ಯಾವುದೇ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಹುಟ್ಟುತ್ತಲೇ ಬುದ್ಧಿವಂತನಾಗಿರುವುದಿಲ್ಲ. ಆರಂಭದಲ್ಲಿ ಅದು ಮಗುವಿನಂತೆ ವಿಪರೀತ ತಪ್ಪುಗಳನ್ನು ಮಾಡುತ್ತದೆ. ಆದರೆ, ದಿನ ಕಳೆದಂತೆ ಅದು ಮನುಷ್ಯರಿಗಿಂತಲೂ ನಿಖರವಾಗಿ ಹೇಗೆ ಕಲಿಯುತ್ತದೆ?

ಇದರ ಹಿಂದಿರುವ ರಹಸ್ಯವೇ ತಪ್ಪುಗಳನ್ನು ಅಳೆಯುವ ಸೂತ್ರ (Loss Function) ಮತ್ತು ಅದರ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆ (Training).

ಈ ಸಂಕೀರ್ಣವಾದ ತಂತ್ರಜ್ಞಾನವನ್ನು ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದ ಅತ್ಯಂತ ಸರಳ ಹಾಗೂ ಮಜವಾದ ಉದಾಹರಣೆಗಳ ಮೂಲಕ ಅರ್ಥಮಾಡಿಕೊಳ್ಳೋಣ!

೧. ಚಾಲನಾ ತರಬೇತುದಾರನ ಹೋಲಿಕೆ (The Driving Instructor Analogy)

ನೀವು ಮೊದಲ ಬಾರಿಗೆ ಕಾರು ಓಡಿಸಲು ಕಲಿಯುತ್ತಿದ್ದೀರಿ (ಡ್ರೈವಿಂಗ್ ಸ್ಕೂಲ್) ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ನೀವು ಕಾರನ್ನು ಪಾರ್ಕ್ ಮಾಡಲು ಹೋಗಿ ಫುಟ್‌ಪಾತ್‌ಗೆ ಗುದ್ದುತ್ತೀರಿ.

  • ಆಗ ನಿಮ್ಮ ಪಕ್ಕದಲ್ಲಿರುವ ತರಬೇತುದಾರ ಕೇವಲ "ತಪ್ಪು ಮಾಡಿದೆ!" ಎಂದು ಬೈದರೆ, ನಿಮಗೆ ಕಾರು ಓಡಿಸಲು ಕಲಿಯುವುದು ಕಷ್ಟವಾಗುತ್ತದೆ.

  • ಆದರೆ ಅದೇ ತರಬೇತುದಾರ, "ನೀನು ಕಾರನ್ನು ಪಾರ್ಕ್ ಮಾಡಬೇಕಿದ್ದ ಜಾಗಕ್ಕಿಂತ ಕರಾರುವಾಕ್ಕಾಗಿ ೪ ಇಂಚು ಮುಂದೆ ಬಂದಿದ್ದೀಯ. ಮುಂದಿನ ಬಾರಿ ಸ್ಟೀರಿಂಗ್ ಅನ್ನು ೨೦ ಡಿಗ್ರಿ ಎಡಕ್ಕೆ ತಿರುಗಿಸು" ಎಂದು ನಿಖರವಾಗಿ ಹೇಳಿದರೆ? ನೀವು ಮುಂದಿನ ಬಾರಿ ಸುಲಭವಾಗಿ ತಪ್ಪು ತಿದ್ದಿಕೊಳ್ಳುತ್ತೀರಲ್ಲವೇ?

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಜಗತ್ತಿನಲ್ಲಿ ಈ ನಿಖರವಾದ ತರಬೇತುದಾರನನ್ನೇ 'ಲಾಸ್ ಫಂಕ್ಷನ್' (Loss Function) ಅಥವಾ 'ತಪ್ಪುಗಳ ಅಳತೆಗೋಲು' ಎಂದು ಕರೆಯುತ್ತಾರೆ.

