आर्टिफिशियल इंटेलिजन्ससाठी सर्वोत्तम कोर्स कोणता?

विद्येचे माहेरघर असणाऱ्या पुण्यातील सर्वात जुन्या शिक्षण संस्थांपैकी एक म्हणजे डेक्कन कॉलेज होय. या कॉलेजची स्थापना सन १८२१ मध्ये झाली होती.
आणि आर्टिफिशियल इंटेलिजन्स तसेच डेटा सायन्स क्षेत्रातील ट्रेनिंगमध्ये अग्रगण्य असणारी पुण्यातील संस्था म्हणजे मितू स्किलोलॉजीज होय. या संस्थेला गुगलवर सर्वाधिक रेटिंग आणि रिव्ह्यूज आहेत.
आर्टिफिशियल इंटेलिजन्समध्ये करिअर करू इच्छिणाऱ्यांसाठी या दोन्हीही संस्था संयुक्तपणे 'जेनेसिस एआय कोर्स' ऑनलाईन पद्धतीने चालवतात. ज्यामध्ये तब्बल तीन सर्टिफिकेशन कोर्स करता येतात.
विशेष म्हणजे कोणत्याही प्रकारची डिग्री करत असलेला विद्यार्थी आणि सर्व प्रकारचे पदवीधर या कोर्सला प्रवेश घेऊ शकतात. तुम्ही जरी कोणत्याही महाविद्यालयामध्ये शिकत असाल तरीदेखील पॅरलली हा कोर्स करू शकता. कारण तो संध्याकाळी सात ते नऊ या वेळेत चालवला जातो.
या कोर्समध्ये पायथॉन प्रोग्रामिंग, स्टॅटिस्टिक्स, डेटा सायन्स, डेटा ऍनालिसिस, डेटा व्हिज्युलायझेशन, मशीन लर्निंग, डीप लर्निंग, कॉम्प्युटर व्हिजन, नॅचरल लँग्वेज प्रोसेसिंग आणि जनरेटिव्ह एआय सारख्या विविध टेक्नॉलॉजीला प्रॅक्टिकलद्वारे आणि कॅपस्टोन प्रोजेक्टद्वारे शिकवले जाते.
हा कोर्स शिकवण्यासाठी कंपनीतील अनुभवी सॉफ्टवेअर इंजिनियर्स, डेटा सायंटिस्ट, एआय इंजिनियर्स तसेच पीएचडी झालेले प्राध्यापक देखील आहेत.
सर्वात महत्त्वाचं म्हणजे हे कोर्स केल्यानंतर तुम्हाला तुमच्या एबीसी बँकेमध्ये तब्बल २४ क्रेडिट्स देखील मिळणार आहेत. तेही डेक्कन कॉलेज सारख्या शासकीय संस्थेकडून...
यातील एका सर्टिफिकेट कोर्स फी आहे फक्त वीस हजार रुपये. आणि त्याकरिता फक्त ६० जणांना प्रवेश मिळतो. तोही फर्स्ट कम फर्स्ट सर्व बेसिस वर...!
डेक्कन कॉलेज किंवा मितू स्किलोलॉजीजच्या खाली दिलेल्या लिंकवर क्लिक करून तुम्ही अधिक माहिती किंवा तुमचा प्रवेश निश्चित करू शकता.

https://mitu.co.in 

#ArtificialIntelligence #DataScience #GenAI #AgenticAI #pythonprogramming

 

बॅग ऑफ वर्ड्स (Bag of Words): शब्दांची पिशवी

कल्पना करा की तुमच्याकडे काही वाक्ये आहेत आणि तुम्हाला ती संगणकाला समजावून सांगायची आहेत. संगणकाला कधीच थेट मराठी किंवा इंग्रजी भाषा समजत नाही; त्याला फक्त आकडे (numbers) समजतात. (हा संगणकाचा वैश्विक नियम आहे!) मग आपण आपल्या वाक्यांना किंवा मजकुराला (text) आकड्यांच्या स्वरूपात कसे बदलणार? इथेच "बॅग ऑफ वर्ड्स" ही पद्धत मदतीला येते. ही सर्वात जुनी पद्धत आहे.
"बॅग ऑफ वर्ड्स" हे नावाप्रमाणेच आहे. आपण एखाद्या वाक्यातील किंवा परिच्छेदातील सर्व शब्द घेतो, त्यांना व्याकरण किंवा शब्दांच्या क्रमाची पर्वा न करता एका काल्पनिक पिशवीत (bag) टाकतो. या पिशवीत कोणता शब्द किती वेळा आला आहे, फक्त याचीच नोंद ठेवली जाते. शब्दांचा क्रम, त्यांचे एकमेकांशी असलेले संबंध (व्याकरण) या गोष्टी विचारात घेतल्या जात नाहीत.
थोडक्यात सांगायचे तर, बॅग ऑफ वर्ड्स (BoW) ही मजकूर डेटाला संख्यात्मक स्वरूपात (numerical format) रूपांतरित करण्याची एक पद्धत आहे, जिथे प्रत्येक मजकूर (उदा. एक वाक्य) शब्दांच्या उपस्थितीच्या किंवा संख्येच्या आधारावर दर्शवला जातो.

"बॅग ऑफ वर्ड्स" कसे काम करते?

ही प्रक्रिया मुख्यत्वे तीन सोप्या टप्प्यांमध्ये विभागलेली आहे:
टप्पा १: टोकनायझेशन (Tokenization) - शब्दांना वेगळे करणे: या टप्प्यात, आपण दिलेला संपूर्ण मजकूर (ज्याला 'कॉर्पस' म्हणतात) घेतो आणि त्यातील प्रत्येक वाक्याला शब्दांमध्ये तोडतो. प्रत्येक शब्द हा एक 'टोकन' असतो. यामध्ये अनावश्यक चिन्हं (उदा. स्वल्पविराम, पूर्णविराम) काढून टाकली जातात आणि सर्व शब्दांना एकाच स्वरूपात (उदा. लहान लिपीत - lowercase) आणले जाते.

टप्पा २: शब्दसंग्रह तयार करणे (Building Vocabulary): एकदा सर्व मजकुरातील शब्द वेगळे केले की, आपण त्या सर्व शब्दांमधून फक्त एकदाच येणारे (unique) शब्द निवडून एक 'शब्दसंग्रह' (Vocabulary) तयार करतो. हा शब्दसंग्रह म्हणजे आपल्या संपूर्ण मजकुरात वापरल्या गेलेल्या सर्व अद्वितीय शब्दांची एक सूची असते.

टप्पा ३: व्हेक्टर तयार करणे (Vectorization): हा सर्वात महत्त्वाचा टप्पा आहे. इथे आपण प्रत्येक वाक्याला किंवा दस्तऐवजाला एका संख्यात्मक व्हेक्टरमध्ये (numerical vector) रूपांतरित करतो. हा व्हेक्टर आपल्या तयार केलेल्या शब्दसंग्रहाच्या आकाराचा असतो.

प्रत्येक वाक्यासाठी, आपण शब्दसंग्रहातील प्रत्येक शब्द तपासतो. तो शब्द त्या वाक्यात किती वेळा आला आहे, ती संख्या आपण व्हेक्टरमध्ये त्या शब्दाच्या जागी लिहितो. जर एखादा शब्द वाक्यात आला नसेल, तर आपण '0' लिहितो.

चला, हे एका सोप्या उदाहरणाने समजून घेऊया. समजा, आपल्याकडे खालील तीन वाक्ये आहेत:
    वाक्य १: मला क्रिकेट खेळायला आवडते.
    वाक्य २: माझा भाऊ फुटबॉल खेळतो.
    वाक्य ३: मला फुटबॉल आणि क्रिकेट दोन्ही आवडते.
आता आपण यावर "बॅग ऑफ वर्ड्स" मॉडेल लागू करू.

टप्पा १: टोकनायझेशन
प्रथम आपण प्रत्येक वाक्यातील शब्दांना वेगळे करू.
    वाक्य १: ["मला", "क्रिकेट", "खेळायला", "आवडते"]
    वाक्य २: ["माझा", "भाऊ", "फुटबॉल", "खेळतो"]
    वाक्य ३: ["मला", "फुटबॉल", "आणि", "क्रिकेट", "दोन्ही", "आवडते"]

टप्पा २: शब्दसंग्रह तयार करणे
आता आपण वरील सर्व शब्दांमधून अद्वितीय शब्दांची एक सूची (शब्दसंग्रह) तयार करू. आपण हे शब्द वर्णानुक्रमे (alphabetically) लावूया.

आपला शब्दसंग्रह (Vocabulary):
["आणि", "आवडते", "क्रिकेट", "खेळायला", "खेळतो", "दोन्ही", "फुटबॉल", "भाऊ", "मला", "माझा"]

या शब्दसंग्रहात एकूण १० अद्वितीय (unique) शब्द आहेत.
टप्पा ३: व्हेक्टर तयार करणे

आता आपण प्रत्येक वाक्यासाठी या १० शब्दांचा एक व्हेक्टर तयार करू. व्हेक्टरमध्ये आपण प्रत्येक शब्दाची संख्या (frequency) नोंदवू.

वाक्य १: "मला क्रिकेट खेळायला आवडते"

या वाक्याचा व्हेक्टर कसा दिसेल?
शब्दसंग्रहातील शब्द    वाक्यातील संख्या
आणि            0
आवडते    1
क्रिकेट    1
खेळायला    1
खेळतो    0
दोन्ही            0
फुटबॉल    0
भाऊ            0
मला            1
माझा            0

तर, वाक्य १ चा BoW व्हेक्टर असेल: [0, 1, 1, 1, 0, 0, 0, 0, 1, 0]

वाक्य २: "माझा भाऊ फुटबॉल खेळतो"
शब्दसंग्रहातील शब्द    वाक्यातील संख्या
आणि            0
आवडते    0
क्रिकेट    0
खेळायला    0
खेळतो    1
दोन्ही            0
फुटबॉल    1
भाऊ            1
मला            0
माझा            1

तर, वाक्य २ चा BoW व्हेक्टर असेल: [0, 0, 0, 0, 1, 0, 1, 1, 0, 1]

वाक्य ३: "मला फुटबॉल आणि क्रिकेट दोन्ही आवडते"
शब्दसंग्रहातील शब्द    वाक्यातील संख्या
आणि             1
आवडते     1
क्रिकेट     1
खेळायला     0
खेळतो     0
दोन्ही             1
फुटबॉल     1
भाऊ             0
मला             1
माझा             0

तर, वाक्य ३ चा BoW व्हेक्टर असेल: [1, 1, 1, 0, 0, 1, 1, 0, 1, 0]

आता संगणकासाठी आपली वाक्ये ही शब्दांची नसून, वरील आकड्यांची (व्हेक्टर्स) आहेत. या आकड्यांवर मशीन लर्निंग मॉडेल सहजपणे गणिती प्रक्रिया करू शकतात.

"बॅग ऑफ वर्ड्स" चे फायदे आणि तोटे

प्रत्येक तंत्रज्ञानाप्रमाणे याचेही काही फायदे आणि तोटे आहेत.
फायदे (Advantages):
- साधेपणा (Simplicity): ही पद्धत समजायला आणि लागू करायला खूप सोपी आहे.
- जलद प्रक्रिया (Fast): मजकुराला व्हेक्टरमध्ये रूपांतरित करण्याची प्रक्रिया खूप जलद होते.
- परिणामकारकता (Effectiveness): अनेक सोप्या कामांसाठी (जसे की मजकूर वर्गीकरण) ही पद्धत आश्चर्यकारकपणे प्रभावी ठरते.

