ಕೃತಕ ನರಜಾಲ (Artificial Neural Network) ಮತ್ತು ಬೃಹತ್ ಮತದಾನ ಸಮಿತಿಯ ಸಾದೃಶ್ಯ

ಇಂದಿನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (Artificial Intelligence) ಪ್ರಪಂಚದಲ್ಲಿ 'ಕೃತಕ ನರಜಾಲ' (Artificial Neural Network) ಎಂಬುದು ಅತ್ಯಂತ ಕ್ರಾಂತಿಕಾರಿ ತಂತ್ರಜ್ಞಾನವಾಗಿದೆ. ಇದು ನಮ್ಮ ಮಾನವ ಮೆದುಳಿನ ನರಮಂಡಲದ ಸಂಕೀರ್ಣ ಕಾರ್ಯವಿಧಾನದಿಂದಲೇ ಪ್ರೇರಿತವಾದ ಒಂದು ವಿಶಿಷ್ಟವಾದ ಗಣಕೀಯ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ. ಕೃತಕ ನರಜಾಲದ ಸಂಪೂರ್ಣ ಕಾರ್ಯವಿಧಾನವನ್ನು ಸುಲಭವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಅದನ್ನು ಒಂದು "ಬೃಹತ್ ಮತದಾನ ಸಮಿತಿ"ಗೆ (Massive Voting Committee) ಹೋಲಿಸಬಹುದು.

ಈ ಬೃಹತ್ ಸಮಿತಿಯಲ್ಲಿ ಸಾವಿರಾರು ಸದಸ್ಯರು ಒಟ್ಟಾಗಿ ಸೇರಿ ಕೆಲಸ ಮಾಡುತ್ತಾರೆ. ಈ ಪ್ರತಿಯೊಬ್ಬ ಸದಸ್ಯರನ್ನೂ ತಾಂತ್ರಿಕ ಭಾಷೆಯಲ್ಲಿ 'ಕೃತಕ ನರಕೋಶಗಳು' (Artificial Neurons) ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಯಾವುದೇ ಒಂದು ಜಟಿಲವಾದ ಪ್ರಶ್ನೆ ಅಥವಾ ಕಚ್ಚಾ ದತ್ತಾಂಶವು (Data) ಈ ಜಾಲವನ್ನು ಪ್ರವೇಶಿಸಿದಾಗ, ಅದು ನೇರವಾಗಿ ಅಂತಿಮ ತೀರ್ಮಾನಕ್ಕೆ ಹೋಗುವುದಿಲ್ಲ. ಬದಲಾಗಿ, ಸಮಿತಿಯ ಪ್ರತಿಯೊಬ್ಬ ಸದಸ್ಯನೂ ತನಗೆ ದೊರೆತ ಮಾಹಿತಿಯಿಂದ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮವಾದ ವಿವರವನ್ನು ಮಾತ್ರ ಶೋಧಿಸಿ (Filtering a tiny detail), ಆಳವಾದ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ಅದನ್ನು ಮುಂದಿನ ಹಂತಕ್ಕೆ ರವಾನಿಸುತ್ತಾನೆ. ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಾವು ಐದು ಪ್ರಮುಖ ಹಂತಗಳಲ್ಲಿ ವಿಂಗಡಿಸಬಹುದು:

೧. ಒಳಹರಿವು ಅಥವಾ ಆದಾನ ಪದರ (Input Layer - ಸಮಸ್ಯೆಯ ಸ್ವೀಕಾರ):

ಮೊದಲಿಗೆ, ಕಚ್ಚಾ ಮಾಹಿತಿಯು ಸಮಿತಿಯ ಮುಂಚೂಣಿಯಲ್ಲಿರುವ ಸದಸ್ಯರಿಗೆ ತಲುಪುತ್ತದೆ. ಇದನ್ನು 'ಆದಾನ ಪದರ' ಎನ್ನುತ್ತಾರೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ವಾಕ್ಯವನ್ನು ಅನುವಾದ ಮಾಡಬೇಕಾಗಿದ್ದರೆ, ಆ ವಾಕ್ಯದ ಪ್ರತಿಯೊಂದು ಅಕ್ಷರ ಅಥವಾ ಪದವು ಈ ಹಂತದಲ್ಲಿ ವ್ಯವಸ್ಥೆಯನ್ನು ಪ್ರವೇಶಿಸುತ್ತದೆ.

