Decoding the 3 Most Confusing AI Buzzwords: Machine Learning, Deep Learning and Neural Networks

ഓഹരി തിരഞ്ഞെടുപ്പിലെ 'റോക്കറ്റ് റൈഡും' AI പ്രവചിച്ചതും ഒറ്റ ദിവസം കൊണ്ട് പൊട്ടിയതും കേട്ടുകേൾവിയില്ലേ? അല്ലെങ്കിൽ മെഷീൻ ലേണിങ്ങിന്റെ അത്ഭുതങ്ങളെക്കുറിച്ച് ടെഡ് ടോക്കിൽ കേട്ട് 'വൗ' എന്ന് തലയാട്ടിയതോ?

സീനാണ്! കേട്ടാലുടനെ 'ആഹാ, എനിക്കും അറിയാം' എന്ന് പറഞ്ഞ് അവസാനം എല്ലാം പൊളിഞ്ഞ അനുഭവം ഉണ്ടോ?

'ഡീപ്‌ ലേണിങ്', 'മെഷീൻ ലേണിങ്', 'ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ' എന്നൊക്കെ പറയുമ്പോൾ 'ഏട്ടൻ ചുമ്മാ ഇംഗ്ലീഷടിച്ചതാണോ?' എന്ന് തോന്നാറുണ്ടോ?

പേടിക്കണ്ട! നമുക്ക് ഈ ടെക്‌നോ 'ജാർഗണുകൾ' പൊളിച്ചെഴുതാം, ഈ കടിച്ചാല്‍ പൊട്ടാത്ത വാക്കുകള്‍ എന്താണെന്നും, എങ്ങനെ പ്രവര്‍ത്തിക്കുന്നുവെന്നും നമുക്ക് നോക്കാം.

ഈ "കൃത്രിമ ബുദ്ധി" യന്ത്രങ്ങൾ എന്നും മിടുക്കു വർദ്ധിപ്പിക്കാനായി നിരന്തരം പഠിച്ചുകൊണ്ടിരിക്കുന്നു. വിചിത്രമായ ഭാഷകൾ മനസ്സിലാക്കാനും വിവർത്തനം ചെയ്യാനും അവർ പഠിക്കുന്നു, നിങ്ങളുടെ കുളിമുറിയിലെ ലൈറ്റുകൾ ഓൺ-ഓഫ് ചെയ്യാൻ നമ്മുടെ ശബ്ദം കൊണ്ട് കമാൻഡ് ചെയ്യാൻ പരിശീലിക്കുന്നു, ഡോക്ടർമാർക്ക് രോഗം നിർണ്ണയിക്കാൻ സഹായിക്കാനായി മെഡിക്കൽ ചിത്രങ്ങൾ വായിക്കാൻ മിടുക്കു കൈവശപ്പെടുത്തുന്നു. ഇതൊക്കെ വെറും തുടക്കം മാത്രമാണ്! ഭാവിയിൽ AI കാറുകൾ (Self Driving Cars) നമ്മളെ ഓഫീസിലേക്ക് കൊണ്ടുപോകുമെന്നും റോബോട്ടുകൾ നമ്മുടെ വീട്ടിൽ പണികൾ ചെയ്തു തീർക്കുമെന്നും ഗ്രഹങ്ങളിലേക്ക് യാത്ര പോകാൻ നമുക്ക് സ്പേഷ്‌ഷിപ് തയ്യാറാക്കാൻ സഹായിക്കുമെന്നും എഴുതിയിരിക്കുന്ന സയൻസ് ഫിക്ഷൻ കഥകൾ ഇനി കഥകളായി അവശേഷിക്കില്ല. അതെ, AI ഇത്രയും വിസ്മയകരമായി നമ്മുടെ ലോകത്തെ പരിവർത്തനം ചെയ്യുകയാണ്.

നമുക്ക് ഈ AI മാന്ത്രികതയുടെ പിന്നിലുള്ള ചില കാര്യങ്ങള്‍ പരതി നോക്കാം. ആദ്യമായി മെഷീൻ ലേണിങ് (Machine Learning) എന്താണെന്ന് നോക്കാം.

