- विश्राम ढोले (माध्यम, तंत्रज्ञान, संस्कृती या विषयांचे अभ्यासक)
कृत्रिम बुद्धिमत्ता क्षेत्रावर वर्चस्व आहे यंत्रांच्या स्वयंशिक्षणाचे, मशीन लर्निंगचे! हे सगळेच प्रकरण आता मानवी बुद्धीसारखे गहिरे व गूढही होऊ लागले आहे!
चांगली नक्कल करायला अक्कल लागते असे म्हणतात. ते खरे असेलही. पण, नक्कल करण्यातून अकलेत थोडी भरच पडत असते. कृत्रिम बुद्धिमत्तेच्या क्षेत्रातही हे दिसून येते. कृत्रिम बुद्धिमत्तेचे क्षेत्र ज्या आर्टिफिशियल न्युरल नेटवर्क (एएनएन) या संकल्पनेमुळे भरारी घेऊ शकले ती संकल्पनाही मेंदूच्या कार्यपद्धतीची नक्कलच. मेंदू म्हणजे चेतारज्जूंचे (न्युरॉन्स) प्रचंड आणि गुंतागुंतीचे जाळे. आपले सारे शिकणे, लक्षात ठेवणे, कल्पना करणे, भाकीत वर्तविणे म्हणजे या जाळ्यातील काही चेतारज्जूंचे पेटणे, तेवणे किंवा विझणे. त्यातून संदेशांची देवाणघेवाण होते. त्यावर प्रक्रिया होतात. असंख्य सर्किटचा, त्यांच्या विविध स्तरांचा आणि गणिती सुत्रांचा वापर करून कृत्रिम बुद्धिमत्ता मेंदुच्या या कार्यपद्धतीचीच नक्कल करते. याची सुरुवात पन्नासच्या दशकात झाली. त्याचं नाव पर्सेप्ट्रॉन. पण त्यावेळच्या यांत्रिक मर्यादांमुळे पर्सेप्ट्रॉनची संकल्पना काही फार रुजली नाही. या मर्यादा जसजशा कमी होत गेल्या तसे एएनएनचे सामर्थ्य लक्षात येत गेले.
कृत्रिम बुद्धिमत्तेच्या क्षेत्रावर आज वर्चस्व आहे ते यंत्रांच्या स्वयंशिक्षणाचे अर्थात मशिन लर्निंगचे. या यांत्रिक स्वयंशिक्षणाचा मुख्य तांत्रिक आधार आहे ते एएनएनचे जाळे. पण नकलेतून कृत्रिम अक्कल वाढविण्याची गोष्ट इथेच संपत नाही. या जाळ्याने शिकावे कसे याबाबतही कृत्रिम बुद्धिमत्तेच्या क्षेत्राने मानवी पद्धतींचे अनुकरण करत बराच पल्ला गाठला आहे. शिकण्याच्या कोणत्या पद्धतीला मध्यवर्ती स्थान द्यावे, विचारांची कोणती शैली स्वीकारावी, यावरून कृत्रिम बुद्धिमत्तेच्या क्षेत्रातही हिंदुस्थानी शास्त्रीय संगीताच्या क्षेत्राप्रमाणे काही घराणी निर्माण होत गेली. पेड्रो डोमिंगोज या तज्ज्ञांच्या मते कृत्रिम बुद्धिमत्तेच्या क्षेत्रात शिकण्याची अशी पाच प्रमुख घराणी आहेत.
आद्य घराणे चिन्हवाद्यांचे. भाषा, गणित म्हणजे मुख्यत्वे चिन्ह आणि प्रतिकांचा व्यवहार. त्यामुळे संगणकानेही मानवी विचार अशा मूलभूत भाषिक आणि गणिती चिन्हांमधूनच शिकायचे हे या घराण्याचे मुख्य सूत्र. गणित, भाषा, तत्वज्ञान, तर्कशास्त्र हे या घराण्याचे आधारभूत विषय. मात्र विचार, भाकिते अशा चिन्हांमध्ये मांडण्यात खूप अडचणी येतात. शिवाय संगणकाला हे शिकविण्यातच खूप शक्ती खर्ची पडते. त्यामुळे आज हे घराणे काहीसे मागे पडले आहे. दुसरे घराणे उत्क्रांतीवाद्यांचे. यांच्या मते शिकणे म्हणजे समस्या सोडविणे. संगणकासमोर एखादी समस्या मांडायची. कृत्रिम बुद्धिमत्ता त्यावरील सर्व संभाव्य उपाय वर्तविल. मग सुरुवातीच्या परिस्थितीमध्ये छोटा अनपेक्षित बदल घडवून आणायचा. आधी वर्तविलेल्यांपैकी जे उपाय या नव्या बदलांच्या दृष्टिने उपयुक्त ठरणार नाहीत, ते सोडून द्यायचे. बदलांचे चक्र बराच काळ चालविल्यानंतर जे टिकतील ते खरे उपाय.
