ಕಳೆದ ಒಂದೆರಡು ವರ್ಷಗಳಲ್ಲಿ ತಂತ್ರಜ್ಞಾನ ವಲಯದಲ್ಲಿ ಅತಿ ಹೆಚ್ಚು ಸದ್ದು ಮಾಡಿದ ವಿಷಯವೆಂದರೆ ಎ.ಐ., ಅರ್ಥಾತ್ 'ಆರ್ಟಿಫಿಷಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್' ಅಥವಾ 'ಕೃತಕ ಬುಧ್ದಿಮತ್ತೆ'. 'ಓಪನ್ ಎ ಐ ಸಂಸ್ಥೆ' ಚಾಟ್ ಜಿಪಿಟಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದ ನಂತರವಂತೂ ಜಗತ್ತಿಗೆ ಎ.ಐ.
ನಮ್ಮ ಮಿದುಳು ಕೆಲಸ ಮಾಡುವ ರೀತಿಯನ್ನು ಅನುಕರಿಸಿಯೇ ಯಂತ್ರಗಳು ಕಲಿಯುವಂತೆ ಮಾಡುವ ಒಂದು ಪ್ರಯತ್ನವೇ 'ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌'. 'ನ್ಯೂರಾನ್' ಅಥವಾ 'ನರಕೋಶ' ಎಂಬುದು ನಮ್ಮ ಮಿದುಳಿನ ಮೂಲಭೂತ ಘಟಕ. ಸಂಕೀರ್ಣವಾಗಿ ಹೆಣೆದುಕೊಂಡಿರುವ ಈ ನರಕೋಶಗಳ ಜಾಲ, ನಾವು ಇಂದ್ರಿಯಗಳ ಮೂಲಕ ಗ್ರಹಿಸುವ ಮಾಹಿತಿಯನ್ನು ಸಂಸ್ಕರಿಸಿ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಕೊಡುತ್ತದೆ. ಇಲ್ಲಿ ಇಂದ್ರಿಯಗಳ ಮೂಲಕ ಬಂದ ಮಾಹಿತಿ 'ಇನ್ಪುಟ್' ಆದರೆ, ಪ್ರತಿಕ್ರಿಯೆ 'ಔಟ್ಪುಟ್' ಆಗಿರುತ್ತದೆ. ಕೃತಕ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿಯೂ ಇದೇ ವ್ಯವಸ್ಥೆಯನ್ನು ಸ್ಥೂಲವಾಗಿ ಅನುಕರಿಸಲಾಗಿದೆ.
ಪ್ರತಿಯೊಂದು ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿಯೂ 'ಹಂತಗಳು' (Layers) ಇರುತ್ತವೆ (ಚಿತ್ರವನ್ನು ನೋಡಿ). ಮಾಹಿತಿಯನ್ನು ಗ್ರಹಿಸುವುದು ಇನ್ಪುಟ್ ಹಂತವಾದರೆ, ಸಂಸ್ಕರಿಸಿದ ನಂತರ ಮಾಹಿತಿಯನ್ನು ಹಿಂತಿರುಗಿ ಕೊಡುವುದು ಔಟ್ಪುಟ್ ಹಂತ. ಇವುಗಳ ನಡುವೆ ಇರುವ ಹಂತಗಳನ್ನು 'ಅದೃಶ್ಯ ಹಂತಗಳು' (Hidden layers) ಎನ್ನಲಾಗುತ್ತದೆ. ಮಾಹಿತಿಯ ಸಂಸ್ಕರಣೆ ನಡೆಯುವುದು ಈ ಅದೃಶ್ಯ ಹಂತಗಳಲ್ಲಿ. ಈ ಹಂತಗಳಲ್ಲಿರುವ ಸಣ್ಣ ಘಟಕಗಳನ್ನು ನ್ಯೂರಾನ್ ಎನ್ನುತ್ತಾರೆ. ಪ್ರತಿಯೊಂದು ನ್ಯೂರಾನ್ ಕೂಡ ಒಂದು ಗಣಿತೀಯ ನಿಯಮವನ್ನು ಪಾಲಿಸುತ್ತದೆ. ಕೊಡಲ್ಪಟ್ಟ ಮಾಹಿತಿಯನ್ನು ಈ ಗಣಿತದ ನಿಯಮದ ಅನುಸಾರವಾಗಿ ನ್ಯೂರಾನ್‌ಗಳು ಬದಲಿಸುತವೆ, ಮತ್ತು ಅದರಿಂದ ಸಿಗುವ ಉತ್ತರವನ್ನು ಆಧರಿಸಿ ಕೆಲವು ನ್ಯೂರಾನ್‌ಗಳು ಜಾಗೃತವಾಗುತ್ತದೆ. ಹೀಗೆ ಒಂದು ಹಂತದಲ್ಲಿ ಜಾಗೃತವಾಗುವ ನ್ಯೂರಾನ್‌ಗಳನ್ನು ಆಧರಿಸಿ ಮುಂದಿನ ಹಂತದಲ್ಲಿ ಮತ್ತೆ ಕೆಲವು ನಿರ್ದಿಷ್ಟ ನ್ಯೂರಾನ್‌ಗಳು ಜಾಗೃತವಾಗುತ್ತದೆ. ಹೀಗೆ ಒಂದು ಹಂತದಿಂದ ಮುಂದಿನ ಹಂತಕ್ಕೆ ಸಾಗಿದಂತೆ ಮಾಹಿತಿಯು ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗಿ ಗ್ರಹಿಸಲ್ಪಡುತ್ತದೆ.
ಇದನ್ನು ಒಂದು ಉದಾಹರಣೆಯ ಮೂಲಕ ಅರ್ಥಮಾಡಿಕೊಳ್ಳೋಣ. ನೀವೀಗ, ಸೊನ್ನೆಯಿಂದ ಒಂಬತ್ತರವರೆಗಿನ, ಕೈಬರಹದಲ್ಲಿರುವ ಅಂಕೆಗಳನ್ನು ಗುರುತಿಸುವಂತಹ ಉದ್ದೇಶದಿಂದ ಒಂದು ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ ಅನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತಿದ್ದೀರಿ ಎಂದು ಭಾವಿಸಿ. ಕೈಬರಹದಲ್ಲಿ '7' ಎಂಬ ಅಂಕೆಯನ್ನು ಇನ್ಪುಟ್ ಆಗಿ ನೀಡಿದಾಗ ಇದರ ಮೊದಲ ಹಂತ ಈ ಅಂಕೆಯ ಪ್ರಾಥಮಿಕ ಲಕ್ಷಣಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ. ಅಂದರೆ ಅಂಕೆಯಲ್ಲಿ ಅಡ್ಡ ಗೆರೆಗಳಿವೆಯೇ? ಲಂಬವಾದ ಗೆರೆಗಳಿವೆಯೇ? ಸುರುಳಿ ಸುತ್ತುವ ವಕ್ರ ರೇಖೆಗಳಿವೆಯೇ? - ಮುಂತಾದ ಅಂಶಗಳನ್ನು ಮೊದಲ ಹಂತದಲ್ಲಿರುವ ನ್ಯೂರಾನ್‌ಗಳು ಪರೀಕ್ಷಿಸುತ್ತವೆ. ಒಂದು ರೀತಿಯಲ್ಲಿ ಸಂಖ್ಯೆಯನ್ನು ಚೂರುಗಳಾಗಿ ಒಡೆದು ಆ ಚೂರುಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಗುರುತಿಸುವ ಕೆಲಸ. ನಂತರ ಮೊದಲ ಹಂತದ ಮಾಹಿತಿಯನ್ನು ಆಧರಿಸಿ ಎರಡನೆಯ ಹಂತದಲ್ಲಿ ಕೆಲವು ನಿರ್ದಿಷ್ಟ ನ್ಯೂರಾನ್‌ಗಳು ಜಾಗೃತವಾಗುತ್ತವೆ. ಈ ಜಾಗೃತವಾದ ನ್ಯೂರಾನ್‌ಗಳು ಹಿಂದಿನ ಹಂತಕ್ಕಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ವಿನ್ಯಾಸವನ್ನು ಆಧರಿಸಿರುತ್ತವೆ. ಅಂದರೆ ಹಿಂದಿನ ಹಂತದಿಂದ ದೊರೆತ ಬಿಡಿಯಾದ ಮಾಹಿತಿಗಳನ್ನು ವಿವಿಧ ರೀತಿಯಲ್ಲಿ ಸಂಯೋಜಿಸಿ ದೊರೆಯುವ ವಿನ್ಯಾಸಗಳನ್ನು ಆಧರಿಸಿರುತ್ತವೆ. 7 ಎಂಬ ಸಂಖ್ಯೆಯ ಉದಾಹರಣೆಯಲ್ಲಿ, ಒಂದು ಲಂಬವಾದ ಗೆರೆ ಇರುವ ನ್ಯೂರಾನ್ ಮತ್ತು ಮೇಲ್ಭಾಗದಲ್ಲಿ ಒಂದು ಅಡ್ಡಗೆರೆ ಇರುವ ನ್ಯೂರಾನ್‌ಗಳು ಜಾಗೃತವಾಗುತ್ತವೆ. ಈ ಎರಡನೇ ಹಂತದಲ್ಲಿ ಜಾಗೃತವಾಗಿರುವ ಈ ಎರಡು ನ್ಯೂರಾನ್‌ಗ ಆಧಾರದ ಮೇಲೆ ಕೊನೆಯ, ಅಂದರೆ ಔಟ್ಪುಟ್ ಹಂತವು, ಗುರುತಿಸಲ್ಪಡುತ್ತಿರುವ ಅಂಕೆ ಯಾವ ಅಂಕೆಯಾಗಿರುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು ಎಂದು ಅಂದಾಜಿಸುತ್ತದೆ. ಈ ಉದಾಹರಣೆಯಲ್ಲಿ ಒಂದು ಲಂಬವಾದ ಗೆರೆ ಮತ್ತು ಮೇಲ್ಭಾಗದಲ್ಲಿ ಒಂದು ಅಡ್ಡಗೆರೆ ಇರುವುದರಿಂದ ಆ ಸಂಖ್ಯೆಯು 7 ಎಂದು ಗುರುತಿಸಲು ಕಂಪ್ಯೂಟರ್‌ಗೆ ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಅದೇ ರೀತಿ, ಮೇಲ್ಭಾಗದಲ್ಲಿ ಒಂದು ವೃತ್ತಾಕಾರದ ಆಕೃತಿ ಮತ್ತು ಒಂದು ಲಂಬ ಗೆರೆ ಇದ್ದರೆ ಆ ಅಂಕೆಯು 9 ಎಂದು ಗುರುತಿಸುತ್ತದೆ.
ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ವಿಶೇಷತೆ ಎಂದರೆ ಅವುಗಳ ಕಲಿಯುವ ಸಾಮರ್ಥ್ಯ. ಹೆಚ್ಚು ಹೆಚ್ಚು ಮಾಹಿತಿಯನ್ನು ನೀಡಿದಷ್ಟೂ ಮಾಹಿತಿಯನ್ನು ಗುರುತಿಸುವ ಅಥವಾ ವಿಶ್ಲೇಷಿಸುವ ಅವುಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚುತ್ತದೆ. ಈ ವೈಶಿಷ್ಟ್ಯವೇ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಹೆಚ್ಚು ದಕ್ಷವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು, ಮನುಷ್ಯರಂತೆ ಕಥೆ-ಕವನಗಳನ್ನು ರಚಿಸಲು, ಕಲೆಯನ್ನು ಸೃಷ್ಟಿಸಲು ಸಾಧ್ಯವಾಗಿಸಿದೆ.
DOCTYPE html>
