ஆர்டிபிஷியல் இன்டலிஜென்ஸ்ஸும் ஜல்லியடித்தலும்

ஆர்டிபிஷியல் இன்டலிஜென்ஸ் (Artificial Intelligence A.I.)

இது ஒரு கடலைப்போன்ற விஷயம், அள்ள அள்ள குறையாமல் விஷயங்கள் வந்து குவியும். நான் கணிணியியல் படிக்கத்தொடங்கியதும் என்னைக் கவர்ந்த ஒரு மிக அற்புதமான பிரிவு இந்த ஆர்டிபிஷியல் இன்டலிஜென்ஸ். இதைப் பற்றியும் கொஞ்சம் ஜல்லியடித்துவிட்டு போகலாமென்றுதான் இந்த கட்டுரையை ஆரம்பிக்கிறேன்.

இயந்திரங்களையும் சுயமாக அறிவுப் பூர்வமாக சிந்திக்க வைக்க நடக்கும் ஒரு அறிவியல் சார்ந்த முயற்சியே இந்த ஆர்டிபிஷியல் இன்டலிஜென்ஸ். மிக முக்கியமாக கணிணியை அறிவுப்பூர்வமாக சிந்திக்க வைக்க முயற்சி என்றே கூறலாம். கணிணி கண்டுபிடித்த தொடக்கத்திலேயே இது சம்மந்தமான ஆராய்சிக்களும் தொடங்கிவிட்டது. மனிதனைப்போலவே, இயந்திரங்களையும் சிந்திக்க வைக்கவே இந்த முயற்சிகள் பெரிதும் செய்யப்பட்டன.

80 களில், இது சம்மந்தமான முயற்சிகளுக்கு அமேரிக்க அரசாங்கம் அதிக அளவில் பொருள் செலவழித்தது. அதைப்போலவே ஜப்பானும் ஐந்தாம் தலைமுறை கணிணி (Fifth Generation Computer) என்ற பெயரில் இது சம்மந்தமான முயற்சிகளை அதிக பொருள்செலவில் ஊக்குவித்தது. ஆனால் இவை அந்த அளவிற்கு வெற்றிகளை குவிக்காததால், இதற்கான ஃபண்ட்ஸ்(Funds) விரைவில் குறைத்துக்கொள்ளப்பட்டது.

கணிணிகள் தற்சமயம் வரை நாம் செய்யச் சொன்னது போலச் செய்யுமே ஒழிய தானாக சிந்திக்கவோ இல்லை முடிவுகளை எடுக்கவோ செய்யாது. வேண்டுமானால் ஒரு பிரச்சனை சார்ந்த விஷயத்திற்கு மனிதனைப்போல சிந்திக்க கணிணிகளை பழக்கப்படுத்த முடியும். இதற்கு தற்சமயத்தில் ஆர்டிபிஷியல் இன்டலிஜென்ஸ் பயன்படும் சில துறைகளையும் அது எவ்வாறு பயன்படுகிறது என்பதைப் பார்த்தால் புரிந்துவிடும்.

தற்பொழுது இருக்கும் ஆர்டிபிஷியல் இன்டலிஜென்ஸ் முறைகளில் கணிணி தானே சிந்தப்பது என்பதற்கு அது பிரச்சனை சார்ந்து, அதிகம் தனக்குத்தானே கணக்கிட்டுக்கொண்டு முடிவு எடுக்கிறது எனக் கூறலாம். உதாரணமாக செஸ் ஆட்டத்தை எடுத்துக்கொள்வோம் இதில் கணிணி எப்படி விளையாடுகிறது, எப்படி கணக்கிடுகிறது என்பதைப் பார்த்தோமானால் கணிணி எப்படி தானாய் சிந்திக்கிறது அல்லது தானாய் எப்படி சிந்திக்க வைத்தார்கள் என்பதை அறியலாம். முதலில் நாம் 8 குயின் பிராப்ளம் (8 queen problem or n queen problem) என்ற ஒரு முறை உண்டு அதைப்பார்ப்போம்.