तोटे (Disadvantages):
- शब्दांचा क्रम महत्त्वाचा नाही (Loss of Word Order): हा याचा सर्वात मोठा तोटा आहे. BoW मॉडेलसाठी " कुत्रा माणसाला चावला" आणि "माणसाने कुत्र्याला चावले" ही दोन्ही वाक्ये सारखीच आहेत, कारण दोन्हीमध्ये तेच शब्द आहेत. मात्र, दोन्ही वाक्यांचा अर्थ पूर्णपणे वेगळा आहे.
- संदर्भ आणि अर्थाचा अभाव (Loss of Context and Semantics): BoW शब्दांचा अर्थ किंवा संदर्भ समजत नाही. उदा. "He is feeling blue" (तो दुःखी आहे) आणि "His shirt is blue" (त्याचा शर्ट निळा आहे), या दोन्ही वाक्यांमध्ये 'blue' हा शब्द BoW साठी एकच आहे, पण त्याचे अर्थ वेगळे आहेत.
- शब्दसंग्रहाचा आकार (Vocabulary Size): जर मजकूर खूप मोठा असेल, तर शब्दसंग्रह प्रचंड मोठा होतो. यामुळे तयार होणारे व्हेक्टर्स खूप मोठे होतात आणि त्यातील बहुतेक मूल्ये '0' असतात (याला 'Sparsity' म्हणतात).
- महत्त्वाच्या शब्दांना ओळखत नाही: "आणि", "व", "आहे" यांसारखे वारंवार येणारे शब्द (stopwords) जास्त महत्त्वाचे नसतात, तरीही त्यांना BoW मध्ये जास्त वजन मिळते. (अर्थात, यावर उपाय म्हणून हे शब्द आधीच काढले जातात).

"बॅग ऑफ वर्ड्स" चा वापर कुठे होतो?

या पद्धतीचा वापर अनेक NLP कामांमध्ये केला जातो, जसे की:
- मजकूर वर्गीकरण (Text Classification): ई-मेल 'स्पॅम' आहे की नाही हे ओळखणे, बातमी कोणत्या प्रकारची आहे (क्रीडा, राजकारण, मनोरंजन) हे ठरवणे.
- भावना विश्लेषण (Sentiment Analysis): एखाद्या उत्पादनाबद्दल ग्राहकांची मते (reviews) सकारात्मक आहेत, नकारात्मक आहेत की तटस्थ आहेत, हे ओळखणे.
- दस्तऐवज समानता (Document Similarity): दोन दस्तऐवज एकमेकांशी किती मिळतेजुळते आहेत, हे त्यांच्या BoW व्हेक्टर्समधील समानतेवरून तपासणे.

"बॅग ऑफ वर्ड्स" ही एक मूलभूत परंतु अत्यंत शक्तिशाली संकल्पना आहे. ही पद्धत मजकुरातील शब्दांचा क्रम आणि व्याकरण गमावते, परंतु मजकुराला मशीन लर्निंग मॉडेलसाठी वापरण्यायोग्य संख्यात्मक स्वरूपात आणण्याचे महत्त्वाचे काम करते. जरी आज TF-IDF, Word2Vec, आणि BERT सारख्या अधिक प्रगत पद्धती उपलब्ध असल्या तरी, "बॅग ऑफ वर्ड्स" ही NLP च्या जगात पहिली पायरी म्हणून आजही महत्त्वाची आहे आणि अनेक ठिकाणी प्रभावीपणे वापरली जाते.

--- तुषार भ. कुटे 

रीइन्फोर्समेंट लर्निंग: अनुभवातून शिकण्याची कला

रीइन्फोर्समेंट लर्निंग (Reinforcement Learning), अर्थात 'प्रबलीकरण शिक्षण', हे कृत्रिम बुद्धिमत्तेचे (Artificial Intelligence) एक अत्यंत प्रभावी आणि वेगाने विकसित होणारे क्षेत्र आहे. ही एक अशी प्रक्रिया आहे जिथे संगणक किंवा मशीनला, माणसांप्रमाणे किंवा प्राण्यांप्रमाणे, थेट सूचना न देता केवळ अनुभवातून आणि त्यातून मिळणाऱ्या परिणामांमधून शिकवले जाते. याची सर्वात सोपी कल्पना करायची झाल्यास, आपण लहान मुलाला किंवा पाळीव प्राण्याला जसे शिकवतो, तसेच हे तंत्रज्ञान कार्य करते. जेव्हा मूल एखादी चांगली गोष्ट करते, तेव्हा आपण त्याचे कौतुक करतो (बक्षीस देतो) आणि जेव्हा ते काहीतरी चुकीचे करते, तेव्हा आपण त्याला समज देतो (एक प्रकारचा दंड). हळूहळू, कोणत्या कृतीमुळे कौतुक मिळते आणि कोणत्या कृतीमुळे नाही, हे त्याला समजू लागते आणि ते योग्य वर्तन करण्यास शिकते. रीइन्फोर्समेंट लर्निंगमध्ये संगणक प्रणाली, ज्याला 'एजंट' म्हटले जाते, ती सुद्धा अशाच प्रकारे 'बक्षीस' (Reward) मिळवण्याच्या उद्देशाने आणि 'दंड' (Punishment) टाळण्याच्या हेतूने एका विशिष्ट 'पर्यावरणात' (Environment) योग्य 'कृती' (Action) करायला शिकते.

या शिक्षण पद्धतीचे मूळ मानसशास्त्र आणि प्राणी वर्तन अभ्यासात दडलेले आहे. १९५० च्या दशकात मानसशास्त्रज्ञ बी.एफ. स्किनर यांनी मांडलेल्या 'ऑपरंट कंडिशनिंग' सिद्धांताने याचा पाया घातला. संगणकीय क्षेत्रात, रिचर्ड बेलमन यांनी विकसित केलेले 'डायनॅमिक प्रोग्रामिंग' आणि 'बेलमन इक्वेशन' या गणिती संकल्पनांमुळे रीइन्फोर्समेंट लर्निंगच्या अल्गोरिदमला एक सैद्धांतिक चौकट मिळाली. सुरुवातीला संगणकीय क्षमतेच्या अभावामुळे याचा वापर मर्यादित होता. परंतु, १९८० आणि ९० च्या दशकात 'क्यू-लर्निंग' (Q-Learning) आणि 'टेम्पोरल डिफरन्स लर्निंग' (Temporal Difference Learning) यांसारख्या अल्गोरिदमच्या विकासामुळे या क्षेत्राने गती घेतली. खऱ्या अर्थाने क्रांती झाली ती २१ व्या शतकात, जेव्हा 'डीप लर्निंग' (Deep Learning) या तंत्रज्ञानाला रीइन्फोर्समेंट लर्निंगची जोड मिळाली. यातून 'डीप रीइन्फोर्समेंट लर्निंग'चा उदय झाला. याचे सर्वात प्रसिद्ध उदाहरण म्हणजे गूगलच्या डीपमाइंड (DeepMind) कंपनीने तयार केलेला 'अल्फागो' (AlphaGo) हा प्रोग्राम. २०१६ मध्ये, अल्फागोने 'गो' या अतिशय गुंतागुंतीच्या चिनी बोर्ड गेममध्ये जगातील सर्वश्रेष्ठ खेळाडू, ली सेडोल, यांना पराभूत करून संपूर्ण जगात खळबळ माजवली. ही घटना या तंत्रज्ञानाच्या क्षमतेचा एक मैलाचा दगड ठरली.

रीइन्फोर्समेंट लर्निंगची अनेक व्यावहारिक उदाहरणे आहेत जी त्याच्या उपयुक्ततेची कल्पना देतात. व्हिडिओ गेम्स हे याचे उत्तम उदाहरण आहे. गेममधील कॅरॅक्टर (एजंट) सुरुवातीला अंदाधुंद खेळतो, पण गुण मिळवणे (बक्षीस) आणि 'गेम ओव्हर' टाळणे (दंड) या अनुभवातून तो हळूहळू खेळण्यात निपुण होतो. रोबोटिक्समध्ये, एका रोबोटला एखादे विशिष्ट काम, जसे की वस्तू उचलून ठेवणे, शिकवण्यासाठी याचा वापर होतो. प्रत्येक यशस्वी प्रयत्नावर त्याला सकारात्मक सिग्नल (बक्षीस) दिला जातो, ज्यामुळे तो आपले कार्य अधिक अचूकपणे करायला शिकतो. त्याचप्रमाणे, स्वयंचलित कार (Self-Driving Cars) यांना सुरक्षित ड्रायव्हिंगचे प्रशिक्षण देण्यासाठी आभासी वातावरणात (Simulation) रीइन्फोर्समेंट लर्निंगचा उपयोग केला जातो, जिथे वाहतुकीचे नियम पाळल्यास बक्षीस आणि अपघात किंवा नियमभंग झाल्यास मोठा दंड आकारला जातो.

आज रीइन्फोर्समेंट लर्निंगचा उपयोग अनेक क्षेत्रांमध्ये मोठ्या प्रमाणावर होत आहे. आर्थिक क्षेत्रात, शेअर बाजारात कधी खरेदी-विक्री करावी याचे धोरण ठरवण्यासाठी अल्गोरिदम विकसित केले जात आहेत. आरोग्यसेवेत, रुग्णाच्या विशिष्ट परिस्थितीनुसार आणि उपचारांना मिळणाऱ्या प्रतिसादानुसार सर्वोत्तम उपचार पद्धती सुचवण्यासाठी याचा वापर होत आहे. ई-कॉमर्स आणि जाहिरात क्षेत्रात, ग्राहकांना त्यांच्या आवडीनुसार उत्पादने किंवा जाहिराती दाखवण्यासाठी (Recommendation Systems) हे तंत्रज्ञान अत्यंत प्रभावी ठरत आहे. याशिवाय, शहरातील वाहतूक नियंत्रणासाठी ट्रॅफिक लाईट्सचे स्वयंचलित व्यवस्थापन करणे, कंपन्यांसाठी पुरवठा साखळी (Supply Chain) अधिक कार्यक्षम बनवणे आणि ऊर्जा वापराचे व्यवस्थापन करणे यांसारख्या गुंतागुंतीच्या समस्या सोडवण्यासाठीही रीइन्फोर्समेंट लर्निंगचा वापर वाढत आहे. थोडक्यात, रीइन्फोर्समेंट लर्निंग हे केवळ एक तांत्रिक मॉडेल नसून, ते मशीनला स्वायत्तपणे शिकण्याची आणि मानवापेक्षाही अधिक चांगल्या प्रकारे धोरणात्मक निर्णय घेण्याची क्षमता देणारे एक शक्तिशाली साधन आहे, जे भविष्यातील तंत्रज्ञानाची दिशा ठरवत आहे.

--- तुषार भ. कुटे

एआयने तयार केलेला एक अद्भुत पदार्थ

आजकाल आपण अनेक गोष्टींमध्ये कृत्रिम बुद्धिमत्तेचा (Artificial Intelligence) वापर होताना पाहतो. पण तुम्हाला माहीत आहे का, की याच एआयच्या मदतीने शास्त्रज्ञांनी असा एक नवीन पदार्थ तयार केला आहे, जो वजनाने फोम (foam) सारखा अतिशय हलका आहे, पण ताकदीच्या बाबतीत तो स्टीलसारखा मजबूत आहे!