೨. ಗುಪ್ತ ಪದರಗಳು (Hidden Layers - ಸೂಕ್ಷ್ಮ ಶೋಧನೆ):

ಮಾಹಿತಿಯು ಆದಾನ ಪದರದಿಂದ ಒಳಬಂದ ನಂತರ, ಅದು ಸಮಿತಿಯ ಒಳಗಿನ ಅನೇಕ ಗುಪ್ತ ಸಾಲುಗಳ ಮೂಲಕ ಹಾದುಹೋಗುತ್ತದೆ. ಇವುಗಳನ್ನು 'ಗೂಢ ಪದರಗಳು' ಎಂದು ಕರೆಯುತ್ತೇವೆ. ಇಲ್ಲೇ ನರಜಾಲದ ನಿಜವಾದ ಬುದ್ಧಿಮತ್ತೆ ಅಡಗಿರುವುದು! ಇಲ್ಲಿನ ಸದಸ್ಯರು (ನರಕೋಶಗಳು) ಮಾಹಿತಿಯನ್ನು ಕೇವಲ ಮುಂದಕ್ಕೆ ತಳ್ಳುವುದಿಲ್ಲ; ಬದಲಾಗಿ, ಬಣ್ಣ, ಆಕಾರ, ಅಥವಾ ಭಾಷೆಯ ವ್ಯಾಕರಣದಂತಹ ನಿರ್ದಿಷ್ಟ ಲಕ್ಷಣಗಳನ್ನು ಹೆಕ್ಕಿ ತೆಗೆಯುತ್ತಾರೆ (Feature Extraction).

೩. ತೂಕ ಮತ್ತು ಪ್ರವೃತ್ತಿ (Weights and Biases - ಮತದ ಪ್ರಾಮುಖ್ಯತೆ):

ಮತದಾನ ಸಮಿತಿಯಲ್ಲಿ ಎಲ್ಲರ ಅಭಿಪ್ರಾಯಕ್ಕೂ ಸಮಾನವಾದ ಬೆಲೆ ಇರುವುದಿಲ್ಲ. ಕೆಲವು ಪರಿಣತ ಸದಸ್ಯರ ಮಾತಿಗೆ ಹೆಚ್ಚಿನ 'ತೂಕ' (Weight) ಇರುತ್ತದೆ. ಕೃತಕ ನರಜಾಲದಲ್ಲಿ, ಒಂದು ನರಕೋಶದಿಂದ ಇನ್ನೊಂದಕ್ಕೆ ಹೋಗುವ ಸಂಪರ್ಕವು ನಿರ್ದಿಷ್ಟವಾದ ಭಾರ ಅಥವಾ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಅದರ ಜೊತೆಗೆ, ಪ್ರತಿಯೊಬ್ಬ ಸದಸ್ಯನಿಗೂ ಒಂದು 'ಸಹಜ ಪ್ರವೃತ್ತಿ' (Bias) ಇರುತ್ತದೆ. ಈ ತೂಕ ಮತ್ತು ಪ್ರವೃತ್ತಿಗಳು ಗಣಿತೀಯ ಲೆಕ್ಕಾಚಾರಗಳ ಮೂಲಕ ಮಾಹಿತಿಯ ದಿಕ್ಕನ್ನು ನಿರ್ಧರಿಸುತ್ತವೆ.

೪. ಪ್ರಚೋದನಾ ಕ್ರಿಯೆ (Activation Function - ನಿರ್ಧಾರದ ಹೊಸ್ತಿಲು):

ಸದಸ್ಯನು ತನ್ನ ಹಿಂದಿನವರಿಂದ ಬಂದ ಮಾಹಿತಿಯನ್ನು ಲೆಕ್ಕಹಾಕಿದ ನಂತರ, ಅದನ್ನು ಮುಂದಿನವರಿಗೆ ಕಳುಹಿಸಬೇಕೇ ಅಥವಾ ಬೇಡವೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಒಂದು ನಿಯಮವಿರುತ್ತದೆ. ಇದನ್ನು 'ಪ್ರಚೋದನಾ ಕ್ರಿಯೆ' ಎನ್ನುತ್ತಾರೆ. ಇದು ಸಮಿತಿಯ ಸದಸ್ಯನು ತನ್ನ ಮತವನ್ನು ಚಲಾಯಿಸಲು ಬೇಕಾದ ಕನಿಷ್ಠ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಮಟ್ಟವಿದ್ದಂತೆ. ಒಟ್ಟು ಮೊತ್ತವು ಒಂದು ಮಿತಿಯನ್ನು ದಾಟಿದರೆ ಮಾತ್ರ ಮಾಹಿತಿ ಮುಂದಕ್ಕೆ ಸಾಗುತ್ತದೆ.

೫. ಹೊರಹರಿವು ಅಥವಾ ಪ್ರದಾನ ಪದರ (Output Layer - ಅಂತಿಮ ನಿರ್ಣಯ):

ಸಾವಿರಾರು ಸದಸ್ಯರ ಸೂಕ್ಷ್ಮ ಶೋಧನೆ ಮತ್ತು ಮತದಾನ ಪ್ರಕ್ರಿಯೆಯ ನಂತರ, ಅಂತಿಮ ನಿರ್ಧಾರವು ಹೊರಬರುತ್ತದೆ. ಇದನ್ನು 'ಪ್ರದಾನ ಪದರ' ಎನ್ನುತ್ತಾರೆ.

