ്ടിക്കുകയും ചെയ്യുക, ഡിജിറ്റൈസ്ഡ് ഗെയിമുകൾ പ്ലേ ചെയ്യുക, ഏറ്റവും അടുത്തിടെ ചാറ്റ്ജിപിടി, മറ്റ് ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ടെക്നിക്കുകൾ എന്നിവയുമായി ബന്ധപ്പെട്ട്, നിലവിലുള്ള അറിവിന്റെ ഉയർന്ന നിലവാരമുള്ള സംഗ്രഹങ്ങൾ നൽകുന്ന ഒരു സ്വാഭാവിക ഭാഷാ സംഭാഷണ ഏജന്റായി പ്രവർത്തിക്കുക തുടങ്ങിയ സങ്കീർണ്ണമായ ജോലികൾ ചെയ്യാൻ ഡീപ് ലേണിംഗ് കമ്പ്യൂട്ടറുകളെ പ്രാപ്തമാക്കുന്നു.

ആറ് വർഷം മുമ്പ്, പ്രൊഫസർ ടോമി കോർക്കൈനനും ഡോക്ടറൽ ഗവേഷകനായ ജാൻ ഹാനിനനും ഡാറ്റ കുറയ്ക്കലിനെക്കുറിച്ച് പ്രാഥമിക പഠനങ്ങൾ നടത്തി. ഫലങ്ങൾ ആശ്ചര്യകരമായിരുന്നു: ലളിതമായ നെറ്റ് വർക്ക് ഘടനകളെ ഒരു നൂതന രീതിയിൽ സംയോജിപ്പിക്കുകയാണെങ്കിൽ ആഴം ആവശ്യമില്ല. ആഴം കുറഞ്ഞ മോഡലുകൾ ഉപയോഗിച്ച് സമാനമായ അല്ലെങ്കിൽ മികച്ച ഫലങ്ങൾ നേടാൻ കഴിയും.

“Deep Learning സാങ്കേതികവിദ്യകളുടെ ഉപയോഗം സങ്കീർണ്ണവും പിശക് സാധ്യതയുള്ളതുമായ ശ്രമമാണ്, അതിന്റെ ഫലമായുള്ള മോഡലുകൾ പരിപാലിക്കാനും വ്യാഖ്യാനിക്കാനും പ്രയാസമാണ്,” കാർക്കൈനൻ പറയുന്നു. “ഞങ്ങളുടെ പുതിയ മോഡൽ അതിന്റെ ആഴമില്ലാത്ത രൂപത്തിൽ കൂടുതൽ ആവിഷ്കാരാത്മകമാണ്, മാത്രമല്ല ആവശ്യമായ എല്ലാ വിവരങ്ങളും നിലനിർത്തിക്കൊണ്ട് വലിയ ഡാറ്റാസെറ്റുകൾ വിശ്വസനീയമായി കുറയ്ക്കാൻ കഴിയും.”

പുതിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സാങ്കേതികവിദ്യയുടെ ഘടന പതിനെട്ടാം നൂറ്റാണ്ടിലെ ഗണിതശാസ്ത്രത്തിന്റേതാണ്. Deep Learning ൽ ഉപയോഗിക്കുന്ന 21-ാം നൂറ്റാണ്ടിലെ സാങ്കേതികതകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ 1970 കളിൽ നിന്നുള്ള പരമ്പരാഗത ഒപ്റ്റിമൈസേഷൻ രീതികൾ അവരുടെ മോഡൽ തയ്യാറാക്കുന്നതിൽ മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നുവെന്ന് കോർക്കൈനനും ഹാനിനനും കണ്ടെത്തി.

“വിവിധ ആപ്ലിക്കേഷനുകളിൽ ന്യൂറൽ നെറ്റ് വർക്കുകളുടെ ഉപയോഗം മുമ്പത്തേതിനേക്കാൾ എളുപ്പവും വിശ്വസനീയവുമാണെന്ന് ഞങ്ങളുടെ ഫലങ്ങൾ ഉറപ്പാക്കുന്നു,” ഹാനിനെൻ നിർദ്ദേശിക്കുന്നു. ന്യൂറോകമ്പ്യൂട്ടിംഗ് ജേണലിലാണ് പഠനം പ്രസിദ്ധീകരിച്ചിരിക്കുന്നത്.

