ನಾವು DALL-E 3 ಅಥವಾ Stable Diffusion ನಂತಹ AI ತಂತ್ರಜ್ಞಾನಗಳಲ್ಲಿ "ಒಂದು ಸೂರ್ಯಾಸ್ತದ ಸಮಯದಲ್ಲಿ ಹಂಪಿಯ ವಿರೂಪಾಕ್ಷ ದೇವಸ್ಥಾನ" ಎಂದು ಬರೆದ ತಕ್ಷಣ, ಅದು ಕಣ್ಣಿಮೆಚ್ಚಿಸುವ ಅದ್ಭುತ ಚಿತ್ರವನ್ನು ನಮ್ಮ ಮುಂದಿಡುತ್ತದೆ! ನೋಡಲು ಇದೇನೋ ಮ್ಯಾಜಿಕ್‌ನಂತೆ ಕಂಡರೂ, ಇದರ ಹಿಂದೆ 'ಡಿಫ್ಯೂಷನ್ ಮಾಡೆಲ್‌ಗಳು' (Diffusion Models) ಎಂಬ ಅತ್ಯಂತ ರೋಚಕ ಗಣಿತದ ತಂತ್ರಜ್ಞಾನ ಕೆಲಸ ಮಾಡುತ್ತಿದೆ.

ಇದನ್ನು ನಾವು ತೀರಾ ಸರಳವಾಗಿ, ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದ ಒಂದು ಮಜವಾದ ಅನುಭವದ ಮೂಲಕ ಅರ್ಥಮಾಡಿಕೊಳ್ಳೋಣ.

ಮೋಡಗಳನ್ನು ನೋಡುವ ಬಾಲ್ಯ ಮತ್ತು ಗೊಂದಲದಲ್ಲಿ ಮೂಡುವ ರೂಪ!

  • ಮೋಡಗಳನ್ನು ನೋಡುವ ಆಟ: ನಾವೆಲ್ಲರೂ ಬಾಲ್ಯದಲ್ಲಿ ಆಕಾಶದಲ್ಲಿ ಹರಡಿರುವ ಬಿಳಿ ಮೋಡಗಳನ್ನು ನೋಡುತ್ತಾ, "ಅಲ್ಲಿ ನೋಡು, ಆ ಮೋಡ ಆನೆಯಂತೆ ಕಾಣುತ್ತಿದೆ!", "ಇಲ್ಲ, ಅದು ಓಡುವ ಕುದುರೆಯಂತಿದೆ!" ಎಂದು ಊಹಿಸಿ ಸಂಭ್ರಮಿಸಿರುತ್ತೇವೆ. ವಾಸ್ತವವಾಗಿ ಆ ಮೋಡಗಳು ಕೇವಲ ಯಾದೃಚ್ಛಿಕವಾಗಿ (Random) ಹರಡಿರುವ ಆಕಾರಗಳಷ್ಟೇ. ಆದರೆ ನಮ್ಮ ಮನುಷ್ಯನ ಮೆದುಳು ಆ ಗೊಂದಲದಲ್ಲೂ ನಮಗೆ ಪರಿಚಿತವಾದ ಒಂದು ರೇಖಾಚಿತ್ರವನ್ನು ಹುಡುಕುತ್ತದೆ! ಈ ಯಾದೃಚ್ಛಿಕ ಗೊಂದಲವನ್ನೇ AI ಭಾಷೆಯಲ್ಲಿ 'ನಾಯ್ಸ್' (Noise) ಅಥವಾ 'ಗೊಂದಲ' ಎನ್ನಲಾಗುತ್ತದೆ.

  • ಕಲಾವಿದ ಮತ್ತು ಗೊಂದಲಮಯ ಕ್ಯಾನ್ವಾಸ್: ಈಗ ನಾವು ಒಬ್ಬ ಅದ್ಭುತ ಕಲಾವಿದನನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳೋಣ. ಆತನ ಕೈಗೆ ನಾವು ಹಳೆಯ ಟಿವಿ ಸ್ಕ್ರೀನ್‌ನಂತೆ ಬಣ್ಣ ಬಣ್ಣದ ಚುಕ್ಕೆಗಳಿರುವ ಸಂಪೂರ್ಣ ಗೊಂದಲಮಯ ಕ್ಯಾನ್ವಾಸ್ ನೀಡುತ್ತೇವೆ. ಜೊತೆಗೆ, "ನಮಗೆ ಹಂಪಿಯ ದೇವಸ್ಥಾನದ ಚಿತ್ರ ಬೇಕು" ಎಂದು ಹೇಳುತ್ತೇವೆ.

AI ನಲ್ಲಿ ಡಿಫ್ಯೂಷನ್ ಮಾಡೆಲ್‌ಗಳು ಅಕ್ಷರಶಃ ಈ ಕಲಾವಿದನಂತೆಯೇ ಕೆಲಸ ಮಾಡುತ್ತವೆ!

ಇದು ತಾಂತ್ರಿಕವಾಗಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? (ಗೊಂದಲದಿಂದ ಸ್ಪಷ್ಟತೆಯತ್ತ!)