செஸ் ஆட்டத்தில் இராணியின் நகர்வுதிறன் உங்களுக்கு தெரிந்திருக்கும், தான் இருக்கும் இடத்திலிருந்து நேராகவும் குறுக்காகவும் நகர முடியும் ராணியால். மொத்தம் 64 கட்டங்கள் கொண்ட செஸ் அட்டையில், ஒரு இராணியின் ஆளுமையை(நேராகவோ, குறுக்காகவோ) மற்றொரு ராணி மறிக்காமல் மொத்தம் எட்டு ராணிகளை வைக்க வேண்டும். இன்னும் சுலபமாக சொல்லவேண்டுமானால் ஒரு செஸ் போர்டில் எட்டி ராணிகளை ஒன்றையொன்று வெட்டாமல் வைக்க வேண்டும்.

இப்படி வைப்பதற்கு கணிணி முறையில் ஒரு கொள்கையை பயன்படுத்துகிறார்கள், அது பேக் டிராக்கிங்(Back Tracking), அதாவது முதலில் ஒரு ராணியை போர்டில் வைத்துவிடுகிறோம் பின்னர், அடுத்த ராணியை வைப்பதற்கான முயற்சியில் கணிணியானது முதலில் தான் எங்கே அந்த ராணியை வைக்க முடியும் என சிந்திக்காமல் எங்கெல்லாம் வைக்க முடியாது என சிந்தப்பதை தான் பேக் டிராக்கிங் என அழைக்கிறார்கள். இதன் காரணமாக அடுத்த ராணியை எங்கு வைப்பது என கண்டுபிடிப்பதில் நமக்கு ஆகும் கணக்கிடுதலின் பணி குறையும். (The backtracking method is based on the systematically inquisition of the possible solutions where through the procedure, set of possible solutions are rejected before even examined so their number is getting a lot smaller. )

கீழே உள்ளதும் இது போன்ற ஒன்றுதான் இது தானாகவே ஒன்றிலிருந்து அடுத்தது என எட்டு ராணிகளை வைக்கும் ஒரு ப்ரோக்கிராமே. நெக்ஸ்ட் ஸொல்யூஸனைக்(Next Solution) கிளிக்கும் பொழுது புதிது புதிதாக எத்தனை முறைகளை (எட்டு ராணிகளை வெட்டாமல் வைக்கும் முறை) பாருங்கள். இவை ஒவ்வொன்றும் தனித்தனியாக எழுதப்பட்டது கிடையாது.



இதை ஆர்டிபிஷியல் இன்டலிஜென்ஸின் முதல் படி எனலாம். இப்படி அடுத்த ராணியை வைப்பதற்கு முன் முறைப்படி நிராகரிக்கவும் பின்னர் அடுத்த வைத்தலைப்பற்றிய கணக்கையிடவும் கணிணிக்கு சொல்லிவிட்டால் கணிணியால், ஒன்றன் பின் ஒன்றாக எட்டு ராணிகளை வைக்க முடியும் இதுதான் முதல் பரிமாணம் கணிணியில் செஸ் ஆட்டத்திற்கு.

இதைப்போலவே உண்மையான செஸ் ஆட்டத்திற்கான கணக்கு முறையும் இப்படித்தான் தொடங்கும் முதலில் எங்கெல்லாம் வைக்க முடியாது எனப்பார்ப்பது. பின்னர். ஏற்கனவே தன் நினைவில் இருக்கும் நகர்த்துதளின் படி அடுத்த நகர்ததலை தேர்ந்தெடுப்பது போன்றவைதான் ஒரு தேர்ந்த சதுரங்கக்கணிணியை உருவாக்குகிறது. அதாவது இந்த வகை ஆர்டிபிஷியல் இன்டெலிஜனஸ் கணிணிகள் முன்னால் நடந்ததையும் கணக்கில் எடுத்துக்கொள்ளும், அதாவது முன்னர் விளையாடிய ஆட்டத்தின் நகர்தலை.


