இயந்திரக் கற்றலுக்கும் ஆழ் கற்றலுக்கும் உள்ள வேறுபாடு
தொழில்நுட்பம் முன்னேறி வருவதால், செயற்கை நுண்ணறிவு (AI) முதல் பயன்பாட்டுத் தரவுப் பகுப்பாய்வு வரை பல்வேறு சூழல்களில் "இயந்திரக் கற்றல்" (ML) மற்றும் "ஆழ்நிலைக் கற்றல்" (DL) ஆகிய சொற்கள் அதிகளவில் பயன்படுத்தப்படுகின்றன. இருப்பினும், இவ்விரண்டிற்கும் உள்ள வேறுபாடு குறித்துப் பலருக்கு இன்னும் குழப்பம் நிலவுகிறது. அவற்றின் ஒற்றுமைகள் இருந்தபோதிலும், இயந்திரக் கற்றலும் ஆழ்நிலைக் கற்றலும் அவற்றின் முறைகள், பயன்பாடுகள் மற்றும் சிக்கலான தன்மை ஆகியவற்றில் கணிசமாக வேறுபடுகின்றன. இந்தக் கட்டுரை இயந்திரக் கற்றலுக்கும் ஆழ்நிலைக் கற்றலுக்கும் இடையிலான முக்கிய வேறுபாடுகளை விளக்கும்.
இயந்திரக் கற்றல் என்றால் என்ன?
இயந்திரக் கற்றல் என்பது செயற்கை நுண்ணறிவின் ஒரு பிரிவாகும். இது, வெளிப்படையான மறுநிரலாக்கம் தேவையின்றி, தரவுகளிலிருந்து கற்றுக்கொள்ளவும் காலப்போக்கில் தங்கள் செயல்திறனை மேம்படுத்தவும் அமைப்புகளை அனுமதிக்கிறது. இந்த நுட்பம், முடிவுகளை எடுக்க அல்லது கணிப்புகளைச் செய்ய, தரவுகளில் பயிற்சி அளிக்கப்பட்ட கணித வழிமுறைகளைப் பயன்படுத்துகிறது.
இயந்திரக் கற்றலின் சில முக்கிய பிரிவுகள் பின்வருமாறு:
1. மேற்பார்வையிடப்பட்ட கற்றல்: இதில், ஏற்கனவே குறிச்சொற்கள் அல்லது சரியான பதில்களைக் கொண்ட தரவைப் பயன்படுத்தி மாதிரிக்கு பயிற்சி அளிக்கப்படுகிறது. எடுத்துக்காட்டுப் பயன்பாடுகளில் படங்களை அடையாளம் காணுதல், ஸ்பேம் கண்டறிதல் மற்றும் வீட்டு விலை முன்கணிப்பு ஆகியவை அடங்கும்.
2. மேற்பார்வையற்ற கற்றல்: இதில், தரவுகளுக்குள் மறைந்திருக்கும் கட்டமைப்புகளைக் கண்டறியும் நோக்குடன், குறியிடப்படாத தரவுகளைப் பயன்படுத்தி மாதிரிக்கு பயிற்சி அளிக்கப்படுகிறது. இதன் பயன்பாடுகளுக்கான எடுத்துக்காட்டுகளில் கொத்தாக்குதல் மற்றும் பரிமாணக் குறைப்பு ஆகியவை அடங்கும்.
3. வலுவூட்டல் கற்றல்: இதில், மாதிரியானது முயன்று தவறு செய்வதன் மூலம் கற்றுக்கொள்கிறது, மேலும் எடுக்கப்பட்ட நடவடிக்கைகளின் அடிப்படையில் வெகுமதிகளையோ அல்லது தண்டனைகளையோ பெறுகிறது. இந்த பயன்பாட்டிற்கான எடுத்துக்காட்டுகளில் செயற்கை நுண்ணறிவு விளையாட்டுகள் மற்றும் ரோபோட்டிக்ஸ் ஆகியவை அடங்கும்.
ஆழ் கற்றல் என்றால் என்ன?