ಈ ತಂತ್ರಜ್ಞಾನವು ಪ್ರಮುಖವಾಗಿ ಎರಡು ಹಂತಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ:

  1. ಚಿತ್ರಕ್ಕೆ ಗೊಂದಲ ತುಂಬುವುದು (Forward Process): AI ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರು ಮೊದಲು ಒಂದು ಸ್ಪಷ್ಟವಾದ ಚಿತ್ರವನ್ನು (ಉದಾಹರಣೆಗೆ ಒಂದು ದೋಸೆಯ ಚಿತ್ರ) ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ. ನಂತರ ಅದಕ್ಕೆ ಹಂತ-ಹಂತವಾಗಿ 'ನಾಯ್ಸ್' (Noise) ಅಥವಾ ಬಣ್ಣದ ಚುಕ್ಕೆಗಳನ್ನು ಸೇರಿಸುತ್ತಾ ಹೋಗುತ್ತಾರೆ. ಕೊನೆಗೆ ಆ ಚಿತ್ರವು ಗುರುತೇ ಸಿಗದಂತೆ ಕೇವಲ ಚುಕ್ಕೆಗಳ ರಾಶಿಯಾಗಿ ಬದಲಾಗುತ್ತದೆ.

  2. ಗೊಂದಲದಿಂದ ಚಿತ್ರ ಹೊರತೆಗೆಯುವುದು (Reverse Process): ಈ ಹಂತದಲ್ಲೇ AI ನ ಅಸಲಿ ಚಾತುರ್ಯವಿರುವುದು! AI ಶತಕೋಟಿ ಚಿತ್ರಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ, ಒಂದೊಂದೇ ಚುಕ್ಕೆಗಳನ್ನು ತೆಗೆದರೆ ಅದರ ಹಿಂದೆ ಯಾವ ದೃಶ್ಯ ಅಡಗಿರಬಹುದು ಎಂದು ಊಹಿಸುವ ಶಕ್ತಿ ಗಳಿಸಿಕೊಂಡಿರುತ್ತದೆ. ನಾವು ಆಜ್ಞೆ (Prompt) ನೀಡಿದಾಗ, AI ಸಂಪೂರ್ಣ ಗೊಂದಲಮಯವಾದ ಚುಕ್ಕೆಗಳ ರಾಶಿಯಿಂದ ಆರಂಭಿಸುತ್ತದೆ. ನಂತರ ತನ್ನ ಜ್ಞಾನ ಬಳಸಿ, ಹಂತ ಹಂತವಾಗಿ ಆ ಗೊಂದಲದ ಚುಕ್ಕೆಗಳನ್ನು ನಿವಾರಿಸುತ್ತಾ, ನಾವು ಕೇಳಿದ ಸ್ಪಷ್ಟ ಚಿತ್ರವನ್ನು ಹೊರತರುತ್ತದೆ!

ನಮ್ಮ ಜಗತ್ತಿನಲ್ಲಿ ಇದರ ಬಳಕೆ ಎಲ್ಲೆಲ್ಲಿದೆ?

  • ಡಿಸೈನರ್‌ಗಳು ಮತ್ತು ಸಿನೆಮಾ ರಂಗ: ಜಾಹೀರಾತು ಸಂಸ್ಥೆಗಳು, ಗೇಮ್ ಡಿಸೈನರ್‌ಗಳು ಹಾಗೂ ಚಲನಚಿತ್ರ ಕಥೆಗಾರರು ತಮ್ಮ ಆಲೋಚನೆಗಳಿಗೆ ತಕ್ಷಣವೇ ಜೀವ ನೀಡಲು ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸುತ್ತಿದ್ದಾರೆ.

  • ವೈದ್ಯಕೀಯ ವಿಜ್ಞಾನ: ಕೇವಲ ಚಿತ್ರ ಸೃಷ್ಟಿಸುವುದಷ್ಟೇ ಅಲ್ಲದೆ, ವೈದ್ಯರು ತೆಗೆಯುವ ಹಳೆಯ ಅಥವಾ ಮಸುಕಾದ ಎಕ್ಸ್-ರೇ (X-ray) ಮತ್ತು ಎಂಆರ್‌ಐ (MRI) ಸ್ಕ್ಯಾನ್‌ಗಳಲ್ಲಿರುವ 'ಗೊಂದಲ' ಅಥವಾ 'ನಾಯ್ಸ್' ನಿವಾರಿಸಿ, ಕಣ್ಣಿಗೆ ಸ್ಪಷ್ಟವಾಗಿ ಕಾಣುವ ಚಿತ್ರಗಳನ್ನು ರೂಪಿಸಲು ಇದು ನೆರವಾಗುತ್ತಿದೆ.

ಸಾರಾಂಶ: ಡಿಫ್ಯೂಷನ್ ಮಾಡೆಲ್‌ಗಳು ಎಂದರೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಸಿಕ್ಕಿರುವ 'ಮ್ಯಾಜಿಕ್ ಬ್ರಷ್'. ಇದು ಸಂಪೂರ್ಣ ಗೊಂದಲಮಯವಾದ ಚುಕ್ಕೆಗಳ ರಾಶಿಯಿಂದ ನಮಗೆ ಬೇಕಾದ ಸುಂದರ ಚಿತ್ರವನ್ನು ಊಹಿಸಿ ಹೊರತೆಗೆಯುವ ಅದ್ಭುತ ಕಲೆಯಾಗಿದೆ.