AI ಒಂದು ಪ್ರಶ್ನೆಗೆ ತಪ್ಪು ಉತ್ತರ ಕೊಟ್ಟಾಗ, "ನೀನು ಕೊಟ್ಟ ಉತ್ತರ ಎಷ್ಟು ತಪ್ಪಾಗಿದೆ?" ಮತ್ತು "ಸರಿಯಾದ ಉತ್ತರಕ್ಕೂ, ನೀನು ಕೊಟ್ಟ ಉತ್ತರಕ್ಕೂ ಗಣಿತದ ಪ್ರಕಾರ ಎಷ್ಟು ಅಂತರವಿದೆ?" ಎಂಬುದನ್ನು ಈ ಅಳತೆಗೋಲು ನಿಖರವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ.

೨. ಬಾಣ ಬಿಡುವ ಆಟ (The Archery Analogy)

wmremove-transformed (13).jpeg

ಬಾಣ ಬಿಡುವ (Archery) ಆಟವನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳಿ. ಆಟಗಾರನ ಗುರಿ ಮಧ್ಯದ ಕೆಂಪು ವೃತ್ತಕ್ಕೆ (Bullseye) ಬಾಣ ಹೊಡೆಯುವುದು.

  • ಮೊದಲನೇ ಬಾರಿ ಬಾಣ ಬಿಟ್ಟಾಗ ಅದು ವೃತ್ತದಿಂದ ೧೦ ಸೆಂಟಿಮೀಟರ್ ದೂರ ಹೋಗಿ ಬೀಳುತ್ತದೆ. (ಇಲ್ಲಿ ೧೦ ಸೆಂ.ಮೀ ಎಂಬುದು ನಷ್ಟ ಅಥವಾ Loss).

  • ಈಗ ಆಟಗಾರನು ತನ್ನ ಕೈಯ ಕೋನವನ್ನು ಸ್ವಲ್ಪ ಬದಲಾಯಿಸುತ್ತಾನೆ (ಇದು Training).

  • ಎರಡನೇ ಬಾರಿ ೫ ಸೆಂ.ಮೀ ದೂರ ಬೀಳುತ್ತದೆ (Loss ಕಡಿಮೆಯಾಯಿತು).

  • ಹೀಗೆ ನೂರಾರು ಬಾರಿ ಪ್ರಯತ್ನಿಸಿ, ತಪ್ಪುಗಳನ್ನು ತಿದ್ದಿಕೊಳ್ಳುತ್ತಾ (Training), ಅಂತಿಮವಾಗಿ ಬಾಣವನ್ನು ಸರಿಯಾಗಿ ಮಧ್ಯಕ್ಕೆ ಹೊಡೆಯಲು ಕಲಿಯುತ್ತಾನೆ (Loss = 0).

AI ಕೂಡ ಇದೇ ರೀತಿ ಕಲಿಯುತ್ತದೆ. ತಪ್ಪುಗಳ ಪ್ರಮಾಣ (Loss) ಸೊನ್ನೆ ಅಥವಾ ಸೊನ್ನೆಯ ಹತ್ತಿರ ಬರುವವರೆಗೂ ತನ್ನ 'ನಿಯತಾಂಕಗಳನ್ನು' (Parameters / Weights) ಬದಲಾಯಿಸುತ್ತಲೇ ಇರುತ್ತದೆ.

೩. ಅಡುಗೆ ಮನೆಯ ಉದಾಹರಣೆ (The Chef & Soup Analogy)

ನೀವು ಮೊದಲ ಬಾರಿಗೆ ಸೂಪ್ ಮಾಡುತ್ತಿದ್ದೀರಿ.

  1. ಊಹಿಸುವುದು (Guess): ನೀವು ಅಂದಾಜಿನ ಮೇಲೆ ಒಂದು ಚಮಚ ಉಪ್ಪು ಹಾಕುತ್ತೀರಿ.

  2. ತಪ್ಪು ಅಳೆಯುವುದು (Loss Function): ಸೂಪ್ ಟೇಸ್ಟ್ ಮಾಡಿದಾಗ ಅದು ವಿಪರೀತ ಉಪ್ಪಾಗಿದೆ ಎಂದು ನಿಮಗೆ ತಿಳಿಯುತ್ತದೆ (ಇದು Loss ಲೆಕ್ಕಾಚಾರ).