ஆழ் கற்றல் என்பது தரவுகளைச் செயலாக்குவதற்காகப் பல்லடுக்கு செயற்கை நரம்பியல் வலையமைப்புகளைப் பயன்படுத்துவதில் கவனம் செலுத்தும் இயந்திரக் கற்றலின் ஒரு துணைப் பிரிவு ஆகும். பேச்சு அறிதல், கணினிப் பார்வை மற்றும் இயற்கை மொழிச் செயலாக்கம் (NLP) போன்ற பல்வேறு பயன்பாடுகளில் பெற்ற வெற்றியின் காரணமாக, கடந்த பத்தாண்டுகளில் ஆழ் கற்றல் குறிப்பிடத்தக்கப் பிரபலத்தைப் பெற்றுள்ளது.
அடிப்படையில், ஆழ் கற்றல் என்பது, பயிற்சிச் செயல்பாட்டின் போது சரிசெய்யப்படும் எடைகள் மூலம் இணைக்கப்பட்ட பல நியூரான்கள் மற்றும் அடுக்குகளைக் கொண்ட நரம்பியல் வலையமைப்புகளைப் பயன்படுத்துகிறது. ஆழ் கற்றல் நெறிமுறைகள், பாரம்பரிய இயந்திரக் கற்றல் நெறிமுறைகளை விட பெரும்பாலும் மிகவும் சிக்கலானவை மற்றும் அவற்றுக்கு அதிக தரவுகளும் கணினி ஆற்றலும் தேவைப்படுகின்றன.
இயந்திரக் கற்றலுக்கும் ஆழ் கற்றலுக்கும் இடையிலான முக்கிய வேறுபாடுகள்
1. நெறிமுறையின் சிக்கல்தன்மை:
– இயந்திரக் கற்றல்: இயந்திரக் கற்றலில் பயன்படுத்தப்படும் நெறிமுறைகள் பெரும்பாலும் எளிமையானவையாகவும், மனிதர்களால் எளிதில் புரிந்துகொள்ளக்கூடியவையாகவும் இருக்கும். நேரியல் பின்னடைவு, முடிவெடுக்கும் மரங்கள் மற்றும் ஆதரவு திசையன் இயந்திரங்கள் (SVM) ஆகியவை இந்த நெறிமுறைகளுக்கான எடுத்துக்காட்டுகளாகும்.
– ஆழ் கற்றல்: ஆழ் கற்றல் நெறிமுறைகள் பெரும்பாலும் மிகவும் சிக்கலானவை மற்றும் பல அடுக்கு நரம்பியல் வலையமைப்புகளைக் கொண்டிருக்கின்றன. இந்த வலையமைப்புகளின் சில பிரபலமான வகைகளில், படச் செயலாக்கத்திற்கான சுருள் நரம்பியல் வலையமைப்புகள் (CNNs) மற்றும் இயற்கை மொழிச் செயலாக்கத்திற்கான மீள்சுழற்சி நரம்பியல் வலையமைப்புகள் (RNNs) ஆகியவை அடங்கும்.
2. தரவுத் தேவைகள்:
– இயந்திரக் கற்றல்: பாரம்பரிய இயந்திரக் கற்றல் வழிமுறைகள் குறைந்த அளவு தரவுகளுடன் சிறப்பாகச் செயல்படக்கூடியவை என்றாலும், தரவுகள் அதிகரிக்கும்போது அவற்றின் செயல்திறன் மேம்படும்.
– ஆழ்நிலை கற்றல்: ஆழ்நிலை கற்றல் வழிமுறைகள் உகந்த செயல்திறனை அடைய பொதுவாக அதிக அளவு தரவுகளைக் கோருகின்றன. எடுத்துக்காட்டாக, படங்களை அடையாளம் காணும் கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளுக்கு திறம்படப் பயிற்சி அளிக்க, பொதுவாக பல்லாயிரக்கணக்கான முதல் நூறாயிரக்கணக்கான பட எடுத்துக்காட்டுகள் தேவைப்படுகின்றன.
3. கணினி ஆற்றல்:
– இயந்திரக் கற்றல்: பாரம்பரிய இயந்திரக் கற்றல் நெறிமுறைகளுக்கு, சிறப்பு வன்பொருள்கள் தேவையின்றி, சாதாரண கணினிகளைப் பயன்படுத்தியே பெரும்பாலும் பயிற்சி அளிக்க முடியும்.