या नवीन पदार्थाला 'कार्बन नॅनोलॅटिस' असे नाव देण्यात आले आहे. 'नॅनोलॅटिस' म्हणजे खूप लहान, सूक्ष्म जाळीसारखी रचना. या पदार्थाचे वैशिष्ट्य असे आहे की, तो पोकळ आणि जाळीदार असल्यामुळे खूप हलका आहे, पण त्याच्या कणांची रचना इतकी मजबूत आहे की, तो सहजासहजी तुटत नाही.

हा पदार्थ तयार करण्याची कल्पना शास्त्रज्ञांना कशी सुचली?

विमाने, हेलिकॉप्टर आणि अंतराळयाने बनवण्यासाठी असे पदार्थ लागतात, जे खूप हलके आणि त्याचबरोबर मजबूत असावेत. कारण जितके वाहन हलके असेल, तितके इंधन कमी लागेल आणि पर्यावरणाचे प्रदूषणही कमी होईल. पण अशा दोन्ही गोष्टी एकाच वेळी मिळवणे खूप अवघड होते.

या समस्येवर उपाय शोधण्यासाठी शास्त्रज्ञांनी एआयची मदत घेतली. त्यांनी एक विशेष मशीन लर्निंग अल्गोरिदम तयार केला. या अल्गोरिदमने वेगवेगळ्या पदार्थांच्या रचनेचा अभ्यास केला आणि कोणत्या रचनेमुळे एखादा पदार्थ खूप मजबूत आणि हलका बनतो, हे शोधून काढले. एआयने सुचवलेल्या रचनेनुसार, शास्त्रज्ञांनी ३डी प्रिंटरचा वापर करून हा 'कार्बन नॅनोलॅटिस' पदार्थ तयार केला.

या शोधाचे महत्त्व खूप मोठे आहे. भविष्यात या पदार्थाचा वापर करून हलकी आणि मजबूत वाहने बनवता येतील. यामुळे फक्त इंधनाची बचतच होणार नाही, तर हवाई प्रवास आणि अंतराळ मोहिमा अधिक सुरक्षित आणि सोप्या होतील. तसेच, खेळांचे साहित्य, संरक्षण उपकरणे आणि बांधकाम क्षेत्रातही याचा उपयोग होऊ शकतो. थोडक्यात, एआयच्या बुद्धिमत्तेमुळे एक असा 'अद्भुत' पदार्थ तयार झाला आहे, जो आपल्या अनेक समस्यांवर तोडगा काढू शकतो आणि भविष्यात अनेक क्षेत्रात क्रांती घडवू शकतो.

(आधारित)
संदर्भ: sci.news

--- तुषार भ. कुटे

आर्थर सॅम्युअल: मशीन लर्निंगचे जनक आणि त्यांचा पहिला 'शिकणारा' प्रोग्राम

आज आपण कृत्रिम बुद्धिमत्ता (Artificial Intelligence - AI) आणि मशीन लर्निंग (Machine Learning - ML) या शब्दांनी वेढलेलो आहोत. आपल्या स्मार्टफोनपासून ते ऑनलाइन शॉपिंगपर्यंत सर्वत्र या तंत्रज्ञानाचा वापर होत आहे. पण या क्रांतीची मुळे खूप खोलवर, अगदी १९५० च्या दशकात रुजलेली आहेत. या प्रवासातील एक महत्त्वाचे आणि आदरणीय नाव म्हणजे आर्थर सॅम्युअल (Arthur Samuel). त्यांना अनेकदा 'मशीन लर्निंगचे जनक' म्हटले जाते. त्यांनी बनवलेला एक साधा वाटणारा पण क्रांतिकारी प्रोग्राम हा या क्षेत्रातील मैलाचा दगड ठरला. 

आर्थर सॅम्युअल: एक द्रष्टा संशोधक

आर्थर सॅम्युअल हे एक अमेरिकन संगणक शास्त्रज्ञ होते. त्यांनी आपल्या कारकिर्दीचा मोठा काळ आयबीएम (IBM) या प्रसिद्ध कंपनीत घालवला. सॅम्युअल यांचा विश्वास होता की संगणक केवळ दिलेल्या आज्ञांचे पालन करणारी यंत्रे नाहीत, तर त्यांना अनुभवातून शिकवून अधिक बुद्धिमान बनवता येते. ही त्या काळासाठी एक अत्यंत पुढारलेली कल्पना होती. हीच कल्पना प्रत्यक्षात आणण्यासाठी त्यांनी एका खेळाची निवड केली - चेकर्स (Checkers).

चेकर्सच्या खेळाची निवड का?

सॅम्युअल यांनी मशीनला शिकवण्यासाठी बुद्धीबळासारख्या (Chess) अत्यंत गुंतागुंतीच्या किंवा टिक-टॅक-टो (Tic-Tac-Toe) सारख्या अगदी सोप्या खेळाची निवड केली नाही. त्यांनी चेकर्स निवडले कारण त्याचे नियम स्पष्ट आणि तुलनेने सोपे असले तरी, जिंकण्यासाठी रणनीती आणि दूरदृष्टीची आवश्यकता असते. यात संभाव्य चालींची संख्या अफाट होती, पण ती संगणकाला हाताळता येण्यासारखी होती. त्यामुळे, मशीनला 'शिकवण्यासाठी' हा एक उत्तम मध्यम मार्ग होता.

प्रोग्राम कसा 'शिकला'?

सॅम्युअल यांच्या प्रोग्रामचे खरे वैशिष्ट्य त्याच्या शिकण्याच्या पद्धतीत होते. त्यांनी प्रोग्रामला केवळ चेकर्स कसे खेळायचे हे शिकवले नाही, तर हरलेल्या डावांमधून शिकून स्वतःच्या खेळात सुधारणा कशी करायची हे देखील शिकवले. या प्रोग्रामने मुख्यत्वे दोन पद्धती वापरून स्वतःला प्रशिक्षित केले.
पहिली पद्धत होती पाठांतर (Rote Learning). या पद्धतीत, प्रोग्राम आपल्या प्रत्येक डावातील पटाची स्थिती (board position) आणि त्या स्थितीनंतर खेळाचा काय निकाल लागला, हे लक्षात ठेवत असे. जेव्हा भविष्यात तशीच स्थिती पुन्हा निर्माण होई, तेव्हा प्रोग्राम आपल्या स्मरणातून सर्वोत्तम चाल निवडत असे. हे एखाद्या विद्यार्थ्याने पाढे पाठ करण्यासारखे होते.
पण खरी जादू दुसऱ्या पद्धतीत होती, जिला अनुभवातून शिकणे (Learning by Generalization) म्हटले जाते. सॅम्युअल यांनी एक 'मूल्यांकन फंक्शन' (Evaluation Function) तयार केले होते. हे फंक्शन पटावरील स्थिती किती चांगली किंवा वाईट आहे, हे काही निकषांच्या आधारे ठरवत असे. या निकषांमध्ये पटावर कोणाच्या सोंगट्या जास्त आहेत, कोणाच्या राजा झालेल्या सोंगट्या (Kings) जास्त आहेत, आणि पटावर कोणाचे नियंत्रण अधिक आहे, अशा गोष्टींचा समावेश होता.

सुरुवातीला या सर्व निकषांना समान महत्त्व दिले गेले होते. पण प्रोग्राम जसजसा खेळू लागला, तसतसा तो शिकू लागला. प्रोग्राम स्वतःच्याच दुसऱ्या प्रतीसोबत हजारो डाव खेळायचा. प्रत्येक डावानंतर, तो जिंकण्यासाठी कोणत्या निकषांना अधिक महत्त्व देणे फायद्याचे ठरले आणि कोणत्या निकषांमुळे पराभव झाला, याचे विश्लेषण करायचा. उदाहरणार्थ, जर केवळ सोंगट्यांची संख्या जास्त ठेवण्याच्या नादात खेळात पराभव होत असेल, तर प्रोग्राम त्या निकषाचे महत्त्व (weight) कमी करायचा आणि पटावरील नियंत्रणासारख्या दुसऱ्या निकषाचे महत्त्व वाढवायचा. ही प्रक्रिया सतत चालू राहायची. जणू काही तो प्रोग्राम अनुभवातून शहाणा होत होता आणि आपली जिंकण्याची रणनीती स्वतःच अधिक परिपक्व करत होता.

या शोधाचे महत्त्व आणि परिणाम

१९५९ साली आर्थर सॅम्युअल यांनी 'मशीन लर्निंग' हा शब्दप्रयोग आपल्या एका शोधनिबंधात वापरला आणि तो जगभर प्रसिद्ध झाला. त्यांच्या प्रोग्रामने हे सिद्ध केले की मशीनला केवळ आज्ञावली देऊन चालवता येत नाही, तर त्याला अनुभवातून शिकण्याची क्षमता देखील देता येते. १९६० च्या दशकात त्यांच्या या प्रोग्रामने अमेरिकेतील एका चांगल्या दर्जाच्या चेकर्स खेळाडूला हरवून सर्वांना आश्चर्यचकित केले.
आर्थर सॅम्युअल यांच्या या कार्यामुळे कृत्रिम बुद्धिमत्तेच्या संशोधनाला एक नवी दिशा मिळाली. त्यांनी घातलेला पाया इतका भक्कम होता की आज विकसित झालेले अत्याधुनिक AI मॉडेल्स, जसे की बुद्धीबळ खेळणारा डीप ब्लू (Deep Blue) किंवा गो (Go) खेळणारा अल्फागो (AlphaGo), कुठेतरी सॅम्युअल यांच्या त्याच मूळ कल्पनेवर आधारित आहेत.
थोडक्यात सांगायचे तर, आर्थर सॅम्युअल यांनी एका साध्या चेकर्सच्या खेळाद्वारे मशीनला 'विचार' करायला आणि 'शिकायला' शिकवले. त्यांचे हे योगदान केवळ एका गेमिंग प्रोग्रामपुरते मर्यादित नव्हते, तर ते एका अशा तंत्रज्ञानाची सुरुवात होती जे आज आपल्या जीवनाचा अविभाज्य भाग बनले आहे.

(आधारित)

--- तुषार भ. कुटे 

कृत्रिम बुद्धिमत्तेचे 'मेंदू': न्यूरल नेटवर्क आणि डीप लर्निंगची दुनिया

आज आपण अशा एका युगात जगत आहोत जिथे यंत्रमानव (robots), स्वतः चालणाऱ्या गाड्या आणि आपल्याशी बोलणारे मोबाईल असिस्टंट्स आता केवळ विज्ञानाच्या कथांमध्ये राहिलेले नाहीत. या सर्व अद्भुत तंत्रज्ञानाच्या मागे एक शक्तिशाली संकल्पना आहे, जी मानवी मेंदूच्या रचनेवरून प्रेरित आहे. ती संकल्पना म्हणजे न्यूरल नेटवर्क (Neural Network).

न्यूरल नेटवर्क म्हणजे नेमकं काय? 🧠

सोप्या भाषेत सांगायचे तर, न्यूरल नेटवर्क ही एक संगणक प्रणाली आहे जी मानवी मेंदू ज्याप्रमाणे माहितीवर प्रक्रिया करतो आणि शिकतो, त्याच पद्धतीची नक्कल करण्याचा प्रयत्न करते. आपला मेंदू कोट्यवधी 'न्यूरॉन्स' (neurons) नावाच्या पेशींनी बनलेला आहे. हे न्यूरॉन्स एकमेकांना जोडलेले असतात आणि विद्युत आणि रासायनिक संकेतांद्वारे (signals) एकमेकांशी संवाद साधतात. याच रचनेवरून प्रेरणा घेऊन कृत्रिम न्यूरल नेटवर्क तयार केले जाते.

