ಕೃತಕ ನರಜಾಲ (Neural Networks) ಹೇಗೆ ಯೋಚಿಸುತ್ತದೆ ಮತ್ತು ಕಲಿಯುತ್ತದೆ ಎಂದು ನೀವು ಗಮನಿಸಿದರೆ, ಅದರ ಹಿಂದಿರುವ ಅತಿಮುಖ್ಯ ಗಣಿತದ ಶಕ್ತಿಗಳೇ 'ತೂಕ' (Weights) ಮತ್ತು 'ಪ್ರವೃತ್ತಿ' (Biases). ಕಂಪ್ಯೂಟರ್ ತಾನಾಗಿಯೇ ಒಂದು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು ಇವೆರಡೇ ಪ್ರಮುಖ ಕಾರಣ.

ಇದನ್ನು ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದ ಸರಳ ಉದಾಹರಣೆಗಳ ಮೂಲಕ ಅರ್ಥಮಾಡಿಕೊಳ್ಳೋಣ.

೧. ತೂಕ (Weights) - ಪ್ರಾಮುಖ್ಯತೆಯ ಅಳತೆಗೋಲು

ಒಂದು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಾಗ, ಲಭ್ಯವಿರುವ ಹಲವು ಮಾಹಿತಿಗಳ ಪೈಕಿ "ಯಾವ ಮಾಹಿತಿಗೆ ಎಷ್ಟು ಬೆಲೆ ಅಥವಾ ಪ್ರಾಮುಖ್ಯತೆ ಕೊಡಬೇಕು?" ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದೇ ತೂಕ (Weights).

  • ಉದಾಹರಣೆ: ನೀವು ಹೊಸ ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಖರೀದಿಸುತ್ತಿದ್ದೀರಿ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ.

    • ಫೋನ್‌ನ ಬ್ಯಾಟರಿ ಮತ್ತು ಪ್ರೊಸೆಸರ್‌ಗೆ ನೀವು ಹೆಚ್ಚಿನ ಪ್ರಾಮುಖ್ಯತೆ (High Weight) ಕೊಡುತ್ತೀರಿ.

    • ಆದರೆ, ಫೋನ್ ಪ್ಯಾಕ್ ಮಾಡಿರುವ ಬಾಕ್ಸ್‌ನ ಬಣ್ಣಕ್ಕೆ ನೀವು ಯಾವುದೇ ಬೆಲೆ ಕೊಡುವುದಿಲ್ಲ (Zero Weight). ಕೃತಕ ನರಜಾಲವು ಕೂಡ ಇದೇ ರೀತಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಫಲಿತಾಂಶದ ಮೇಲೆ ಹೆಚ್ಚು ಪ್ರಭಾವ ಬೀರುವ ಡೇಟಾಗೆ ಅದು ಹೆಚ್ಚಿನ 'ತೂಕ'ವನ್ನು ನೀಡುತ್ತದೆ.

೨. ಪ್ರವೃತ್ತಿ (Bias) - ಮೂಲ ಸ್ವಭಾವ ಅಥವಾ ಮಿತಿ

ಯಾವುದೇ ಮಾಹಿತಿ ಇಲ್ಲದಿದ್ದರೂ, ಮೊದಲೇ ಇರುವ ಒಂದು 'ಸಹಜ ಒಲವು' ಅಥವಾ 'ಆರಂಭಿಕ ಮಿತಿ'ಯೇ ಪ್ರವೃತ್ತಿ (Bias). ಇದು ನಿರ್ಧಾರವನ್ನು ಒಂದು ನಿರ್ದಿಷ್ಟ ದಿಕ್ಕಿನತ್ತ ವಾಲಿಸುವಂತೆ ಮಾಡುತ್ತದೆ.

  • ಉದಾಹರಣೆ: ಮಳೆಗಾಲದಲ್ಲಿ ನೀವು ಹೊರಗೆ ಹೋಗುವಾಗ ಛತ್ರಿ ತೆಗೆದುಕೊಂಡು ಹೋಗಬೇಕೇ ಅಥವಾ ಬೇಡವೇ ಎಂಬ ನಿರ್ಧಾರ.

    • ನಿಮಗೆ ಮೊದಲೇ ಛತ್ರಿ ಹಿಡಿದುಕೊಂಡು ಹೋಗುವುದು ಎಂದರೆ ವಿಪರೀತ ಬೇಸರ (ಇದು ನಿಮ್ಮ Negative Bias).

    • ಹೊರಗೆ ಮೋಡ ಕವಿದಿದ್ದರೂ (High Weight ಮಾಹಿತಿ), ನಿಮ್ಮ ಈ ಬೇಸರದ ಪ್ರವೃತ್ತಿಯ ಕಾರಣದಿಂದ ನೀವು ಛತ್ರಿ ಒಯ್ಯದಿರಲು ನಿರ್ಧರಿಸಬಹುದು. ನಿಮ್ಮ ಮಿತಿಯನ್ನು ದಾಟಲು ಹೊರಗೆ ಭಾರಿ ಮಳೆಯೇ ಬರಬೇಕಾಗುತ್ತದೆ! ಹೀಗೆ, ಪರಿಸ್ಥಿತಿಗೆ ತಕ್ಕಂತೆ ನಿರ್ಧಾರದ ಸಮತೋಲನವನ್ನು ಕಾಪಾಡಲು ಕೃತಕ ನರಜಾಲಕ್ಕೆ 'ಪ್ರವೃತ್ತಿ' ಅತ್ಯಗತ್ಯ.

ಇವೆರಡೂ ಒಟ್ಟಿಗೆ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ?

ಯಾವುದೇ ಕೃತಕ ನರಕೋಶವು ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ಈ ಕೆಳಗಿನ ಸರಳ ಸೂತ್ರದಂತೆ ಲೆಕ್ಕ ಹಾಕುತ್ತದೆ:

ನಿರ್ಧಾರ = (ಮಾಹಿತಿ × ತೂಕ) + ಪ್ರವೃತ್ತಿ

ಆರಂಭದಲ್ಲಿ ಕೃತಕ ನರಜಾಲಕ್ಕೆ ಇವುಗಳ ಸರಿಯಾದ ಬೆಲೆ ಗೊತ್ತಿರುವುದಿಲ್ಲ, ಹಾಗಾಗಿ ಅದು ತಪ್ಪು ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡುತ್ತದೆ. ಆದರೆ ತರಬೇತಿ (Training) ಪಡೆಯುತ್ತಾ ಹೋದಂತೆ, ತನ್ನ ತಪ್ಪುಗಳಿಂದ ಕಲಿತು ಈ 'ತೂಕ ಮತ್ತು ಪ್ರವೃತ್ತಿಯ' ಸಂಖ್ಯೆಗಳನ್ನು ನಿಖರವಾಗಿ ಬದಲಾಯಿಸಿಕೊಳ್ಳುತ್ತಾ ಹೋಗುತ್ತದೆ. ಕೊನೆಗೆ ಮನುಷ್ಯರಿಗಿಂತಲೂ ಚುರುಕಾಗಿ ಕೆಲಸ ಮಾಡಲು ಕಲಿಯುತ್ತದೆ!