കേട്ടിട്ടില്ലേ, 'മെഷീൻ ലേണിങ്' എന്നൊരു വാക്ക്? അത് AIയുടെ ആദ്യത്തെ വിദ്യയാണ്. കുട്ടികൾ പുതിയ കാര്യങ്ങൾ പഠിക്കുന്നതുപോലെ, കമ്പ്യൂട്ടറുകളും ഡാറ്റയിൽ നിന്ന് പഠിക്കുമെന്നാണ് ഈ മെഷീൻ ലേണിങ് പറയുന്നത്. നമ്മളെ ഓരോ പച്ചക്കറിയും പഴങ്ങളും തിരിച്ചറിയാൻ പഠിപ്പിക്കുന്നത് പോലെ, 'മെഷീൻ ലേണിങ്' കമ്പ്യൂട്ടറുകൾക്ക് പുതിയ ചിത്രങ്ങളും വാക്കുകളും ശബ്ദങ്ങളും പഠിപ്പിക്കുന്നു. അതുകൊണ്ടാണ് ഫോണിലെ ഗാലറിയിൽ നമ്മുടെ ഫോട്ടോസ് തപ്പുമ്പോൾ 'അമ്മ' എന്ന് ടൈപ്പ് ചെയ്താൽ അമ്മയുടെ ഫോട്ടോസ് മാത്രം വരുന്നത്, അല്ലെങ്കിൽ നമ്മൾ പാട്ട് പാടുമ്പോൾ ഏത് രാഗത്തിലാണെന്ന് ഫോൺ തിരിച്ചറിയുന്നത്.

അടുത്തതായി ഡീപ് ലേണിംഗ് (Deep Learning) എന്താണെന്ന് നമുക്ക് നോക്കാം.

നമ്മുടെ കുഞ്ഞുങ്ങൾ എങ്ങനെയാണ് കാര്യങ്ങൾ പഠിക്കുന്നത്? ഒന്നിനെ കുറിച്ചും അറിവില്ലാത്ത ചെറു പ്രായം മുതൽ സംസാരിക്കാനും നടക്കാനും കളിക്കാനും പഠിക്കുന്നത്? അവരുടെ തലച്ചോറിൽ ചെറിയ ചെറിയ ബന്ധങ്ങളുണ്ടാക്കിയാണ്, ഒന്നൊന്നായി കാര്യങ്ങൾ കൂട്ടിച്ചേർത്ത് അവര്‍ ഓരോ കാര്യങ്ങളും മനസ്സിലാക്കുന്നു.

ഡീപ് ലേണിംഗും അങ്ങനെ തന്നെയാണ്, കമ്പ്യൂട്ടറിന്റെ 'തലച്ചോറിൽ' ചെറിയ ബന്ധങ്ങളുണ്ടാക്കി വിവരങ്ങൾ മനസ്സിലാക്കാൻ പഠിപ്പിക്കുകയാണ് ചെയ്യുന്നത്. ഡാറ്റാ ഉപയോഗിച്ചാണ് കമ്പ്യൂട്ടർ നിരവധി പാറ്റേണുകള്‍ മനസ്സിലാക്കി ബന്ധങ്ങൾ തിരിച്ചറിഞ്ഞ് കാര്യങ്ങൾ കൂട്ടിച്ചേർത്ത് പഠിക്കുന്നത്.

ഉദാഹരണത്തിന്, പൂച്ചകളെ തിരിച്ചറിയാൻ കമ്പ്യൂട്ടറിനെ പഠിപ്പിക്കണം. പലതരത്തിലുള്ള പൂച്ചകളുടെ ചിത്രങ്ങൾ മോഡിലിന് നല്‍കുന്നു കൊടുക്കുന്നു. ഓരോന്നും നോക്കി 'ഇതൊരു പൂച്ചയാണ്, ഇതൊരു പൂച്ചയല്ല' എന്ന് തിരിച്ചറിയാൻ പഠിപ്പിക്കുന്നു. ഒടുവിൽ ഏത് പുതിയ ചിത്രവും കാണുമ്പോൾ അത് കാളയോ അല്ലയോ എന്ന് കമ്പ്യൂട്ടറിന് പറയാൻ പറ്റും. ഇങ്ങനെ ഡാറ്റയിൽ നിന്ന് പഠിച്ച് പലതരം കാര്യങ്ങൾ ചെയ്യാൻ കമ്പ്യൂട്ടറിനെ കഴിവുള്ളതാക്കാനാണ് ഡീപ് ലേണിംഗ് സഹായിക്കുന്നത്.

ഇത്രയും മനസ്സിലാക്കി കഴിയുമ്പോള്‍ സ്വാഭാവികമായും നിങ്ങള്‍ക്ക് വരാവുന്ന സംശയമാണ് മെഷീന്‍ ലേണിംഗും ഡീപ് ലേണിംഗും തമ്മില്‍ എന്ത് വ്യത്യാസമാണ് ഉള്ളതെന്ന്. നമുക്ക് നോക്കാം.