  3. ತಿದ್ದುಪಡಿ ಮಾಡುವುದು (Training): ಮುಂದಿನ ಬಾರಿ ಸೂಪ್ ಮಾಡುವಾಗ ನೀವು ಕೇವಲ ಅರ್ಧ ಚಮಚ ಉಪ್ಪು ಹಾಕುತ್ತೀರಿ.

ಹೀಗೆ 'ಟೇಸ್ಟ್ ಮಾಡಿ ಉಪ್ಪು-ಖಾರ ಸರಿಪಡಿಸುವ' ನಿರಂತರ ಪ್ರಕ್ರಿಯೆಯೇ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ತರಬೇತಿ (Training).

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?

ಒಂದು ಮಾದರಿಗೆ (Model) ತರಬೇತಿ ನೀಡುವಾಗ ಮೂರು ಮುಖ್ಯ ಹಂತಗಳಿರುತ್ತವೆ:

  1. ಆದಾನ ಮತ್ತು ಊಹೆ (Forward Pass): ನಾವು AI ಗೆ ದತ್ತಾಂಶವನ್ನು (Data) ನೀಡುತ್ತೇವೆ ಮತ್ತು ಅದು ತನ್ನದೇ ಆದ ಊಹೆಯ ಮೇಲೆ ಒಂದು ಉತ್ತರವನ್ನು ನೀಡುತ್ತದೆ.

  2. ನಷ್ಟದ ಲೆಕ್ಕಾಚಾರ (Loss Function): AI ನೀಡಿದ ಉತ್ತರಕ್ಕೂ, ಇರಬೇಕಾದ 'ನಿಜವಾದ ಉತ್ತರಕ್ಕೂ' ಇರುವ ವ್ಯತ್ಯಾಸವನ್ನು 'ಲಾಸ್ ಫಂಕ್ಷನ್' ಲೆಕ್ಕ ಹಾಕುತ್ತದೆ.

  3. ಹಿಂದಿರುಗಿ ತಿದ್ದಿಕೊಳ್ಳುವುದು (Backpropagation): ತಪ್ಪು ಎಲ್ಲಾಯಿತು ಎಂದು ಅರಿತ ಮೇಲೆ, ವ್ಯವಸ್ಥೆಯು ಹಿಂದಕ್ಕೆ ಚಲಿಸಿ, ತನ್ನ ಮೆದುಳಿನಲ್ಲಿರುವ 'ತೂಕ ಮತ್ತು ಪ್ರವೃತ್ತಿ'ಯ (Weights and Biases) ಗಣಿತದ ಸಂಖ್ಯೆಗಳನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಬದಲಾಯಿಸುತ್ತದೆ.

ಸಾರಾಂಶ: AI ತಪ್ಪು ಮಾಡಬಾರದು ಎಂದೇನಿಲ್ಲ, ಆದರೆ ಅದು ತನ್ನ ತಪ್ಪುಗಳಿಂದ ಹೇಗೆ ಕಲಿಯುತ್ತದೆ ಎಂಬುದೇ ಅದರ ನಿಜವಾದ ಶಕ್ತಿ. 'ಲಾಸ್ ಫಂಕ್ಷನ್' (ತಪ್ಪುಗಳ ಅಳತೆಗೋಲು) ಎನ್ನುವುದು ಆ ಯಂತ್ರಕ್ಕೆ ಕನ್ನಡಿ ಹಿಡಿದು "ಇಲ್ಲಿ ತಪ್ಪಾಗಿದೆ, ಹೀಗೆ ಸರಿಪಡಿಸಿಕೊ" ಎಂದು ದಾರಿ ತೋರುವ ಅತ್ಯುತ್ತಮ ಗುರು. ಈ ಗುರುವಿನ ಮಾರ್ಗದರ್ಶನದಲ್ಲಿ ಕೋಟ್ಯಂತರ ಬಾರಿ ತರಬೇತಿ (Training) ಪಡೆದ ಮೇಲೆಯೇ ChatGPT ಯಂತಹ ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳು ಸೃಷ್ಟಿಯಾಗುತ್ತವೆ!