இயந்திர கற்றல் வழிமுறைகள் எவ்வாறு செயல்படுகின்றன

இயந்திர கற்றல் வழிமுறைகள் எவ்வாறு செயல்படுகின்றன

இயந்திரக் கற்றல் (ML) என்பது செயற்கை நுண்ணறிவின் (AI) ஒரு பிரிவாகும். இது கணினிகள் தரவுகளிலிருந்து கற்றுக்கொண்டு, அதன் அடிப்படையில் முடிவுகளை எடுக்க அல்லது கணிப்புகளைச் செய்ய உதவுகிறது. இயந்திரக் கற்றல் வழிமுறைகள், ஒவ்வொரு பணிக்கும் வெளிப்படையாக நிரல்படுத்தப்படாமல், தரவுகளில் உள்ள வடிவங்களைக் கண்டறிந்து, அவற்றைப் பயன்படுத்தி முடிவுகளை எடுக்க அல்லது கணிப்புகளைச் செய்வதன் மூலம் செயல்படுகின்றன. இந்தக் கட்டுரையில், இயந்திரக் கற்றல் வழிமுறைகள் எவ்வாறு செயல்படுகின்றன என்பதை, அதன் முக்கிய நிலைகள் மற்றும் பயன்படுத்தப்படும் பல்வேறு வகையான வழிமுறைகள் உட்பட, விரிவாக விளக்குவோம்.

1. இயந்திரக் கற்றலுக்கு ஓர் அறிமுகம்

இயந்திரக் கற்றல், கணினி அமைப்புகள் தரவுகளிலிருந்து கற்றுக்கொள்ளவும், காலப்போக்கில் அவற்றின் செயல்திறனை மேம்படுத்தவும், தன்னிச்சையான கணிப்புகளைச் செய்யவும் உதவுகிறது. நிரலாளர்களால் அறிவுறுத்தல்கள் வெளிப்படையாகக் குறியிடப்படும் பாரம்பரிய நிரலாக்கத்தைப் போலல்லாமல், இயந்திரக் கற்றலானது தரவுகளையும் நெறிமுறைகளையும் பயன்படுத்தி மாதிரிகளுக்குப் பயிற்சி அளிக்கிறது; பின்னர் அந்த மாதிரிகள் கணிப்புகளைச் செய்ய அல்லது முடிவுகளை எடுக்கப் பயன்படுத்தப்படுகின்றன.

2. இயந்திரக் கற்றலின் முக்கிய நிலைகள்

இயந்திர கற்றல் வழிமுறைகள் எவ்வாறு செயல்படுகின்றன என்பதைப் புரிந்துகொள்ள, இயந்திர கற்றல் செயல்முறையின் முக்கிய நிலைகளை அறிந்துகொள்வது அவசியம்:

அ. தரவு சேகரிப்பு

பெரும்பாலான இயந்திர கற்றல் திட்டங்களில் முதல் படி தரவு சேகரிப்பு ஆகும். தரவு என்பது இயந்திர கற்றலின் எரிபொருள், மேலும் அதன் தரமும் அளவும் இறுதி முடிவுகளில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தும். பொதுத் தரவுத்தொகுப்புகள், சென்சார்கள், நிறுவன தரவுத்தளங்கள் அல்லது வலைவழித் தரவுச் சேகரிப்பு போன்ற பல்வேறு மூலங்களிலிருந்து தரவைச் சேகரிக்கலாம்.

பி. தரவு முன் செயலாக்கம்

சேகரிக்கப்பட்ட தரவுகள் இயந்திரக் கற்றலுக்கு உடனடியாகத் தயாராக இருப்பது அரிது. அவற்றில் விடுபட்ட மதிப்புகள், புறமதிப்புகள் அல்லது பொருத்தமற்ற அம்சங்கள் இருக்கலாம். தரவு முன்செயலாக்கத்தில் தரவுச் சுத்திகரிப்பு, இயல்பாக்கம், அம்ச உருமாற்றம் மற்றும் பரிமாணக் குறைப்பு ஆகியவை அடங்கும்; இதன் நோக்கம், மூலத் தரவை இயந்திரக் கற்றல் நெறிமுறைகளுக்கு ஏற்ற வடிவமாக மாற்றுவதே ஆகும்.