एका कृत्रिम न्यूरल नेटवर्कमध्ये तीन मुख्य प्रकारचे थर (layers) असतात:

- इनपुट लेअर (Input Layer): हा नेटवर्कचा दरवाजा आहे. या थराला बाहेरील जगाकडून माहिती मिळते. उदाहरणार्थ, जर आपल्याला एखादा फोटो ओळखून तो कुत्रा आहे की मांजर हे ठरवायचे असेल, तर त्या फोटोमधील पिक्सेल्सची (pixels) माहिती या लेअरला दिली जाते.
- हिडन लेअर्स (Hidden Layers): हा नेटवर्कचा खरा 'विचार करणारा' भाग आहे. इनपुट लेअरकडून मिळालेल्या माहितीवर येथे प्रक्रिया केली जाते. एका न्यूरल नेटवर्कमध्ये एक किंवा एकापेक्षा जास्त हिडन लेअर्स असू शकतात. प्रत्येक लेअर मिळालेल्या माहितीतील विशिष्ट नमुने (patterns) ओळखण्याचा प्रयत्न करतो.
- आउटपुट लेअर (Output Layer): हिडन लेअर्सने प्रक्रिया केल्यानंतर अंतिम निष्कर्ष या लेअरमधून बाहेर येतो. वरील उदाहरणात, हा लेअर "मांजर" किंवा "कुत्रा" असे उत्तर देईल.

एक सोपे उदाहरण: मांजर 🐈 की कुत्रा 🐕?

समजा, आपण एका न्यूरल नेटवर्कला मांजर आणि कुत्रा यांच्यातील फरक ओळखायला शिकवत आहोत.
प्रशिक्षण (Training): सुरुवातीला, आपण नेटवर्कला हजारो फोटो दाखवतो ज्यावर "मांजर" किंवा "कुत्रा" असे लेबल लावलेले असते.
शिकण्याची प्रक्रिया:
- जेव्हा नेटवर्कला मांजरीचा फोटो दाखवला जातो, तेव्हा इनपुट लेअर त्या फोटोचे पिक्सेल्स घेते.
- पहिला हिडन लेअर त्या पिक्सेल्समधून अगदी साधे नमुने ओळखतो, जसे की सरळ रेषा, वक्र रेषा किंवा विशिष्ट रंग.
- पुढचा हिडन लेअर या साध्या नमुन्यांना एकत्र करून थोडे अधिक जटिल आकार ओळखतो, जसे की टोकदार कान, गोल डोळे किंवा मिशा.
- त्यापुढील लेअर हे आकार एकत्र करून "मांजरीसारखा चेहरा" किंवा "कुत्र्यासारखे कान" असे भाग ओळखतो.
ही सर्व माहिती शेवटी आउटपुट लेअरकडे जाते. समजा, नेटवर्कने सुरुवातीला चुकीचे उत्तर दिले आणि मांजरीच्या फोटोला "कुत्रा" म्हटले. तेव्हा आपण त्याला सांगतो की तुझे उत्तर चुकले आहे, हा "मांजर" आहे. या प्रक्रियेला 'बॅकप्रोपगेशन' (Backpropagation) म्हणतात.
या प्रतिक्रियेमुळे (feedback), नेटवर्क आपल्या आतल्या जोडण्यांचे (connections) वजन (weights) थोडे बदलते. ते 'शिकते' की 'टोकदार कान' आणि 'मिशा' हे नमुने 'मांजर' या उत्तराशी अधिक संबंधित आहेत.

हजारो वेळा ही प्रक्रिया केल्यानंतर, नेटवर्क मांजर आणि कुत्रा यांच्यातील सूक्ष्म फरक ओळखण्यात इतके पारंगत होते की ते न पाहिलेला नवीन फोटोसुद्धा अचूकपणे ओळखू शकते.

न्यूरल नेटवर्कचा इतिहास

न्यूरल नेटवर्कची संकल्पना एका रात्रीत जन्माला आलेली नाही. याचा इतिहास अनेक दशकांचा आहे.
- १९४० चे दशक: वॉरन मॅककलोच आणि वॉल्टर पिट्स यांनी पहिल्यांदा एका गणितीय मॉडेलद्वारे कृत्रिम न्यूरॉनची संकल्पना मांडली. हा एक सैद्धांतिक पाया होता.
- १९५० चे दशक: फ्रँक रोझेनब्लॅट यांनी 'पर्सेप्ट्रॉन' (Perceptron) नावाचे पहिले न्यूरल नेटवर्क मशीन तयार केले. हे मशीन अक्षरे ओळखू शकत होते, ज्यामुळे खूप उत्साह निर्माण झाला.
- १९७०-८० चे दशक (AI Winter): सुरुवातीच्या उत्साहानंतर, असे लक्षात आले की तत्कालीन न्यूरल नेटवर्क्स खूपच मर्यादित होती. ती क्लिष्ट समस्या सोडवू शकत नव्हती. त्यामुळे या क्षेत्रातील संशोधन आणि निधी कमी झाला. या काळाला 'एआय विंटर' (AI Winter) म्हटले जाते.
- १९८०-९० चे दशक: 'बॅकप्रोपगेशन' (Backpropagation) या अल्गोरिदमच्या विकासामुळे न्यूरल नेटवर्क्सना पुन्हा संजीवनी मिळाली. यामुळे अनेक थरांचे नेटवर्क प्रभावीपणे प्रशिक्षित करणे शक्य झाले. जेफ्री हिंटन (Geoffrey Hinton) सारख्या संशोधकांचे यात मोठे योगदान आहे.
- २०१० पासून आजपर्यंत: प्रचंड संगणकीय शक्ती (विशेषतः GPUs), इंटरनेटमुळे उपलब्ध झालेला प्रचंड डेटा आणि सुधारित अल्गोरिदम्समुळे न्यूरल नेटवर्क्सची क्षमता प्रचंड वाढली आणि आज आपण त्याचे परिणाम अनुभवत आहोत.

डीप लर्निंग म्हणजे काय? (What is Deep Learning?)

जेव्हा तुम्ही "डीप लर्निंग" (Deep Learning) हा शब्द ऐकता, तेव्हा गोंधळून जाण्याचे कारण नाही. डीप लर्निंग हे न्यूरल नेटवर्कचेच एक प्रगत रूप आहे.
फरक फक्त इतकाच आहे की, साध्या न्यूरल नेटवर्कमध्ये एक किंवा दोन हिडन लेअर्स असतात, तर डीप लर्निंग नेटवर्कमध्ये अनेक (कधीकधी शेकडो) हिडन लेअर्स असतात.

या 'खोलवर' (deep) रचनेमुळे काय होते?

अधिक लेअर्स असल्यामुळे, नेटवर्क अत्यंत गुंतागुंतीचे आणि सूक्ष्म नमुने ओळखू शकते. जसे की:
- पहिला लेअर फक्त प्रकाश आणि सावल्या ओळखेल.
- मधले लेअर्स चेहऱ्याचे भाग ओळखतील.
- त्यापुढील लेअर्स संपूर्ण चेहरा ओळखतील.
- आणि सर्वात वरचे लेअर्स चेहऱ्यावरील हावभाव (जसे की आनंद किंवा दुःख) ओळखायला शिकतील.

ही अतिरिक्त खोलीच डीप लर्निंगला आवाज ओळखणे (Speech Recognition), नैसर्गिक भाषा प्रक्रिया (Natural Language Processing - जसे की चॅटबॉट्स) आणि स्वतः चालणाऱ्या गाड्या (Self-Driving Cars) यांसारख्या जटिल कामांसाठी प्रचंड शक्तिशाली बनवते.

थोडक्यात, सर्व डीप लर्निंग नेटवर्क्स ही न्यूरल नेटवर्क्स आहेत, पण सर्व न्यूरल नेटवर्क्स 'डीप' नसतात.

अर्थात न्यूरल नेटवर्क ही मानवी बुद्धिमत्तेची नक्कल करण्याची एक अद्भुत पद्धत आहे. मेंदूच्या न्यूरॉन्सच्या जाळ्यापासून प्रेरणा घेऊन, ही प्रणाली डेटाच्या महासागरातून शिकते, स्वतःला सुधारते आणि अशी कामे करते जी काही वर्षांपूर्वी अशक्य वाटत होती. डीप लर्निंगने या क्षमतेला एका नवीन उंचीवर नेले आहे. भविष्यात हे तंत्रज्ञान आपल्या जीवनाच्या प्रत्येक पैलूला स्पर्श करेल आणि मानवी प्रगतीचा एक अविभाज्य भाग बनेल यात शंका नाही.

(आधारित)

--- तुषार भ. कुटे

डेटासेट

जगातील "मशीन लर्निंग"मध्ये वापरण्यात येणारे सर्वाधिक डेटासेट ज्या ठिकाणी उपलब्ध आहेत, त्या kaggle.com या संकेतस्थळावर आज मराठी इतिहास आणि संस्कृतीशी संबंधित दोन डेटासेट मी अपलोड केलेले आहेत. मशीन लर्निंगच्या नवख्या विद्यार्थ्यांसाठी हे दोन्ही डेटासेट उपयुक्त ठरतील. यातील पहिल्या डेटासेटमध्ये मराठा शस्त्रांची माहिती दिलेली आहे तर दुसऱ्यामध्ये मराठी अथवा महाराष्ट्रीय दागिन्यांची वैशिष्ट्ये वापरून डेटासेट बनवलेला आहे. खालील लिंक वरून तुम्ही डाऊनलोड करू शकता किंवा थेट कॅगलवरच प्रोग्राम करून हे दोन्ही डेटासेट वापरू शकता. लवकरच मराठी आणि महाराष्ट्रातील अन्य विषयांशी संबंधित डेटासेट देखील कॅगलवर आम्ही अपलोड करत आहोत.

मराठा शस्त्रे: https://www.kaggle.com/datasets/tusharkute/maratha-warfield-weapons-dataset

मराठी दागिने: https://www.kaggle.com/datasets/tusharkute/marathi-and-maharashtrian-ornamants-dataset

--- तुषार भ. कुटे

#MachineLearning #Dataset #DataScience #ArtificialIntelligence #Engineering #Technology

 

ChatGPT

मी एआयमुळे (AI) नोकऱ्या जातील याची काळजी करत नाही. मला काळजी वाटते ती विचारांची जागा एआय घेईल याची. विशेषतः मुलांमध्ये.

जर आपण काळजी घेतली नाही, तर आपण विचार करणाऱ्या पुढच्या पिढीला घडवू शकणार नाही. त्याऐवजी, आपण अशी पिढी घडवू ज्यांना कधी विचार करण्याची गरजच पडली नाही.

एआयबद्दलची माझी ही सर्वात मोठी भीती आहे – ती हॅल्युसिनेशन्सची नाही, नोकऱ्यांची नाही, किंवा पाळत ठेवण्याचीही नाही.

ती आहे "कॉग्निटिव्ह ॲट्रोफी" – म्हणजेच विचार करण्याच्या क्षमतेची हळूहळू होणारी झीज, जी घडवण्यासाठीच शिक्षण असते.

आणि हे आत्ताच घडायला लागलं आहे.