ಹಿಮ್ಮುಖ ಪ್ರಸರಣ (Backpropagation - ತಪ್ಪುಗಳಿಂದ ಕಲಿಯುವಿಕೆ):

ಒಂದು ವೇಳೆ ಈ ಸಮಿತಿಯ ಅಂತಿಮ ತೀರ್ಮಾನವು ತಪ್ಪಾಗಿದ್ದರೆ, ಆ ದೋಷದ ಮಾಹಿತಿಯು ಮತ್ತೆ ಸಮಿತಿಯ ಒಳಗಡೆ ಹಿಂದಕ್ಕೆ ಚಲಿಸುತ್ತದೆ. "ನಾವು ಎಲ್ಲಿ ತಪ್ಪು ಮಾಡಿದೆವು?" ಎಂದು ವಿಶ್ಲೇಷಿಸಿ, ತಪ್ಪು ಮಾಡಿದ ಸದಸ್ಯರ ಮತದ 'ತೂಕ'ವನ್ನು ಸರಿಪಡಿಸಲಾಗುತ್ತದೆ. ಇದನ್ನು 'ಹಿಮ್ಮುಖ ಪ್ರಸರಣ' (Backpropagation) ಎನ್ನುತ್ತಾರೆ. ಪ್ರವಣತೆ ಇಳಿಕೆ (Gradient Descent) ಎಂಬ ಗಣಿತೀಯ ವಿಧಾನದ ಮೂಲಕ ನಿರಂತರವಾಗಿ ಈ ತಪ್ಪುಗಳನ್ನು ತಿದ್ದಿಕೊಳ್ಳುತ್ತಾ, ಕೃತಕ ನರಜಾಲವು ಹೊಸ ವಿಷಯಗಳನ್ನು ಅತ್ಯಂತ ನಿಖರವಾಗಿ ಕಲಿಯುತ್ತದೆ.

ಹೀಗೆ, ಈ 'ಬೃಹತ್ ಮತದಾನ ಸಮಿತಿ' ಕೇವಲ ಒಂದೇ ದಿನದಲ್ಲಿ ಪರಿಣತರಾಗುವುದಿಲ್ಲ. ಸಾವಿರಾರು ಬಾರಿ ತಪ್ಪು ಮಾಡುತ್ತಾ, ಹಿಂದಕ್ಕೆ ಹೋಗಿ ಆ ತಪ್ಪುಗಳಿಂದ ಪಾಠ ಕಲಿಯುತ್ತಾ, ತಮ್ಮ 'ಮತದ ತೂಕ'ವನ್ನು ತಿದ್ದಿಕೊಳ್ಳುತ್ತಾ ಕೊನೆಗೊಂದು ದಿನ ಅತ್ಯಂತ ನಿಖರವಾದ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮಟ್ಟಕ್ಕೆ ಬೆಳೆಯುತ್ತದೆ. ಮಗುವೊಂದು ನಡೆಯಲು ಕಲಿಯುವಾಗ ಎಡವಿ ಬಿದ್ದು, ಮತ್ತೆ ಎದ್ದು ನಿಲ್ಲುವಂತೆ, ಈ ಕೃತಕ ನರಜಾಲವು (Artificial Neural Network) ನಿರಂತರವಾಗಿ ಕಲಿಯುತ್ತಲೇ ಇರುತ್ತದೆ.

ಈ ಸಮಿತಿಯ ಒಗ್ಗಟ್ಟಿನ ಶ್ರಮವೇ ಇಂದಿನ ಸ್ಮಾರ್ಟ್ ಚಾಟ್‌ಬಾಟ್‌ಗಳ (Chatbots) ಹಿಂದಿನ ಮಾತು, ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ಕಾರುಗಳ (Self-driving cars) ಕಣ್ಣು!

ಆದರೆ, ಈ ಬೃಹತ್ ಸಮಿತಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬೇಕಾಗುವ 'ಅನುಭವ' ಎಲ್ಲಿಂದ ಬರುತ್ತದೆ? ಹೌದು, ಅದೇ 'ಡೇಟಾ' (Data)! ಬೆಟ್ಟದಷ್ಟು ದತ್ತಾಂಶವನ್ನು ಈ ಸಮಿತಿ ಹೇಗೆ ಅರಗಿಸಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಇದರಿಂದ 'ಡೀಪ್ ಲರ್ನಿಂಗ್' (Deep Learning) ಎಂಬ ದೊಡ್ಡ ಜಗತ್ತು ಹೇಗೆ ಸೃಷ್ಟಿಯಾಗುತ್ತದೆ ಎನ್ನುವ ರೋಚಕ ಕಥೆಯನ್ನು ಮುಂದಿನ ಲೇಖನದಲ್ಲಿ ಬಿಚ್ಚಿಡಲಿದ್ದೇನೆ. ಅಲ್ಲಿಯವರೆಗೂ ನಮಸ್ಕಾರ!