சி. மாதிரி மற்றும் நெறிமுறை தேர்வு

தரவு தயாரானதும், அடுத்த கட்டமாகப் பொருத்தமான இயந்திர கற்றல் மாதிரி மற்றும் வழிமுறையைத் தேர்ந்தெடுக்க வேண்டும். பல்வேறு இயந்திர கற்றல் வழிமுறைகள் உள்ளன, அவற்றில் ஒவ்வொன்றும் ஒரு குறிப்பிட்ட பணிக்கு ஏற்றதாக இருக்கும். எடுத்துக்காட்டாக, தொடர்ச்சியான மதிப்புகளைக் கணிப்பதற்கு நேரியல் பின்னடைவு (linear regression) பொருத்தமானது, அதே சமயம் வகைப்படுத்துதலுக்கு முடிவெடுக்கும் மரங்கள் (decision trees) அல்லது சீரற்ற காடுகள் (random forests) சிறந்தவை.

டி. மாதிரி பயிற்சி

இந்தக் கட்டத்தில், செயலாக்கப்பட்ட தரவு மாதிரியைப் பயிற்றுவிக்கப் பயன்படுத்தப்படுகிறது. உள்ளீடுகளை (அம்சங்கள்) வெளியீடுகளுடன் (குறியீடுகள்) துல்லியமாகப் பொருத்துவதற்காக, மாதிரி அதன் உள் அளவுருக்களைச் சரிசெய்வதன் மூலம் கற்றுக்கொள்கிறது. இந்தப் பயிற்சிச் செயல்முறையானது, தரவுத்தொகுப்பைப் பயிற்சித் தரவு மற்றும் சோதனைத் தரவு என இரண்டு பகுதிகளாகப் பிரிப்பதை உள்ளடக்கியது. பயிற்சித் தரவு மாதிரியைப் பயிற்றுவிக்கப் பயன்படுத்தப்படுகிறது, அதே நேரத்தில் சோதனைத் தரவு மாதிரியின் செயல்திறனை மதிப்பிடப் பயன்படுத்தப்படுகிறது.

இ. மாதிரி மதிப்பீடு

சோதனைத் தரவுகளுடன் மாதிரி எவ்வளவு சிறப்பாகச் செயல்படுகிறது என்பதை மதிப்பிடுவதற்கு மாதிரி மதிப்பீடு செய்யப்படுகிறது. பொதுவான மதிப்பீட்டு முறைகளில் துல்லியம், நுண்திறன், மீள்நினைவு மற்றும் ஏற்பி இயக்கப் பண்பு வளைவின் கீழுள்ள பரப்பளவு (AUC-ROC) போன்ற அளவீடுகள் அடங்கும். மதிப்பீட்டு முடிவுகளின் அடிப்படையில், மாதிரியைச் செம்மைப்படுத்தலாம் அல்லது மேம்படுத்தலாம்.

F. முன்னறிவிப்பு அல்லது செயலாக்கம்

மாதிரி மதிப்பீடு செய்யப்பட்டு சரிசெய்யப்பட்டவுடன், புதிய தரவுகளில் கணிப்புகளைச் செய்ய அந்த மாதிரியைப் பயன்படுத்துவது அல்லது அதை ஒரு பெரிய பயன்பாட்டில் செயல்படுத்துவது என்பதே இறுதிக் கட்டமாகும்.

3. இயந்திரக் கற்றலின் வகைகள்

இயந்திரக் கற்றல் நெறிமுறைகளை, அவை கையாளும் பணியின் வகையின் அடிப்படையில் வகைப்படுத்தலாம். இயந்திரக் கற்றலில் மூன்று முக்கிய வகைகள் உள்ளன:

அ. மேற்பார்வையிடப்பட்ட கற்றல்

மேற்பார்வையிடப்பட்ட கற்றலில், உள்ளீடு-வெளியீடு ஜோடிகளை (அம்சங்கள்-குறியீடுகள்) கொண்ட ஒரு தரவுத்தொகுப்பில் ஒரு மாதிரி பயிற்றுவிக்கப்படுகிறது. ஒரு மேற்பார்வையிடப்பட்ட கற்றல் மாதிரியின் குறிக்கோள், உள்ளீடுகளுக்கும் வெளியீடுகளுக்கும் இடையே ஒரு தொடர்பைக் கற்றுக்கொள்வதாகும். மேற்பார்வையிடப்பட்ட கற்றலில் பயன்படுத்தப்படும் பொதுவான நெறிமுறைகளில் நேரியல் பின்னடைவு, லாஜிஸ்டிக் பின்னடைவு, முடிவெடுக்கும் மரங்கள் மற்றும் ஆதரவு திசையன் இயந்திரங்கள் (SVMs) ஆகியவை அடங்கும்.