கீழே உள்ளதும் ஒரு சதுரங்கக் கணிணியே இதில் நீங்கள் முதலில் நகர்த்த வேண்டும் பின்னர் கணிணி எவ்வளவு கணக்கிடுகிறது எனப்பார்க்கலாம். தன்னுடையதையும்(பிராஸஸர்) நம்முடையதையும். அது போடும் பச்சை மற்றும் மஞ்சள் கோடுகள் அது சிந்திக்கும் அடுத்த நகர்த்தல்கள்.இது ஒரு முழுமையான சதுரங்கக்கணிணி கொஞ்சம் சிந்தித்து விளையாடினால் இதை வெல்லலாம். ஆனால் போன பதிவில் சொன்னதைப்போல டீப்புளு போன்ற உலக வல்லுநர்களையே தோற்கடிக்கும் சதுரங்கக்கணிணிகள் புழக்கத்தில் உள்ளன.



கையெழுத்தை உணர்ந்து கொள்வது(handwriting recognition), பேசுவதை உணர்ந்து கொள்வது(speech recognition), முகங்களை உணர்ந்து கொள்வது(speech recognition), இமேஜ் பிராஸஸிங்(Image Processing), பிறகு நம் அனைவருக்கும் தெரிந்த விளையாட்டு சம்மந்தமான ஆர்டிபிஷியல் இன்டலிஜென்ஸ்(Game AI).

இந்த ஒவ்வொரு துறையுமே ஒவ்வொரு பெரிய கடலைப்போன்ற ஆராய்ச்சிகளை தன்னுள் அடக்கயது. கையெழுத்தை உணர்வது என்று வைத்துக்கொண்டால், நீங்கள் எழுதும் எழுத்தையோ இல்லை வார்த்தையையோ, தன்னிடம் ஏற்கனவே சேமித்து வைத்திருக்கும் வார்த்தைகளஇடம் ஒப்பிட்டு கண்டறிவது. இதைப் போலவே முகங்களை அறிவதும், பேசுவதை அறிவதும் பாட்டர்ன் ரெககனைசிங்(Pattern Recoginition) சொல்லப்படும் இந்த ஒப்பிடுதல் முறைகளால் நடைபெறுகிறது.

இதைப் போலத்தான் இமேஜ் பிராஸஸிங் அதாவது ஒரு இமேஜை இன்புட்டாக கொண்டு செய்யப்படும் எல்லா வேலைகளுமே இதில் அடங்கும், இமேஜ்கள் சிக்னல்களாகவோ, புகைப்படங்களாகவோ, இல்லை இரண்டு பரிமான திரைப்படங்களாகவோ இருக்கும். அந்த இமேஜ்களை இருப்பதை விட பெரிதாக்குதல், சிறிதாக்குதல், சுழற்றுதல், காணப்படும் வண்ணங்களை மேம்படுத்துதல், ஒப்பிடுதல், ஒலியில் இருக்கும் இரைச்சலை குறைத்தல் போன்றவைகள் தான் முக்கியமானது.

இதனால் ஆர்டிபிஷியல் இன்டலிஜென்ஸ் என்பது சில அல்லது பல அரிய சூத்திரங்களை கணிதமுறைகளை பயன்படுத்தி கணிணியை ஓரளவு சிந்திக்க வைப்பது. ஆனால் மனித அளவுக்கு சிந்திக்க முடியாததற்கு காரணம் இதுவரை ஆர்டிபிஷியல் இன்டலிஜென்ஸில் இருக்கும் முறைகளின் அடிப்படைகளிலேயே பிரச்சனையிருப்பது தான்.

Computability and computational complexity theories are relevant to AI but don't address the fundamental problems of AI. Intelligence is the computational part of the ability to achieve goals in the world. The problem is that we cannot yet characterize in general what kinds of computational procedures we want to call intelligent.

The ultimate effort is to make computer programs that can solve problems and achieve goals in the world as well as humans. However, many people involved in particular research areas are much less ambitious. A few people think that human-level intelligence can be achieved by writing large numbers of programs of the kind people are now writing and assembling vast knowledge bases of facts in the languages now used for expressing knowledge. However, most AI researchers believe that new fundamental ideas are required, and therefore it cannot be predicted when human level intelligence will be achieved.