मी एमआयटीचा (MIT) अलीकडचा अभ्यास वाचल्यापासून त्याबद्दल विचार करत आहे. अर्थात, कोणताही चांगला शास्त्रज्ञ म्हणेल की कोणत्याही संशोधनात लाखो त्रुटी काढता येतात. पण हे संशोधन माझ्या डोक्यातून जात नाहीये.

त्यांनी चॅटजीपीटी (ChatGPT) वापरून निबंध लिहिणाऱ्या विद्यार्थ्यांच्या मेंदूची तपासणी केली आणि त्याने गेल्या अनेक महिन्यांपासून मला वाटणारी भीती खरी ठरवली.

→ मेंदूतील न्यूरल कनेक्टिव्हिटी ७९ वरून ४२ पर्यंत खाली आली – म्हणजेच ४७% घट झाली. काही सत्रांमध्ये आणि फ्रिक्वेन्सी बँडमध्ये ही घट तब्बल ५५% पर्यंत होती.

→ ८३% विद्यार्थी त्यांनी लिहिलेले एकही वाक्य काही मिनिटांनंतर आठवू शकले नाहीत.

→ त्यांनी एआयचा वापर थांबवला तरी, ज्यांनी कधीच एआय वापरले नाही त्यांच्या तुलनेत त्यांच्या मेंदूची कार्यक्षमता कमीच राहिली.

संशोधकांनी याला "कॉग्निटिव्ह ऑफलोडिंग" म्हटले आहे. मी याला झीज (erosion) होण्याच्या जवळचे काहीतरी म्हणतो. कारण यात खरा धोका शैक्षणिक नाही, तर विकासात्मक आहे.

आपण मुलांना फक्त लिहिण्याचे साधन देत नाही आहोत. आयुष्यभरासाठी आवश्यक असलेल्या मानसिक क्षमता विकसित करण्यापूर्वीच आपण त्यांना शॉर्टकट देत आहोत.

जेव्हा तुमचा मेंदू विचार न करता एखादे काम पूर्ण करायला शिकतो, तेव्हा काय होते? तुम्ही तर्कशक्ती विकसित करत नाही, तर अवलंबित्व विकसित करत आहात.

जेव्हा तुम्ही संघर्ष – जसे की चिंतन, कल्पनांवर विचार करणे – हे काम बाहेरील घटकाला देता, तेव्हा तुम्हाला असे काहीतरी मिळते जे विचारांसारखे वाटते, पण ते विचार नसतात.

आणि जर तुम्ही १२ वर्षांचे असाल? १०? ५? तर तुम्ही लिहायला शिकत नाही. तुम्ही विचार करणे टाळायला शिकत आहात.

भीतीदायक भाग काय आहे? हे काम करते. चांगले गुण मिळतात. वेळ वाचतो. ज्यामुळे याला आव्हान देणे आणखी कठीण होते.

पण शिक्षकांनी एआय-सहाय्यित निबंधांना "आत्म्याशिवायचे" (soulless) असे म्हटले. तो शब्द मला घाबरावतो आहे!

मी एआय विरोधी नाही. मी याच क्षेत्रात काम करतो. पण ज्या गोष्टींची जागा एआय घेत आहे, विशेषतः शिक्षणात, त्याच्या मी पूर्णपणे विरोधात आहे.

आपण इथे कठीण गोष्टी टाळून पोहोचलो नाही. आपण विचार करायला शिकून इथे पोहोचलो. हळूहळू. अपूर्णपणे. आणि कधीकधी वेदनादायकपणे.

पुढच्या पिढीला ही संधी कधीच मिळाली नाही तर काय होईल?

- (डॉ. राधिका यांच्या लिंक्डइन पोस्टवरून साभार)

लुडाईट चळवळ आणि आजची कृत्रिम बुद्धिमत्ता (AI): तंत्रज्ञानाच्या भीतीचे दोन अध्याय

मानवी इतिहासात तंत्रज्ञानाने नेहमीच क्रांती घडवून आणली आहे, पण प्रत्येक क्रांतीसोबत एक अनामिक भीती आणि अनिश्चितता देखील आली आहे – विशेषतः जेव्हा ती मानवी श्रमावर परिणाम करते. १८ व्या शतकाच्या उत्तरार्धात आणि १९ व्या शतकाच्या सुरुवातीला युरोपमध्ये झालेल्या औद्योगिक क्रांतीच्या काळात अशीच एक भीती 'लुडाईट' चळवळीच्या रूपाने समोर आली, तर आज २१ व्या शतकात 'कृत्रिम बुद्धिमत्ता' (Artificial Intelligence - AI) त्याच भीतीचे नवीन रूप म्हणून चर्चेत आहे. लुडाईट कोण होते आणि आज AI मुळे निर्माण होणारी चिंता त्यांच्या भीतीसारखीच आहे का, हे समजून घेणे महत्त्वाचे आहे.

कोण होते लुडाईट?

१८११ ते १८१६ दरम्यान इंग्लंडमध्ये उदयास आलेली लुडाईट चळवळ ही औद्योगिक क्रांतीतील काही नवीन यंत्रसामग्रीच्या विरोधात होती. विशेषतः कापड उद्योगात आलेल्या नवीन यंत्रांमुळे (जसे की पॉवर लूम, स्पिनिंग जेनी) कुशल कारागिरांचा रोजगार धोक्यात आला होता. हे कारागीर, जे हातमागावर किंवा पारंपरिक पद्धतीने उच्च दर्जाचे कापड बनवत असत, त्यांना नवीन यंत्रांमुळे आपले काम गमवावे लागत होते. ही यंत्रे कमी कुशल लोकांना वापरता येत होती आणि त्यामुळे मोठ्या प्रमाणात उत्पादन करणे शक्य झाले, पण यामुळे पारंपरिक कारागिरांचे उत्पन्न घटले आणि अनेकांना बेकार व्हावे लागले. या यंत्रांचा विरोध करण्यासाठी 'नेड लुड' या काल्पनिक किंवा अज्ञात व्यक्तीचे नाव पुढे करून या कामगारांनी यंत्रे तोडण्यास सुरुवात केली. त्यांना वाटले की यंत्रे नष्ट केल्यास त्यांचे पारंपरिक जीवनमान आणि रोजगार वाचेल. त्यांची ही चळवळ हिंसक झाली आणि ब्रिटिश सरकारने ती क्रूरपणे दडपली. लुडाईट चळवळ अखेर अयशस्वी ठरली आणि औद्योगिक क्रांतीचा वेग वाढलाच. लुडाईटचा विरोध केवळ यंत्रांना नव्हता, तर त्यामागे असलेले बदललेले आर्थिक आणि सामाजिक संबंध, कामाच्या परिस्थितीत होणारी घट आणि मजुरांचे शोषण यालाही त्यांचा विरोध होता, असे काही इतिहासकार मानतात.

आजची कृत्रिम बुद्धिमत्ता

आज आपण माहिती तंत्रज्ञान आणि डिजिटल युगाच्या शिखरावर आहोत. कृत्रिम बुद्धिमत्ता (AI) हे या युगातील सर्वात शक्तिशाली तंत्रज्ञानांपैकी एक आहे. AI मध्ये मशीनला मानवासारखे विचार करण्याची, शिकण्याची, समस्या सोडवण्याची आणि निर्णय घेण्याची क्षमता दिली जाते. यामध्ये मशीन लर्निंग, डीप लर्निंग, नॅचरल लँग्वेज प्रोसेसिंग (NLP) आणि रोबोटिक्स यांचा समावेश होतो. पूर्वी AI चा वापर मुख्यतः विशिष्ट आणि मर्यादित कामांसाठी होत असे, पण आता जनरेटिव्ह AI सारख्या प्रगतीमुळे, AI मजकूर लिहिणे, चित्रे बनवणे, संगीत तयार करणे, कोड लिहिणे आणि जटिल समस्यांवर मानवी-स्तरापेक्षा चांगली उत्तरे देणे अशा कामांमध्येही सक्षम होत आहे. AI चा प्रभाव केवळ फॅक्टरीतील कामांवर नाही, तर ज्ञान-आधारित नोकऱ्यांवर देखील पडत आहे – जसे की प्रोग्रामर, लेखक, ग्राफिक डिझायनर, कायदेशीर सहाय्यक आणि अगदी डॉक्टर व अभियंते यांच्या कामाच्या पद्धतीवरही AI परिणाम करत आहे.

लुडाईट आणि AI: समानता आणि फरक

लुडाईट चळवळ आणि AI मुळे निर्माण होणारी आजची चिंता यामध्ये काही लक्षणीय समानता आहेत, तर काही मोठे फरक देखील आहेत. समानतेचा विचार केल्यास, दोन्ही परिस्थितीत तंत्रज्ञानामुळे मोठ्या प्रमाणावर लोकांच्या नोकऱ्या जातील किंवा त्यांच्या कामाचे स्वरूप बदलेल अशी भीती आहे. लुडाईटना यंत्रांमुळे नोकऱ्या जाण्याची भीती होती, आज AI मुळे अनेक 'व्हाईट-कॉलर' नोकऱ्या स्वयंचलित होण्याची शक्यता आहे. तसेच, दोन्ही काळात नवीन तंत्रज्ञान जुन्या कौशल्यांना निरुपयोगी बनवते; लुडाईट कारागिरांचे हातमागाचे कौशल्य यंत्रांसमोर फिके पडले, आज AI मुळे काही विशिष्ट सॉफ्टवेअर कौशल्ये किंवा विश्लेषणात्मक क्षमतांची गरज कमी होऊ शकते. या बदलांमुळे उत्पन्नावरील परिणामही समान असू शकतो. तंत्रज्ञानामुळे उत्पादन खर्च कमी होतो, ज्यामुळे वस्तू स्वस्त होतात, पण याचा परिणाम कामगारांच्या वेतनावर होऊ शकतो. लुडाईट काळात वेतन घटले, आज AI मुळे काही क्षेत्रांतील वेतनावर दबाव येऊ शकतो किंवा केवळ उच्च कौशल्य असलेल्या लोकांनाच जास्त वेतन मिळेल अशी विषमता वाढू शकते. यासोबतच, तंत्रज्ञानामुळे मानवाचे आपल्या कामावरील नियंत्रण कमी होईल अशी भावना दोन्ही परिस्थितीत दिसून येते आणि दोन्ही वेळा समाजात होणाऱ्या मोठ्या बदलांना काही प्रमाणात प्रतिकार दिसून येतो.

तरीही, या दोन परिस्थितींमध्ये अनेक महत्त्वाचे फरक आहेत. सर्वात मोठा फरक म्हणजे तंत्रज्ञानाचे स्वरूप. लुडाईट ज्या यंत्रांना विरोध करत होते, ती मुख्यतः शारीरिक श्रमाची जागा घेणारी यांत्रिक यंत्रे होती. AI मात्र केवळ शारीरिकच नाही, तर बौद्धिक आणि संज्ञानात्मक कामांचीही जागा घेऊ शकते किंवा त्या कामांमध्ये मदत करू शकते. AI ची क्षमता केवळ पुनरावृत्तीची कामे करण्यापुरती मर्यादित नाही, ती शिकू शकते, तर्क करू शकते आणि नवीन गोष्टी निर्माण करू शकते. बदलाची गती हा दुसरा महत्त्वाचा फरक आहे. औद्योगिक क्रांतीचा काळ अनेक दशकांचा होता, तर AI आणि डिजिटल तंत्रज्ञानाचा विकास अत्यंत वेगाने होत आहे. त्यामुळे बदलांशी जुळवून घेण्यासाठी किंवा नवीन कौशल्ये शिकण्यासाठी मिळणारा वेळ कमी असू शकतो. विरोधाची पद्धतही वेगळी आहे; लुडाईटनी थेट यंत्रे तोडून हिंसक मार्गाचा अवलंब केला, तर आज AI चा विरोध हा कायदेशीर, सामाजिक आणि राजकीय स्तरावर जास्त आहे, ज्यात नियमांची मागणी करणे, कामगारांना संरक्षण देण्यासाठी कायदे करणे, शिक्षणात बदल करणे आणि तंत्रज्ञानाचा वापर नैतिक असावा यासाठी चर्चा करणे यांचा समावेश आहे. याशिवाय, लुडाईट चळवळ प्रामुख्याने कापड उद्योगापुरती मर्यादित होती, AI चा परिणाम मात्र जवळपास प्रत्येक उद्योग आणि क्षेत्रावर होण्याची शक्यता आहे. महत्त्वाचे म्हणजे, AI मध्ये केवळ रोजगार कपातीची क्षमता नाही, तर उत्पादकता प्रचंड वाढवणे, नवीन उद्योग निर्माण करणे, जटिल समस्या सोडवणे आणि मानवी जीवनाची गुणवत्ता सुधारणे अशा सकारात्मक शक्यताही आहेत, ज्यामुळे आजची परिस्थिती केवळ नकारात्मक नाही. तसेच, आज AI च्या संभाव्य परिणामांबद्दल जागतिक स्तरावर चर्चा सुरू आहे आणि सरकारे, शिक्षण संस्था व कंपन्या काही प्रमाणात तयारी करत आहेत, जी लुडाईट काळात नव्हती.

भविष्याचा वेध आणि शिकण्यासारखे धडे

लुडाईट चळवळीने हे दाखवून दिले की तंत्रज्ञानातील बदलांचे मानवी आणि सामाजिक परिणाम दुर्लक्षित करता येत नाहीत. तंत्रज्ञानाचा स्वीकार अटळ असला तरी, त्यामुळे समाजातील एका मोठ्या वर्गाचे जीवनमान उद्ध्वस्त होणार नाही याची काळजी घेणे आवश्यक आहे. आज AI च्या युगात, आपल्याला लुडाईट चळवळीतून काही महत्त्वाचे धडे शिकायला मिळतात. तंत्रज्ञानातील बदलांना स्वीकारणे गरजेचे आहे, पण त्याचे व्यवस्थापन करणेही तितकेच महत्त्वाचे आहे. AI ला थांबवणे शक्य नाही, पण त्याचा स्वीकार कसा करायचा, त्याचे फायदे समाजाच्या मोठ्या वर्गापर्यंत कसे पोहोचवायचे आणि त्याचे नकारात्मक परिणाम कसे कमी करायचे, यावर लक्ष केंद्रित करणे आवश्यक आहे. AI मुळे आवश्यक असलेली कौशल्ये बदलतील, त्यामुळे लोकांना नवीन कौशल्ये शिकण्यासाठी आणि सतत शिकत राहण्यासाठी प्रोत्साहन देणे महत्त्वाचे आहे आणि शिक्षण प्रणालीमध्ये आमूलाग्र बदल करावे लागतील. जे लोक AI मुळे तात्पुरते किंवा कायमचे बेरोजगार होतील, त्यांच्यासाठी मजबूत सामाजिक सुरक्षा जाळे आणि उत्पन्नाचे पर्यायी स्रोत यावर विचार करणे आवश्यक आहे. सर्वात महत्त्वाचे म्हणजे, AI चा विकास आणि वापर नैतिक असावा आणि त्यावर योग्य नियंत्रण असावे यासाठी कायदे आणि नियम बनवणे गरजेचे आहे, जेणेकरून त्याचा गैरवापर होणार नाही आणि त्याचे फायदे काही मोजक्या लोकांपर्यंत मर्यादित राहणार नाहीत. AI कितीही प्रगत झाले तरी, सहानुभूती, सर्जनशीलता, गंभीर विचार आणि आंतर-मानवी संबंध यांसारखी मानवी मूल्ये नेहमीच महत्त्वाची राहतील आणि शिक्षण तसेच समाजात या मूल्यांवर अधिक भर देणे आवश्यक आहे.

लुडाईट आणि आजची AI परिस्थिती यातील तुलना आपल्याला दाखवून देते की तंत्रज्ञानातील मोठे बदल नेहमीच मानवी श्रमासाठी आव्हाने घेऊन येतात आणि त्यामुळे चिंता निर्माण होणे स्वाभाविक आहे. लुडाईटनी यंत्रांना तोडून या बदलाला हिंसक प्रतिकार केला, पण तो अयशस्वी ठरला. आज आपल्याकडे इतिहास आहे आणि तंत्रज्ञानाचे स्वरूप अधिक व्यापक व जटिल आहे. त्यामुळे, आजच्या आव्हानांना तोंड देण्यासाठी केवळ विरोधापेक्षा अधिक सुनियोजित आणि दूरदृष्टीकोन आवश्यक आहे. शिक्षण, नियमन, सामाजिक सुरक्षा आणि मानवी कल्याणावर लक्ष केंद्रित करून आपण AI क्रांतीला मानवी प्रगतीसाठी एक संधी म्हणून बदलू शकतो, ज्यामुळे कोणालाही लुडाईटसारखी हताश होऊन यंत्रे तोडण्याची गरज भासणार नाही, उलट मानव आणि मशीन सहकार्याने प्रगती करतील.

(छायाचित्र: इन्सायडर युनियन संकेतस्थळ)

--- तुषार भ. कुटे

#ArtificialIntelligence #Luddite #मराठी #marathi #technology 

मशीन इंटेलिजन्सच्या दिशेने

आर्टिफिशियल इंटेलिजन्सचे स्तरानुसार अर्थात क्षमतापातळीनुसार तीन प्रकार पडतात. आर्टिफिशियल नॅरो इंटेलिजन्स, आर्टिफिशियल जनरल इंटेलिजन्स आणि आर्टिफिशियल सुपर इंटेलिजन्स!
आज आपण पहिल्याच पातळीमध्ये आहोत. ज्यामध्ये मशीन लर्निंगचा वापर करून विविध एआयआधारित उत्पादने तयार केली जातात. ज्यामध्ये आधीच्या माहितीचा वापर करून अल्गोरिदमला प्रशिक्षित केले जाते आणि मानवी कार्य करून घेतली जातात. अर्थात याद्वारे हुबेहूब मानवी क्षमता असलेल्या संगणक अजूनही बनवता आलेला नाही.
‘आर्टिफिशियल जनरल इंटेलिजन्स’ ही एआयची दुसरी पातळी. ज्यामध्ये बनवलेल्या संगणक हुबेहूब मानवी कामे करू शकेल. खरंतर इथपर्यंत आपण अजूनही पोहोचलेलो नाही. परंतु याकरिता मशीन लर्निंगचा पुढचा स्तर अर्थात मशीन इंटेलिजन्स तयार होणे गरजेचे आहे.
तिसऱ्या स्तराला ‘आर्टिफिशियल सुपर इंटेलिजन्स’ म्हणतात. ज्यामध्ये संगणकीय अल्गोरिदम मानवी क्षमतेपेक्षा वरचढ कामगिरी करू शकतील. किंबहुना मानवाच्या प्रत्येक कामाला पर्याय उभा करू शकतील. अनेक विज्ञान-रंजन चित्रपटांमध्ये अशा प्रकारचे रोबोट्स आपल्याला पाहता येतात. परंतु इथवर पोहोचण्यासाठी अजूनही काही दशकांचा कालावधी आहे!
आज वापरण्यात येणारे सर्वात मोठे एआय उत्पादन म्हणजे चॅटजीपीटी होय. जगभरातील करोडो लोकांकडून याचा वापर केला जातो. ओपन एआय या कंपनीने बनवलेले हे चॅट एप्लीकेशन जगभरात सर्वांकडून वापरले जाते. सध्या त्याची चौथी आवृत्ती वापरण्याकरता उपलब्ध आहे. एआय जगतामध्ये आलेल्या वृत्तानुसार ओपन एआयची ४.५ ही आवृत्ती प्रकाशित होण्याच्या मार्गावर आहे. विशेष म्हणजे चॅटजीपीटीच्या या नवीन आवृत्तीने उच्च पातळीवर ट्युरिंग टेस्टदेखील उत्तीर्ण केल्याचे समजते. सुमारे ८० वर्षांपूर्वी एआयचा जनक अॅलन ट्युरींग याने या चाचणीची निर्मिती केली होती. याद्वारे संगणक आपण संगणकाशी संभाषण करत आहोत की मानवाशी? हे ओळखून दाखवतो. कॅलिफोर्निया विद्यापीठाने केलेल्या अभ्यासामध्ये चॅटजीपीटी ४.५ ने तब्बल ७३ टक्के वेळा ट्युरिंग टेस्ट उत्तीर्ण केल्याची समजते! म्हणजे चॅटजीपीटीने केलेले संभाषण हे मानवानेच केलेले संभाषण आहे, असं दाखवलेलं दिसतं! अर्थात या उत्पादनाद्वारे आपण हळूहळू मशीन लर्निंगला मागे टाकत ‘मशीन इंटेलिजन्स’च्या दिशेने चाललो असल्याचे दिसते. अर्थात आर्टिफिशियल नॅरो इंटेलिजन्स आता आर्टिफिशियल जनरल इंटेलिजन्सकडे जाताना दिसत आहे. खरंतर हा प्रवास वेगाने होताना दिसतो. आज जवळपास प्रत्येक क्षेत्रामध्ये एआयचा वापर वाढत आहे. खरोखर मानवच करू शकतो, अशी कामे देखील एआयद्वारे होत आहेत. मानवाची क्षमता आजही त्याच जागेवर आहे, परंतु मशीन मात्र उत्क्रांत होताना दिसते आहे! हे प्रगतीचे लक्षण की धोक्याची घंटा? या प्रश्नाचे उत्तर मात्र शोधावे लागेल.

---- तुषार भ. कुटे

 

CNNs (Convolutional Neural Networks) कसे कार्य करतात?

डीप लर्निंगमधील CNNs (Convolutional Neural Networks) कसे कार्य करतात याचे एक विलक्षण प्रात्यक्षिक!
हा व्हिडिओ दर्शवितो की प्रतिमा लहान करणे म्हणजे नेहमीच महत्त्वाचे तपशील गमावणे असा होत नाही. हे लक्षात घ्या की प्रतिमा खूपच लहान असूनही, आपण स्पष्टपणे पाहू शकतो की या चित्रामध्ये कुत्रा आहे!
याचा अर्थ जर सुरुवातीच्या प्रतिमेच्या फक्त २५% भागामध्ये ती काय आहे, हे शोधण्यासाठी पुरेशी माहिती असेल तर आपण फक्त त्या भागावर लक्ष केंद्रित करू शकतो. अशा प्रकारे, आपल्याला CNN मध्ये संपूर्ण प्रतिमेसह कार्य करण्याची गरज नाही, ज्यामुळे गोष्टी अधिक सोप्या आणि जलद होतात.