– ஆழ்நிலை கற்றல்: ஆழ்நிலை கற்றல் நெறிமுறைகளின் உயர் கணக்கீட்டுச் சிக்கல்தன்மை காரணமாக, அவற்றின் திறமையான பயிற்சிக்கு பெரும்பாலும் GPU-கள் அல்லது TPU-கள் தேவைப்படுகின்றன.
4. பண்புக்கூறு பிரித்தெடுக்கும் செயல்முறை:
– இயந்திரக் கற்றல்: பண்புக்கூறு பிரித்தெடுத்தல் பெரும்பாலும் துறைசார் வல்லுநர்களால் கைமுறையாகச் செய்யப்பட வேண்டியுள்ளது. இதற்குப் பயன்படுத்தப்படும் தரவுகள் குறித்த ஆழ்ந்த புரிதல் தேவைப்படுகிறது.
– ஆழ் கற்றல்: ஆழ் கற்றலின் முக்கிய நன்மைகளில் ஒன்று, அம்சங்களைத் தானாகவே பிரித்தெடுக்கும் அதன் திறன் ஆகும். ஆழ் கற்றல் நரம்பியல் வலையமைப்புகள், மூலத் தரவுகளிலிருந்து தொடர்புடைய பிரதிநிதித்துவங்களை நேரடியாகக் கற்றுக்கொள்ள முடியும்.
5. விளக்கத்தன்மை:
– இயந்திரக் கற்றல்: பாரம்பரிய இயந்திரக் கற்றல் மாதிரிகளைப் புரிந்துகொள்வதும் விளக்குவதும் பொதுவாக எளிதானது. எடுத்துக்காட்டாக, ஒரு முடிவெடுக்கும் மரத்தின் முடிவெடுக்கும் சொற்களும், ஒரு நேரியல் பின்னடைவில் உள்ள குணகங்களும், அந்த மாதிரி எவ்வாறு கணிப்புகளைச் செய்கிறது என்பது குறித்த ஒரு புரிதலை வழங்க முடியும்.
– ஆழ் கற்றல்: ஆழ் கற்றல் மாதிரிகள், குறிப்பாகப் பல்லடுக்கு நரம்பியல் வலையமைப்புகள், பெரும்பாலும் புரிந்துகொள்வதற்குக் கடினமான "மர்மப் பெட்டிகளாக" செயல்படுகின்றன. இந்த மாதிரிகளைப் பகுப்பாய்வு செய்வது மிகவும் சிக்கலானது மற்றும் எடுக்கப்பட்ட முடிவுகளைப் புரிந்துகொள்ள, பண்புக்கூறு காட்சிப்படுத்தல் அல்லது எளிமையான நரம்பியல் வலையமைப்புகளின் பயன்பாடு போன்ற சிறப்பு நுட்பங்கள் தேவைப்படுகின்றன.
இயந்திரக் கற்றல் அல்லது ஆழ்நிலைக் கற்றலை எப்போது பயன்படுத்த வேண்டும்?
இயந்திரக் கற்றலையா அல்லது ஆழ்நிலைக் கற்றலையா எப்போது பயன்படுத்த வேண்டும் என்பதைத் தீர்மானிப்பது, சிக்கலின் தன்மை, தரவின் அளவு மற்றும் பயிற்சிக்கான நேரத் தேவைகள் உள்ளிட்ட பல முக்கிய காரணிகளைச் சார்ந்துள்ளது.
– இயந்திரக் கற்றல்:
– சிறிய மற்றும் நடுத்தர அளவிலான தரவுத்தொகுப்புகளுக்குப் பொருத்தமானது.
– செயல்படுத்துவது எளிது தினசரி நடைமுறைகள் மற்றும் வணிகச் சூழல்.
விளக்கத்தன்மை முக்கியமானதாக இருந்தால், இயந்திர கற்றல் மாதிரிகள் பெரும்பாலும் மிகவும் விரும்பத்தக்கவையாக இருக்கின்றன, ஏனெனில் அவற்றை விளக்குவது எளிது.