മെഷീൻ ലേണിംഗും ഡീപ് ലേണിംഗും രണ്ടും കമ്പ്യൂട്ടറുകളെ സ്വയം പഠിപ്പിക്കുന്ന സാങ്കേതികവിദ്യകളാണെങ്കിലും അവ തമ്മിൽ ചില പ്രധാന വ്യത്യാസങ്ങളുണ്ട്. ഈസിയായിട്ട് ഇങ്ങനെ വിശദീകരിക്കാം:

Machine Learning: നമ്മൾ കുട്ടികൾക്ക് ഒന്നിനൊന്നായി പറഞ്ഞുകൊടുത്ത് പഠിപ്പിക്കുന്ന പോലെയാണ്, ഓരോ ചുവടുമായി ഗൈഡ് ചെയ്യും. ഡാറ്റയിൽ നിന്ന് പാറ്റേണുകൾ തിരിച്ചറിയാൻ കമ്പ്യൂട്ടറിനെ പ്രത്യേക അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് പഠിപ്പിക്കുന്നു.

Deep Learning: കുട്ടികൾ സ്വയം കളിച്ചും പരീക്ഷിച്ചും പഠിക്കുന്ന പോലെയാണ്. കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എന്ന പ്രത്യേക ഘടന ഉപയോഗിച്ച് കമ്പ്യൂട്ടർ സ്വയം ഡാറ്റയിൽ നിന്ന് പാറ്റേണുകൾ കണ്ടെത്തി പഠിക്കുന്നു. ഇത് നമ്മുടെ തലച്ചോറിന്റെ പ്രവർത്തനത്തെ അനുകരിക്കുന്നു.

Data: മെഷീൻ ലേണിംഗിന് ചെറിയ ഡാറ്റാസെറ്റുകൾ മതിയാകും, പക്ഷേ ഡീപ് ലേണിംഗിന് വളരെ കൂടുതൽ ഡാറ്റ (ലക്ഷക്കണക്കിനോ ദശലക്ഷക്കണക്കിനോ) ആവശ്യമാണ്.

Complexity: മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ ലളിതമാണ്, ഡീപ് ലേണിംഗ് നെറ്റ്‌വർക്കുകൾ പലതരത്തിലുള്ള ന്യൂറോണുകളുടെ പടികളാണ്, കൂടുതൽ സങ്കീർണമാണ്.

Control: മെഷീൻ ലേണിംഗിൽ എങ്ങനെ പഠിക്കണമെന്ന് കൂടുതൽ നിയന്ത്രണം നൽകുന്നു, ഡീപ് ലേണിംഗിൽ കമ്പ്യൂട്ടർ സ്വയം പഠിക്കുന്നതിനാൽ നിയന്ത്രണം കുറവാണ്.

Applications: മെഷീൻ ലേണിംഗിന് വർഗീകരണം, റിഗ്രഷൻ തുടങ്ങിയ ലളിതമായ പ്രശ്‌നങ്ങൾ പരിഹരിക്കാൻ കഴിയും, ഡീപ് ലേണിംഗിന് ഇമേജ് തിരിച്ചറിയൽ, ഭാഷാപരിവർത്തനം, സ്വയം ഓടിക്കുന്ന കാറുകൾ തുടങ്ങിയ കൂടുതൽ സങ്കീർണമായ പ്രശ്‌നങ്ങൾ പരിഹരിക്കാൻ കഴിയും.

അപ്പോൾ, മെഷീൻ ലേണിംഗിനെ ഒരു അടിസ്ഥാനമായി കണക്കാക്കാം, ഡീപ് ലേണിംഗ് അതിന്റെ കൂടുതൽ കരുത്തുറ്റതും സ്വയം പഠിക്കാനുള്ള കഴിവുള്ളതുമായ പതിപ്പാണ്. ചുരുക്കത്തില്‍, മെഷീൻ ലേണിംഗ് ഒരു സൈക്കിളാണെങ്കിൽ, ഡീപ് ലേണിംഗ് ഒരു സ്വയം ഓടുന്ന ബൈക്കാണ് എന്ന് ചിന്തിക്കാം!

മുകളിലെ കാര്യങ്ങള്‍ മനസ്സിലാക്കുന്നതിനിടയില്‍ പല തവണ ന്യൂറല്‍ നെറ്റ്‌വർക്കുകൾ (Neural Networks) എന്ന വാക്ക് പരിചയപ്പെടുകയുണ്ടായി. അത് എന്താണെന്ന സംശയം ഇപ്പോഴും ഉണ്ടല്ലേ?