பி. மேற்பார்வையற்ற கற்றல்

மேற்பார்வையிடப்பட்ட கற்றலைப் போலல்லாமல், மேற்பார்வையிடப்படாத கற்றலில் வெளியீட்டுக் குறியீடுகள் இருப்பதில்லை. குறியிடப்படாத தரவுகளில் உள்ள கட்டமைப்புகளையோ அல்லது வடிவங்களையோ அந்த மாதிரி கண்டறிய வேண்டும். மேற்பார்வையிடப்படாத கற்றலில் உள்ள முக்கிய நெறிமுறைகளில் கொத்தாக்கம் (எ.கா., கே-மீன்ஸ்) மற்றும் முதன்மைக் கூறுப் பகுப்பாய்வு (PCA) ஆகியவை அடங்கும்.

சி. பகுதி மேற்பார்வையிடப்பட்ட கற்றல்

பகுதி மேற்பார்வையிடப்பட்ட கற்றல் என்பது, மேற்பார்வையிடப்பட்ட மற்றும் மேற்பார்வையிடப்படாத கற்றலுக்கு இடையில் அமைகிறது. இந்த வகை கற்றலில், பகுதியளவு குறியிடப்பட்ட தரவுகளைக் கொண்ட ஒரு தரவுத்தொகுப்பில் மாதிரிக்கு பயிற்சி அளிக்கப்படுகிறது. அனைத்து தரவுகளுக்கும் குறியீடுகளை உருவாக்குவது மிகவும் செலவு மிக்கதாகவோ அல்லது அதிக நேரம் எடுப்பதாகவோ இருக்கும்போது இது குறிப்பாகப் பயனுள்ளதாக இருக்கும்.

D. வலுவூட்டல் கற்றல்

வலுவூட்டல் கற்றலில், முகவர்கள் தங்கள் சூழலிலிருந்து வெகுமதிகள் அல்லது தண்டனைகள் வடிவிலான பின்னூட்டத்தைப் பெற்று முடிவெடுக்கக் கற்றுக்கொள்கின்றன. அந்த முகவர்கள் முயன்று பார்த்துத் தவறு செய்வதன் மூலம் நீண்ட கால இலாபங்களை அதிகரிக்க முயற்சிக்கின்றன. இந்த வகையிலான நன்கு அறியப்பட்ட வழிமுறைகள் க்யூ-லேர்னிங் (Q-Learning) மற்றும் டீப் க்யூ-நெட்வொர்க்ஸ் (Deep Q-Networks - DQN) ஆகும்.

4. இயந்திர கற்றல் நெறிமுறைகளின் பயன்பாட்டு எடுத்துக்காட்டுகள்

அ. பரிந்துரை அமைப்பு

பயனர்களுக்குத் தயாரிப்பு அல்லது உள்ளடக்கப் பரிந்துரைகளை வழங்குவதற்காக, பல ஆன்லைன் தளங்கள் பரிந்துரை அமைப்புகளைப் பயன்படுத்துகின்றன. உதாரணமாக, ஒரு பயனரின் முந்தைய விருப்பங்களின் அடிப்படையில் திரைப்படங்களையும் தொலைக்காட்சி நிகழ்ச்சிகளையும் பரிந்துரைக்க, நெட்ஃபிளிக்ஸ் இயந்திரக் கற்றல் மாதிரிகளைப் பயன்படுத்துகிறது.

பி. மோசடி கண்டறிதல்

வங்கிகளும் கடன் அட்டை நிறுவனங்களும் சந்தேகத்திற்கிடமான செயல்பாடு அல்லது மோசடியைக் கண்டறிய இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்துகின்றன. பரிவர்த்தனை முறைகளை பகுப்பாய்வு செய்வதன் மூலம், இந்த மாதிரிகள் சாத்தியமான மோசடியைக் குறிக்கும் முரண்பாடுகளை அடையாளம் காண முடியும்.