डार्विनने सांगितलेल्या उत्क्रांतीच्या तत्त्वासारखेच हे. तत्व आहे उत्तम. पण वेळखाऊ आणि उत्क्रांतीप्रमाणेच मंदगती. आणि कायमस्वरुपी खुले. त्यामुळे घराण्याचा तात्विक आधार भक्कम असला तरी वापर तुलनेने मर्यादितच आहे. तिसरे घराणे बेझवाद्यांचे. अठराव्या शतकातील ब्रिटिश सांख्यिकीतज्ज्ञ, तत्वज्ञ आणि ख्रिश्चन धर्मगुरू थॉमस बेझ हे या घराण्याचे आद्य गुरु. त्यांच्या बेझियन उपपत्ती (थिअरम) नुसार एखाद्या अनिश्चित गोष्टीबद्दल प्रथम भाकितं वर्तवायची आणि येणाऱ्या प्रत्येक नव्या पुराव्याच्या पार्श्वभूमीवर त्या भाकितांवर कितपत विश्वास ठेवायचा ते प्रमाण सांख्यिकी सुत्रांच्या साह्याने ठरवत जायचे. अशा प्रकारे भाकिताच्या विश्वासार्हतेची पातळी बरेचदा पडताळली तर अंतिमतः विश्वासार्ह भाकीत करण्याचे प्रतिमान (मॉडेल) हाती लागते यावर बेझवाद्यांचा विश्वास. कृत्रिम बुद्धिमत्तेचे स्वयंशिक्षण भाकितांच्या विश्वासार्हतेच्या सांख्यिकी पडताळणीतून व्हावे असे बेझवाद्यांचे म्हणणे. आज या घराण्याचा बराच दबदबा आहे.
चौथे घराणे साधर्म्यवाद्यांचे. यांचा भर तुलनेवर. त्यानुसार एखादी नवी घटना यापूर्वीच माहीत असलेल्या कोणत्या घटनेशी मिळतीजुळती आहे हे आधी बारकाईने तपासायचे. त्यांच्यातले साधर्म्य लक्षात आले, की मग नव्या घटनेचे परिणाम काय होऊ शकतील, याचे माहीत असलेल्या घटनेच्या साह्याने भाकीत करायचे हे साधर्म्यवाद्यांचे सूत्र. जुन्या घटनांची माहिती जितकी जास्त तितके तुमचे भाकीत विश्वासार्ह यावर यांचा विश्वास. दैनंदिन जगण्यातील डिजिटल विद्येचे प्रचंड प्रमाण आणि सारखेपणा शोधण्यातील सहजता यामुळे या घराण्याची लोकप्रियता आणि उपयुक्तता वाढत आहे. मात्र, अकल्पित किंवा अभूतपूर्व घटनांच्या बाबतीत मात्र हे घराणे मार खाते.
पाचवे आणि आजघडीला सर्वात प्रभावी ठरलेले घराणे आहे जोडणीवाद्यांचे. यांचे काम असते विणकरांसारखे. विणकर ताणे आणि बाण्यांच्या साह्याने धाग्यांशी धागे जोडत जातो, त्यांचे पातळ - जाड थर बनवित जातो. त्यावर धाग्यांची नक्षी काढत जातो. न्युरल नेटवर्कचा वापर करून जोडणीवादी मंडळी असेच काहीसे करू बघतात. इथे पहिल्या स्तराला एखाद्या भाकितासंबंधी प्राथमिक माहिती - इनपूट - दिली जाते. या स्तरामध्ये त्यावर काहीएक प्रक्रिया होऊन निर्माण झालेली नवी माहिती नंतरच्या स्तराला इनपूट म्हणून दिली जाते. हे नवे इनपूट काळ्या - पांढऱ्या रंगासारखे कप्पेबंद असण्याची गरज नसते. प्रत्येक इनपूट कितपत महत्त्वाचे हे ठरवता आले तर त्याला त्याप्रमाणात वजन लावून पुढे पाठवता येते. म्हणजेच या पद्धतीला फक्त काळ्या पांढऱ्याच नव्हे तर करड्या छटांमध्येही विचार करता येऊ शकतो.
जितके स्तर जास्त तेवढ्या विचार करण्याच्या छटाही जास्त. शिवाय अशा अनेक छटांमधून आलेले उत्तर अंतिमतः चूक ठरले तर त्यानुसार छटांमध्ये, वजनांमध्ये बदल करण्याची सोयही उपलब्ध. वाढत्या विद्येमुळे इनपूटच्या शक्यता वाढत आहे. वाढत्या गणनक्षमतेमुळे प्रक्रियेचे स्तर आणि वेग वाढतोय. या सगळ्यांमुळे जोडणीवादी यांत्रिक स्वयंशिक्षण खूप यशस्वी ठरतेय. ते मानवी बुद्धिमत्तेच्या नुसते जवळच सरकतेय असे नव्हे तर मानवी बुद्धिसारखे गहिरे आणि गूढही होऊ बघतेय. म्हणूनच अशा यांत्रिक स्वयंशिक्षणाला डिप लर्निंग हे नाव पडले आहे. या डिप लर्निंमधील गहिरेपण आणि गूढता याबद्दलची थोडी चर्चा पुढल्या लेखात.vishramdhole@gmail.com