കേട്ടിട്ടില്ലേ, 'ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ' എന്നൊരു പേര്? ഭയപ്പെടേണ്ട, ഇതൊരു മസ്തിഷ്കം പോലെയുള്ള സങ്കീർണ്ണമായ കാര്യമല്ല. ഇത് നമ്മുടെ തലച്ചോറിലെ ന്യൂറോണുകളുടെ പ്രവർത്തനത്തെ ആസ്പദമാക്കി സൃഷ്ടിച്ച ഒരു കമ്പ്യൂട്ടർ പ്രോഗ്രാമാണ്. കുട്ടികൾ പഠിക്കുന്നതിനിടയിലെ ബന്ധങ്ങളും പാറ്റേണുകളും തിരിച്ചറിയുന്നതുപോലെ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഡാറ്റയിൽ നിന്നും ഈ പാറ്റേണുകൾ കണ്ടെത്തുന്നു. അതുകൊണ്ടാണ് നിങ്ങളുടെ വാട്ട്‌സ്ആപ്പ് സ്റ്റാറ്റസിന് 'ലൈക്ക്' അടിച്ചവരെ ഒറ്റനോട്ടത്തിൽ തിരിച്ചറിയുന്നതും നിങ്ങളുടെ സിനിമ ഇഷ്ടങ്ങൾ അനുസരിച്ച് പുതിയ റിലീസുകൾ നിർദ്ദേശിക്കുന്നതും. ചുരുക്കത്തിൽ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ നമ്മുടെ തലച്ചോര് പോലെ ചിന്തിക്കാൻ പഠിക്കുകയാണ്!

ഡീപ് ലേണിംഗും ന്യൂറൽ നെറ്റ്‌വർക്കുകളും തമ്മിൽ അടുത്ത ബന്ധമുണ്ട്, എന്നാൽ അവ തമ്മിൽ ഒരു പ്രധാന വ്യത്യാസമുണ്ട്:

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ: ഒരു അടിസ്ഥാന കാൽക്കുലേറ്ററ പോലെ, ലളിതമായ ഗണിത പ്രശ്നങ്ങൾക്കായി നല്ലത്.

ഡീപ് ലേണിംഗ്: ഒരു ആഡംബര ശാസ്ത്രീയ കാൽക്കുലേറ്ററ പോലെ, മുന്നേറ്റ സമവാക്യങ്ങളും സങ്കീർണ്ണമായ കണക്കുകൂട്ടലുകളും കൈകാര്യം ചെയ്യാൻ കഴിയും.

അതിനാൽ, എല്ലാ ഡീപ് ലേണിംഗ് മോഡലുകളും ന്യൂറൽ നെറ്റ്‌വർക്കുകളാണ്, എന്നാൽ എല്ലാ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഡീപ് ലേണിംഗ് മോഡലുകൾ അല്ല. ഒന്നിലധികം മറഞ്ഞ ലെയറുകളും സങ്കീർണ്ണമായ ബന്ധങ്ങൾ പഠിക്കാനുള്ള കഴിവുമുള്ളവ മാത്രമാണ് ഡീപ് ലേണിംഗിന് യോഗ്യത നേടുന്നത്.

കമ്പ്യൂട്ടറുകൾ ചിത്രങ്ങൾ തിരിച്ചറിയുമെന്ന് പറഞ്ഞാൽ ആരും അത്ഭുതപ്പെടില്ല. എന്നാൽ ആ ചിത്രത്തിൽ നിങ്ങളുടെ മുഖമുണ്ടോ, അതിൽ നിങ്ങൾ ചിരിക്കുന്നുണ്ടോ കരയുന്നുണ്ടോ എന്ന് കമ്പ്യൂട്ടർ പറഞ്ഞാൽ? അത് അൽപ്പം അമ്പരപ്പിക്കുന്നതല്ലേ? അതെ, AI ഇന്ന് നമ്മുടെ ദൈനംദിന ജീവിതത്തിൽ അത്രമേൽ ലയിച്ചുചേർന്നിരിക്കുന്നു. AIയുടെ കഥ പറഞ്ഞു തീർന്നില്ല, ഇതുവരെ ഒരു തുടക്കം മാത്രം. നമ്മുടെ കൈപിടിച്ച് ഭാവിയിലേക്ക് നടന്ന ഈ കൃത്രിമ ബുദ്ധി ഇനിയും അനവധി അത്ഭുതങ്ങൾ തീർക്കുമെന്ന് ഉറപ്പ്. ചിരിച്ചോ കരഞ്ഞോ നമ്മളെ തിരിച്ചറിയുന്ന ഫോണുകൾ, രോഗം തിരിച്ചറിഞ്ഞ് നമ്മുടെ ആരോഗ്യം കാക്കുന്ന യന്ത്രങ്ങൾ, സ്വയം ഓടുന്ന കാറുകൾ, നക്ഷത്രങ്ങളിലേക്കുള്ള യാത്ര - എല്ലാം AIയുടെ മാന്ത്രികതയിൽ ഒളിഞ്ഞിരിക്കുന്നു.