சி. இயற்கை மொழி செயலாக்கம் (NLP)

மொழிபெயர்ப்பு, உணர்வுப் பகுப்பாய்வு மற்றும் உரையாடல் செயலிகள் போன்ற பணிகளுக்காக, இயந்திரக் கற்றல் வழிமுறைகள் இயற்கை மொழிச் செயலாக்கத்தில் பரவலாகப் பயன்படுத்தப்படுகின்றன. ஆழ்நிலைக் கற்றலை அடிப்படையாகக் கொண்ட BERT மற்றும் GPT-3 போன்ற மாதிரிகள், இயற்கை மொழிச் செயலாக்கத் துறையில் ஒரு புரட்சியை ஏற்படுத்தியுள்ளன.

5. இயந்திரக் கற்றலில் உள்ள சவால்கள்

இயந்திரக் கற்றலுக்குப் பல நன்மைகள் இருந்தாலும், கவனிக்கப்பட வேண்டிய சில சவால்களும் உள்ளன:

அ. தரவுத் தரம்

தரமற்ற அல்லது பிரதிநிதித்துவம் இல்லாத தரவுகள், மாதிரிகளின் செயல்திறன் குறைவதற்கு வழிவகுக்கும். எனவே, முறையான தரவு சேகரிப்பும் முன்செயலாக்கமும் மிக முக்கியமானவை.

B. மிகைப்பொருத்தம் மற்றும் குறைப்பொருத்தம்

ஒரு மாதிரி, பயிற்சித் தரவிலிருந்து இரைச்சல் உட்பட அதிகப்படியான விவரங்களை உள்வாங்கி, அதன் விளைவாகப் புதிய தரவில் மோசமாகச் செயல்படும்போது மிகைப்பொருத்தம் (Overfitting) ஏற்படுகிறது. இதற்கு நேர்மாறாக, தரவில் உள்ள வடிவங்களை உள்வாங்க முடியாத அளவுக்கு ஒரு மாதிரி மிகவும் எளிமையாக இருக்கும்போது குறைப்பொருத்தம் (underfitting) ஏற்படுகிறது.

சி. நெறிமுறைகள் மற்றும் தனியுரிமை

இயந்திரக் கற்றல் மாதிரிகளில் தரவைப் பயன்படுத்துவது தனியுரிமை மற்றும் நெறிமுறை சார்ந்த கவலைகளை எழுப்புகிறது. பொருந்தக்கூடிய விதிமுறைகளுக்கு இணங்க தரவு பெறப்பட்டு பயன்படுத்தப்படுவதையும், நெறிமுறை சார்ந்த தாக்கங்கள் கருத்தில் கொள்ளப்படுவதையும் உறுதி செய்வது முக்கியம்.

6. கெசிம்புலன்

இயந்திரக் கற்றல் நெறிமுறைகளின் செயல்பாடுகள், தரவு சேகரிப்பு முதல் மாதிரி மதிப்பீடு வரை பல்வேறு நிலைகளைக் கொண்டுள்ளன. பணியின் வகை மற்றும் தரவுப் பண்புகளின் அடிப்படையில் சரியான நெறிமுறையையும் முறையையும் தேர்ந்தெடுப்பதன் மூலம், இயந்திரக் கற்றல் மாதிரிகள் துல்லியமான மற்றும் பயனுள்ள கணிப்புகளை வழங்க முடியும். சவால்கள் இருந்தபோதிலும், பல துறைகளை மாற்றியமைக்கும் இயந்திரக் கற்றலின் ஆற்றலை மிகைப்படுத்திக் கூற முடியாது.

இந்த விரைவான வளர்ச்சியில், இயந்திர கற்றல் வழிமுறைகள் எவ்வாறு செயல்படுகின்றன மற்றும் அவை எதிர்கொள்ளும் சவால்கள் குறித்த ஆழமான புரிதல், எதிர்காலப் புத்தாக்கத்திற்கு ஒரு முக்கிய அடித்தளமாக அமையும்.