ലളിതമായ മോഡലുകൾ ഹരിതവും കൂടുതൽ ധാർമ്മികവുമായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലേക്ക് നയിക്കുന്നു

ആധുനിക സാങ്കേതികവിദ്യകളിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് കൂടുതൽ പ്രാധാന്യമുള്ള പങ്കുണ്ട്, അതിനാൽ, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അത് ചെയ്യുന്നത് എങ്ങനെ ചെയ്യുന്നുവെന്ന് മനസിലാക്കേണ്ടത് കൂടുതൽ പ്രധാനമാണ്.

“ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് കൂടുതൽ സുതാര്യവും ലളിതവുമാണ്, അതിന്റെ ധാർമ്മിക ഉപയോഗം പരിഗണിക്കുന്നത് എളുപ്പമാണ്,” കാർക്കൈനൻ പറയുന്നു. “ഉദാഹരണത്തിന്, മെഡിക്കൽ ആപ്ലിക്കേഷനുകളിൽ Deep Learning രീതികൾ വളരെ സങ്കീർണ്ണമാണ്, അവയുടെ നേരിട്ടുള്ള ഉപയോഗം അപ്രതീക്ഷിതവും മറഞ്ഞിരിക്കുന്നതുമായ പെരുമാറ്റം കാരണം രോഗിയുടെ സുരക്ഷയെ അപകടത്തിലാക്കും.”

ലളിതമായ മോഡലുകൾ ഹരിത ഐടി വികസിപ്പിക്കാൻ സഹായിക്കുമെന്നും കൂടുതൽ പരിസ്ഥിതി സൗഹൃദമാണെന്നും ഗവേഷകർ ശ്രദ്ധിക്കുന്നു, കാരണം അവ കമ്പ്യൂട്ടേഷണൽ വിഭവങ്ങൾ ലാഭിക്കുകയും ഗണ്യമായി കുറഞ്ഞ ഊർജ്ജം ഉപയോഗിക്കുകയും ചെയ്യുന്നു.

Deep Learning രീതികൾ ഉപയോഗിച്ച് പൊതുവായ വിശ്വാസങ്ങളെയും നിലവിൽ ജനപ്രിയ കാഴ്ചപ്പാടുകളെയും വെല്ലുവിളിക്കുന്ന ഫലങ്ങൾ പ്രസിദ്ധീകരിക്കാൻ ബുദ്ധിമുട്ടായിരുന്നു.

“ഗവേഷണം, വികസനം, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ബിസിനസ്സ് എന്നിവയിൽ Deep Learning ന് ഒരു പ്രധാന പങ്കുണ്ട്, ശാസ്ത്രം എല്ലായ്പ്പോഴും പുരോഗമിക്കുകയും ഏറ്റവും പുതിയ തെളിവുകൾ പ്രതിഫലിപ്പിക്കുകയും ചെയ്താലും, സമൂഹത്തിന് തന്നെ മാറ്റത്തോടുള്ള പ്രതിരോധം ഉണ്ടായിരിക്കാം.”

“ഈ ഫലങ്ങൾ ശാസ്ത്ര, ബിസിനസ്സ് കമ്മ്യൂണിറ്റിയിൽ എങ്ങനെ ലഭിക്കുമെന്ന് കാണാൻ ഞങ്ങൾക്ക് വളരെ താൽപ്പര്യമുണ്ട്,” കാർക്കൈനൻ പറയുന്നു. “സുസ്ഥിര സമ്പദ്വ്യവസ്ഥയിലെ മികച്ച മെറ്റീരിയലുകൾക്കായുള്ള നാനോ ടെക്നോളജി മുതൽ ഡിജിറ്റൽ പഠന പരിതസ്ഥിതികൾ മെച്ചപ്പെടുത്തുന്നതും മെഡിക്കൽ, ക്ഷേമ സാങ്കേതികവിദ്യയുടെ വിശ്വാസ്യതയും സുതാര്യതയും വർദ്ധിപ്പിക്കുന്നതും വരെ ഞങ്ങളുടെ സ്വന്തം ഗവേഷണത്തിൽ ഞങ്ങളുടെ പുതിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് നിരവധി ആപ്ലിക്കേഷനുകൾ ഉണ്ട്.”

കൂടുതൽ വിവരങ്ങൾക്ക്: Tommi Karkkáinen et al, അഡിറ്റീവ് ഓട്ടോഎൻകോഡർ ഫോർ ഡൈമെൻഷൻ എസ്റ്റിമേറ്റ്, ന്യൂറോകമ്പ്യൂട്ടിംഗ് (2023). DOI: 10.1016/j.neucom.2023.126520