(संकलित)

 

अनसुपरवाईज्ड लर्निंग

आर्टिफिशियल इंटेलिजन्सवरील मागील लेखामध्ये आपण मशीन लर्निंग तंत्रज्ञानाच्या "सुपरवाईज्ड लर्निंग" या तंत्राचा सखोल आढावा घेतला. अशाच पद्धतीने "अनसुपरवाईज्ड लर्निंग" नावाचे तंत्र देखील मशीन लर्निंगमध्ये मोलाची कामगिरी बजावताना दिसत आहे.
मशीन लर्निंग म्हणजे अनुभवाधारित शिक्षण. आधीच्या अनुभवाद्वारे संगणक घडलेल्या घटनांमधील माहितीच्या साठ्यामध्ये समान रचना शोधतो आणि त्याचाच वापर पुढे काय होईल? या प्रश्नाचे उत्तर शोधण्यासाठी केला जातो. अर्थात या प्रकारामध्ये अनुभवांमध्ये इनपुट अर्थात आदान माहिती आणि आउटपुट अर्थात प्रदान माहिती दोन्हींचाही समावेश असतो. अनसुपरवाईज्ड लर्निंगमध्ये मात्र फक्त इनपुट माहितीचाच वापर केला जातो.
शालेय शिक्षणामध्ये विज्ञान शिकत असताना मिश्रणातून पदार्थ वेगळ्या करण्याच्या पद्धती आपण पाहिल्या असतीलच. एखाद्या मिश्रणामध्ये वेगवेगळ्या प्रकारचे पदार्थ अथवा वस्तू ठेवलेल्या असतील तर वैज्ञानिक समान धाग्याचा वापर करून आपण त्यांना वेगळे करू शकतो. अशाच पद्धतीचा अवलंब करताना संगणक देखील त्याला दिलेल्या माहितीमध्ये समान धागा शोधून ही माहिती निरनिराळ्या समूहामध्ये साठवून ठेवू शकतो. उदाहरणार्थ, दाखवलेल्या आकृतीमध्ये वेगवेगळ्या प्रकारची फळे ठेवलेली आहेत. या फळांच्या वैशिष्ट्यानुसार त्यांचे समूह करता येणे निश्चितच शक्य आहे. कोणीही सामान्य माणूस आपल्या मेंदूचा वापर करून या समूहातील सफरचंद, पेरू आणि स्ट्रॉबेरीची फळे वेगवेगळी करू शकतात. अर्थात हा मानवी अनुभवाचाच भाग आहे. परंतु संगणकाला असे करायला सांगितल्यास तो करू शकतो का? तर होय, निश्चितच संगणकाला देखील ही क्षमता अनसुपरवाईज्ड लर्निंगद्वारे देता येते. या तंत्राचा वापर करून संगणकाला दिलेल्या आदान माहितीमध्ये समानता शोधून त्याचे वेगवेगळे समूह करता येऊ शकतात. समान धागा शोधण्याची प्रक्रिया ही विविध गणिती सूत्रांवर आधारित असते. ज्याचा वापर करून संगणक कोणत्याही मिश्रणातून पदार्थ वेगळे करू शकतात. कधी कधी मानवी आकलनापलीकडे देखील अनेक प्रकारचा समूह असू शकतो. अशा समूहातून देखील संगणक पदार्थ व वस्तू वेगळे करू शकतो. त्यांचे अधिक छोटे छोटे समान समूह बनवू देखील शकतो. विशेष म्हणजे कितीही मोठी माहिती असली तरी देखील संगणक वेगाने ही प्रक्रिया पार पाडू शकतो. याच प्रक्रियेस अनसुपरवाईज्ड लर्निंग असे म्हटले जाते. तसेच या प्रकारच्या अल्गोरिदमला "क्लस्टरिंग" हे देखील नाव आहे.
संगणकाला प्रदान केलेल्या कोणत्याही माहितीमध्ये समान धागा, समूह, नियम अथवा रचना याद्वारे आपल्याला शोधता येऊ शकते. या तंत्रज्ञानाचा वापर करून संगणकाने आजवर मोठ्या प्रमाणात माहितीचे वर्गीकरण केलेले आहे. याशिवाय इंटरनेटवरील विविध वेबसाईटवर वापरण्यात येणाऱ्या "रीकमेंडेशन सिस्टीम" अल्गोरिदममध्ये देखील याचा वापर करण्यात आलेला आहे. उदाहरणार्थ, अमेझॉनच्या वेबसाईटवर जर तुम्ही एखादी वस्तू खरेदी केली तर तुम्हाला त्या वस्तूशी निगडित असणाऱ्या अन्य वस्तू देखील दाखविल्या जातात. ज्याद्वारे तुम्ही ती वस्तू खरेदी करू शकाल आणि अमेझॉनचा फायदा होऊ शकेल. अर्थात यासाठी अमेझॉन वेबसाईटवर पूर्वीच्या ग्राहकांनी तशा वस्तू खरेदी केलेले असतात. याच खरेदीतील मुख्य रचनांचा अभ्यास करूनच अनसुपरवाईज्ड लर्निंगचे अल्गोरिदम कार्य करीत असतात.
आजच्या मशीन लर्निंग तंत्रज्ञानाकडे पाहिल्यास सुमारे वीस ते पंचवीस टक्के अल्गोरिदम हे या प्रकारामध्ये मोडतात. शिवाय अजूनही विविध किचकट गणिती प्रक्रियांचा अवलंब करून नवनवे अल्गोरिदम तयार करण्याची प्रक्रिया सुरूच आहे.

डिस्ने इमॅजियनीयरिंग

डिस्ने कंपनीने नुकताच हा रोबो अनावरण केला आहे!  🤯

जर तुम्हाला विश्वास नसेल की, मानवांना एक दिवस रोबोट साथीदार असतील, तर ही ९० सेकंदाची क्लिप खरोखर पाहण्यासारखी आहे.

व्हिडिओ मध्ये ०१:०६ या वेळी प्रेक्षकांच्या तात्काळ भावनिक प्रतिक्रियेकडे विशेष लक्ष द्या..

"डिस्ने इमॅजियनीयरिंग" मधील सर्जनशील प्रवर्तकांनी तयार केलेला हा अत्याधुनिक प्रोटोटाइप विशेषतः लोकांशी भावनिक संबंध निर्माण करण्यासाठी डिझाइन केलेला आहे.

रोबोटिक्‍स क्षेत्रामध्‍ये अजूनही अगदी सुरुवातीचे दिवस आहेत, परंतु प्रगतीचा वेग खरोखरच मनाला आनंद देणारा आहे… क्षितिजावर अनेक महत्त्वाचे प्रश्न आहेत आणि पुढे आकर्षक भविष्य.

आर्टिफिशिअल इंटेलिजन्स: एका नव्या वाटेने (लेखांक पहिला)

इसवी सन १९४० चा काळ होता. संपूर्ण जग दुसऱ्या महायुद्धाच्या अनुभवातून जात होते. हिटलरने पूर्ण जगाला युद्धाद्वारे वेठीस धरलेले होते. जर्मन सैन्य मित्र राष्ट्रांवर भारी पडताना दिसत होते. आक्रमक पद्धतीने युद्धात उतरलेल्या जर्मन सैन्याचे संदेश 'डीकोड' करण्यासाठी ब्रिटनमध्ये एका प्रकल्पावर काम सुरू झाले. या प्रकल्पामध्ये ॲलन ट्युरिंग नावाचा उमदा गणितज्ञ व संगणकतज्ञही काम करत होता. किंबहुना तो या चमूचा 'लीडर' होता. जर्मन सैन्याचे संदेश डीकोड करण्यासाठी एखाद्या मशीनला देखील कित्येक महिने लागतील, अशी स्थिती असताना ट्युरिंग याने 'ट्युरिंग मशीन' नावाचे यंत्र तयार केले. याद्वारे काही तासांमध्येच जर्मन संदेश डीकोड होऊन ब्रिटिश सैन्याला समजायला लागले. याच कारणास्तव हळूहळू मित्र राष्ट्रांची सरशी व्हायला लागली. याची परिणीती जर्मनी व त्यांचे सहकारी दुसरे महायुद्ध करण्यामध्ये झाली. या महायुद्धाचे परिणाम अतिशय भयावह झाले असले तरी ॲलन ट्युरिंग याने ट्युरिंग मशीनसारखे अद्भुत यंत्र संगणक विश्वाला तयार करून दिले होते. यामागे असणारे संगणकीय तर्कशास्त्र आजदेखील संगणकामध्ये वापरण्यात येते. आज अस्तित्वात असणाऱ्या संसाधनांची तसेच संगणकीय ज्ञानाची त्यावेळेस कमतरता होती. तरीदेखील ट्युरिंग याने या नव्या यंत्राची रचना केली. यावरूनच त्याच्या अलौकिक बुद्धिमत्तेची प्रचिती येऊ शकेल. ट्युरिंग याच्या म्हणण्यानुसार एखादी गोष्ट जर मनुष्य करू शकत असेल तर तीच गोष्ट संगणकाद्वारे देखील करताच यायला हवी. त्याकाळी त्याला फारसे कोणी गांभीर्याने घेतले नाही. परंतु संगणकीय बुद्धीमत्तेची सुरुवात त्याच्यामुळे झाली, असं म्हणता येऊ शकेल. तोपर्यंत संगणकीय कृत्रिम बुद्धिमत्ता अर्थात आर्टिफिशिअल इंटेलिजन्स या शब्दाचा उगम देखील झाला नव्हता.
विसाव्या शतकाच्या उत्तरार्धाच्या सुरुवातीलाच डार्टमाउथ येथे झालेल्या एका संगणक तज्ञांच्या संमेलनांमध्ये जॉन मॅकर्थी यांनी 'आर्टिफिशिअल इंटेलिजन्स' ही संज्ञा सर्वप्रथम मांडली. अनेक संगणक तज्ञांना संगणक माणसासारखं काम करू शकतो, याचा विश्वास वाटायला लागला होता. परंतु त्यासाठी निश्चित कोणता मार्ग अवलंब करायचा? याबाबत मात्र विविध मतप्रवाह संगणक तज्ज्ञांमध्ये होते. आर्टिफिशिअल इंटेलिजन्सद्वारे संगणकाचा उपयोग मानवी कामे करण्यासाठी करावा किंबहुना करता येऊ शकतो, हाच विचार संगणकाच्या या दुसर्‍या पिढीमध्ये उदयास आला. परंतु समस्या अशी होती की, संगणकाची आकार हा अवाढव्य होता. त्याचा वेग देखील अतिशय कमी होता. तसेच त्याला माहिती साठवण्यासाठी लागणारी क्षमता देखील खूपच तोकडी होती. या संगणकातील मर्यादा लक्षात घेता आर्टिफिशिअल इंटेलिजन्स विकसित होऊ शकेल, याबाबत शंकाच होती. परंतु डोक्यात किडे असणाऱ्या अनेक संगणक तज्ञांनी मात्र यावर संशोधन, विचार व विकसन देखील सुरू केले. त्याचा फायदा आजही संगणक विकसकांना होत आहे.
माणूस हा नैसर्गिक क्षमता असणारा जगातील सर्वात प्रगत प्राणी आहे. या क्षमता संगणकामध्ये अंतर्भूत करायच्या असल्यास अतिशय किचकट अल्गोरिदम तयार करावे लागतील. तसेच तितकेच अवघड प्रोग्रॅम्स देखील लिहावे लागतील. याची कल्पना तत्कालीन संगणक तज्ञांना होती. तरीदेखील अनेक संगणक तज्ञांनी हे शिवधनुष्य हाती घेतले आणि आर्टिफिशिअल इंटेलिजन्सचा विकास व्हायला सुरुवात झाली. खरोखरच त्यांनी लिहिलेले प्रोग्रॅम्स अतिशय किचकट व सर्व सामान्य बुद्धिमत्ता असलेल्या कोणालाही समजणे अतिशय अवघड असेच होते. या संपूर्ण प्रक्रियेमध्ये गणितज्ञांची मोठी मदत संगणकशास्त्राला झाली. तसेच ती आजही होत आहे. 