– ஆழ் கற்றல்:
படங்கள், உரை மற்றும் ஒலி போன்ற பல்வேறு தரவுகளைக் கொண்ட மிகப் பெரிய தரவுத் தொகுப்புகளுக்குப் பரிந்துரைக்கப்படுகிறது.
விளக்கத்தன்மையை விட அதிகத் துல்லியம் முக்கியத்துவம் பெறும் பயன்பாடுகளுக்கு இது மிகவும் உகந்தது.
– இன்னும் தேவை வளம் திறம்பட்ட பயிற்சிக்கான கணினி மற்றும் தரவு.
வழக்கு ஆய்வு உதாரணம்
1. படங்களை அடையாளம் காணுதல்:
– இயந்திரக் கற்றல்: பாரம்பரிய அணுகுமுறைகளில், SIFT (Scale-Invariant Feature Transform) போன்ற நுட்பங்கள் மூலம் அம்சங்கள் கைமுறையாகப் பிரித்தெடுக்கப்பட்டு, SVM அல்லது K-NN (K-Nearest Neighbors) பயன்படுத்தப்படலாம்.
– ஆழ் கற்றல்: இந்த அணுகுமுறை, முழுமையான அம்சப் பிரித்தெடுத்தல் மற்றும் வகைப்படுத்துதலுக்காக CNN-ஐப் பயன்படுத்துகிறது, மேலும் இது நவீன பட அங்கீகாரப் பணிகளில் மிகவும் ஆதிக்கம் செலுத்துகிறது.
2. இயற்கை மொழி செயலாக்கம் (NLP):
– இயந்திரக் கற்றல்: பாரம்பரிய நுட்பங்கள், TF-IDF (சொல் நிகழ்வெண்-தலைகீழ் ஆவண நிகழ்வெண்) போன்ற அம்சங்களுடன் கூடிய நைவ் பேயஸ் அல்லது SVM போன்ற வழிமுறைகளைப் பயன்படுத்தக்கூடும்.
– ஆழ் கற்றல்: RNN, LSTM (நீண்ட குறுகிய கால நினைவகம்) அல்லது BERT (மாற்றிகளிலிருந்து இருதிசை குறியாக்க பிரதிநிதித்துவங்கள்) போன்ற மாற்றி மாதிரிகள், மொழியின் சூழலையும் நுணுக்கங்களையும் புரிந்துகொள்வதில் சிறந்த செயல்திறனைக் கொண்டுள்ளன.
முடிவுரை
இயந்திரக் கற்றல் மற்றும் ஆழ்நிலைக் கற்றல் ஆகிய இரண்டுக்கும் அவற்றிற்கே உரிய நன்மைகளும் வரம்புகளும் உள்ளன. இவ்விரண்டிற்கும் இடையேயான முக்கிய வேறுபாடுகளைப் புரிந்துகொள்வது, ஒரு குறிப்பிட்ட சிக்கலுக்குச் சிறந்த அணுகுமுறையைத் தீர்மானிக்க உதவும். இயந்திரக் கற்றல் பெரும்பாலும் எளிமையான மற்றும் மேலும் விளக்கக்கூடிய தீர்வுகளை வழங்குகிறது, இது சிறிய மற்றும் நடுத்தர அளவிலான தரவுத்தொகுப்புகளுக்கு மிகவும் பொருத்தமானது. மறுபுறம், ஆழ்நிலைக் கற்றல், பண்புக்கூறு பிரித்தெடுத்தலில் உள்ள அதன் சக்திவாய்ந்த தானியங்குத் திறன்கள் மற்றும் மேம்பட்ட முன்கணிப்புச் செயல்திறன் ஆகியவற்றின் காரணமாக, பெருந்தரவுகளுடன் கூடிய சிக்கலான பிரச்சனைகளைத் தீர்ப்பதற்குப் புதிய வாய்ப்புகளைத் திறக்கிறது.
இவ்விரண்டில் ஒன்றைத் தேர்ந்தெடுப்பது, கையிலுள்ள பணியின் குறிப்பிட்ட தேவைகள், தரவுத்தொகுப்பின் அளவு மற்றும் சிக்கலான தன்மை, மற்றும் கிடைக்கக்கூடிய வளங்கள் ஆகியவற்றின் அடிப்படையில் அமைய வேண்டும்.