विसाव्या शतकाच्या उत्तरार्धामध्ये आर्टिफिशिअल इंटेलिजन्स मधील विविध अल्गोरिदम तयार केले गेले. उदाहरणार्थ बुद्धिबळाचा खेळ खेळायचा असल्यास संगणक तो कसा खेळू शकतो, याचा अतिशय किचकट अल्गोरिदम देखील तयार करण्यात आला होता. असे बहुतांश अल्गोरिदम संगणकाला कृत्रिम बुद्धिमत्ता प्रदान करण्यासाठी तयार केले गेले. या सर्व अल्गोरिदमची समस्या अशी होती की, ते लिहिण्यासाठी अगदी मूलभूत पायऱ्यांपासून सुरुवात करावी लागत असे. त्याकरिता सामान्य बुद्धिमत्ता काहीच कामाची नव्हती. आजही असे अनेक किचकट अल्गोरिदम संगणक शास्त्रांमध्ये आहेत, जे या क्षेत्रात काम करणाऱ्या लोकांना देखील लवकर समजत नाहीत. एकंदरीत कृत्रिम बुद्धिमत्ता तयार करायची म्हणजे विकासकाकडे असामान्य बुद्धिमत्ता असावी लागत होती. म्हणूनच आर्टिफिशिअल इंटेलिजन्समध्ये काम करणाऱ्या संगणक विकासकांची संख्या तशी फारच कमी होती. याच कारणास्तव हे क्षेत्र हव्या तितक्या वेगाने विकसित झाले नाही. शिवाय संगणकतज्ञांचा आर्टिफिशिअल इंटेलिजन्समध्ये काम करण्याचा ओघ देखील कमी होता. परंतु एकविसावे शतक उगवले ते या क्षेत्राला नवीन संजीवनी देण्यासाठीच, असे म्हणावे लागेल.
आर्टिफिशिअल इंटेलिजन्समध्ये आता 'मशीन लर्निंग' या नवीन तंत्राचा वापर व्हायला लागला होता. तसं पाहिलं तर मशिन लर्निंग ही आर्टिफिशिअल इंटेलिजन्स इतकीच जुनी संज्ञा आहे. सन १९५९ मध्ये अर्थर सॅम्युअल यांनी संगणकाद्वारे खेळण्यात येणारा 'चेकर्स गेम' तयार केला होता. हा संगणकीय खेळ त्याला दिलेल्या अनुभवातून शिकून निर्णय घेऊ शकत असायचा. हीच मशीन लर्निंग या तंत्राची सुरुवात होती. परंतु गेली कित्येक दशके त्यात फारशी सुधारणा झाली नाही. संगणकाच्या पिढ्या बदलत गेल्या. सांख्यिकी शास्त्राचे, लिनियर अल्जेब्रा, कॅल्क्युलस तसेच प्रोबॅबिलिटी सारख्या विषयांचे महत्त्व देखील संगणक शास्त्रामध्ये वाढत गेले आणि मशीन लर्निंग या तंत्रज्ञानाला नवे बळही मिळत गेले.
तसं पाहिलं तर मशीन लर्निंग हे 'निसर्ग प्रेरित संगणन' या विषयाचेच एक रूप आहे. आपण कसे शिकतो? या प्रश्नाचे उत्तर शोधायचे झाल्यास कुणीतरी आपल्याला शिकवले की शिकतो असं म्हणू शकतो. परंतु सारासार विचार केल्यास असं लक्षात येतं की, आपण अनुभवाद्वारे शिकतो! अनुभवाद्वारे मिळालेले ज्ञान हेच खरे ज्ञान होय. यात काहीच शंका नाही. याच कारणास्तव अनुभवी लोकांना नोकरीमध्ये प्राधान्य दिले जाते. अगदी लहान बाळापासून ते उच्चपदस्थांपर्यंत सर्वच जण सर्वाधिक ज्ञान आपल्या अनुभवातूनच प्राप्त करत असतात. मशीन लर्निंग देखील अशाच प्रकारचे तंत्रज्ञान आहे. ज्याद्वारे मानवी अनुभव संगणकाला प्रदान केले जातात व त्यातूनच संगणकीय अल्गोरिदम नव्या गोष्टी शिकत राहतो. अर्थात याकरिता संगणकीय अल्गोरिदमला अनुभवसंपन्न माहितीचा साठा आधी द्यावाच लागतो. आर्टिफिशिअल इंटेलिजन्सच्या पहिल्या पिढीतील अल्गोरिदम हे या प्रकारामध्ये मोडत नव्हते. त्या अल्गोरिदम्सला 'रुल बेस्ड सिस्टम्स' असे म्हटले जायचे. अर्थात हे अल्गोरिदमस अगदी शून्य अनुभव असलेल्या एखाद्या व्यक्ती सारखे काम करत असत. परंतु मशीन लर्निंग तंत्रज्ञानाद्वारे अनुभवी अल्गोरिदम आर्टिफिशिअल इंटेलिजन्समध्ये वापरता येऊ लागलेले आहेत. याच कारणास्तव अधिक अचूक व कमी किचकट अल्गोरिदम पद्धतीने सदर तंत्रज्ञान वेगाने विकसित होत आहे. शिवाय पूर्वीच्या अल्गोरिदममध्ये असणारा किचकटपणा, वेळखाऊपणा तसेच बौद्धिक क्षमता मशीन लर्निंगमध्ये लागत नाही. सर्वसामान्य बुद्धिमत्ता असलेला तसेच सांख्यिकी व गणिताचे सुयोग्य ज्ञान असलेला कोणीही व्यक्ती मशीन लर्निंगचे अल्गोरिदम वापरू शकतो. तसेच याद्वारे आर्टिफिशिअल इंटेलिजन्सचे सॉफ्टवेअर देखील विकसित करू शकतो. याच कारणास्तव मागील काही वर्षांमध्ये आर्टिफिशिअल इंटेलिजन्स इंजिनियर्सची संख्या देखील वेगाने वाढत आहे. नवनवे अल्गोरिदम आणि संकल्पना या तंत्रज्ञानामध्ये अंतर्भूत झालेल्या आहेत. मानवी माहितीचा व बौद्धिक क्षमतेचा अचूक वापर आज आर्टिफिशिअल इंटेलिजन्समध्ये करण्यात येत आहे.
रोबोटिक्स सारखे तंत्रज्ञान देखील मशीन लर्निंगचाच वापर करून काळाच्या पुढची पावले टाकण्यासाठी सिद्ध झालेले आहे. मागील शतकामध्ये मंदावलेला कृत्रिम बुद्धिमत्तेचा वेग वाढताना दिसतो आहे. भविष्यामध्ये मशीन लर्निंगमुळे त्याची व्याप्ती अधिक विस्तृत होणार आहे. म्हणूनच आज जवळपास प्रत्येक क्षेत्रांमध्ये मशीन लर्निंग तंत्रज्ञ कार्य करताना दिसतात. संगणकीय प्रगतीचा मार्ग कृत्रिम बुद्धिमत्तेच्या मशीन लर्निंगमुळे सुकर व सुलभ झाल्याचा दिसतो. शिवाय मागील तीन ते चार वर्षांमध्ये अन्य क्षेत्रातील व्यवसायिक व कर्मचारी देखील या क्षेत्राकडे वळताना दिसत आहेत. संगणक क्षेत्रातील काळाची गरज असल्यामुळे मशीन लर्निंग आता सर्वांनाच हवेहवेसे वाटू लागले आहे. येणाऱ्या काळामध्ये मानवी प्रगतीचा वेग वाढवण्यासाठी याच तंत्रज्ञानाची चाके पुरेशी आहेत, यात काहीच शंका नाही. (क्रमशः)

- तुषार भ. कुटे
डेटा सायंटिस्ट, मितू रिसर्च, पुणे. 

मशीन लर्निंग: नव्या युगाची नांदी

मानवी आकलनक्षमता संगणकाला प्रदान करण्याच्या संकल्पनेतून संगणकीय कृत्रिम बुद्धिमत्तेचा उगम झाला. यायचं पुढचा टप्पा म्हणजे 'मशीन लर्निंग' होय. शक्यता आणि संभाव्यता या दोहोंचाही वापर निर्णय प्रक्रियेत करून घेणारे शास्त्र म्हणजे मशीन लर्निंग होय. संगणक मानवासारखा विचार करू शकतो का? असेल तर त्याचे निर्णय अधिक अचूक करण्यासाठी व वेगवान करण्यासाठी मशीन लर्निंग चा उदय झालाय, हे निश्चितपणे सांगता येईल. 

विविध घटना, रचना, संकल्पना व माहिती यांमध्ये एक प्रकारचा सांख्यिकीय सिद्धांत दडलेला असतो. अर्थात, हे सर्व गणिताच्या नियमाप्रमाणे चालतात. परंतु, हे नियम सर्वांनाच लागू होतील असेही नाही. यात कोणता विषय, कोणाला, कश्या पद्धतीने लागू पडतो? याचे उत्तर मशीन लर्निंग देते.
निसर्ग ही मानवाला मिळालेली सर्वोत्तम भेट आहे. जर आपण म्हणतो की, सर्व काही निसर्ग नियमांप्रमाणे चालते तर संगणकही या नियमांचा उपयोग का नाही करू शकत? 'निसर्ग प्रेरित संगणन' ही संकल्पना यातूनच उदयास आली. निसर्गाने शिकवलेले धडे संगणकाने योग्य पद्धतीने गिरवले आहेत. किंबहुना संगणक हेच 'निसर्ग प्रेरित संगणनाचे' पहिले उत्पादन मानता येईल. निसर्ग आमचा गुरु... असं मानून अद्ययावत संगणकीय तंत्रज्ञानाची नवी वाटचाल चालू आहे. मशीन लर्निंग हा त्यातलाच एक भाग. यातील काही पद्धतींची तुलना अगदी आईन्स्टाईनच्या सापेक्षवादाशी, चौमितीशी, न्यूटनच्या गुरुत्वाकर्षणाच्या नियमाशी व डार्विनच्या उत्क्रांतीवादाच्या सिद्धांताशी केली तर वावगे ठरणार नाही. हे शास्त्र समजायला किचकट वाटत असले तरी, ती भविष्यातील नांदी ठरेल, इतपत क्षमता त्याच्यात आहे. अगदी भविष्यही सांगू  शकतील अश्या पद्धती मशीन लर्निंगच्या निर्णय प्रक्रियेत समाविष्ट आहेत.
संगणकाने मानवाला अधू केलं असं म्हटलं जातं. अर्थात, ते संगणक वापरणाऱ्याच्या दृष्टिकोनावर अवलंबून आहे. परंतु, नवनिर्मिती प्रक्रियेत व मानवी जीवनाच्या पुढील प्रवासात मानवाचाच मेंदू वापरून ते वेगाने वाटचाल करत आहे, असे दिसते. मागच्या लाखो वर्षांत जी क्रांती झाली, तीच काही शतकांमध्ये आजच्या काळात झाली. त्याहून वेगवान क्रांती पुढच्या दशकानुदशके चालेल ती या मशीन लर्निंग तंत्रज्ञानामुळेच, हे ध्यानात ठेवायला हवे.