30th June retirees case - Supreme Court passed comments- noncompliance costs as well as interest may be imposed.

நாம் இவ்வளவு நாட்களாக இந்தப் பகுதியில் செயற்கை நுண்ணறிவு மற்றும் அதன் அடுத்த கட்டம், அதனால் ஏற்படும் பாதிப்புகள் இவையெல்லாம் பற்றி கொஞ்சம் அங்குமிங்கும் பார்த்துள்ளோம். அது ஒரு பெருங்கடல் கம்பர் சொல்வதைப் போல் 'பாற்கடலை பூனை நக்கி குடித்தது' போல தான் இந்த செயல். சரி இந்த AIக்குள் என்ன தான் இருக்கிறது, அது எப்படி செயல்படுகிறது? அதன் பின்னணி என்ன என்று பார்ப்போம். அதற்கு முன்னர் ஒரு சுவாரஸ்யமான மற்றும் சிந்திக்கக் கூடிய விஷயம் ஒன்றை பார்ப்போம். 

ஒரு வங்கி மேலாளர் பகிர்ந்து கொண்டதைத் தான் இங்கு தருகிறேன், வங்கிகளின் ATM வசதி கிராமங்களில் முதன் முறையாக அறிமுகப் படுத்தப்பட்டது, அதில் முதலில் பணம் எடுத்த ஒரு வயதானவர் கேட்ட கேள்வி, "ஏம்ப்பா அந்த பக்கம் யாரு பணத்தை எண்ணிக் கொடுக்கிறாங்க பொண்ணா பையனா அவங்க முகத்தையே பார்க்க முடியலையே."  என்றதும் வங்கி மேலாளருக்கு தூக்கி வாரிப் போட்டதாம். அவர் பின்னர் அது ஒரு மெஷின் என்பதை விளக்கி புரிய வைத்தார். அவருக்கு மட்டுமல்ல கல்லூரிகள் மற்றும் மேற்படிப்பு படித்த இளைஞர்களுக்கும் இந்த ATM Machine பற்றி புரிய வைத்ததாக கூறியிருந்தார். அந்தளவுக்கு தான் நம்முடைய தொழில்நுட்பம் பற்றிய அறிவு அப்பொழுது இருந்தது. இப்பொழுது அப்படியல்ல நம் படிப்பு தொழில் நுட்பம் பற்றிய அறிவு சார்ந்து நன்றாகவே முன்னேறிவிட்டது. இனி அப்படி ஒரு நிலை வராது. சரி விஷயத்திற்கு வருவோம். 

இந்த செயற்கை நுண்ணறிவு எதன் அடிப்படையில் வேலை செய்கிறது. அந்தப் பெரியவர் கேட்டது மாதிரி யாராவது இதனுள் இருந்து பணி புரிகிறார்களா? அப்படியென்றால் எவ்வளவு பேர்? எங்கிருக்கிறார்கள்? என்ற கேள்வி எழுமல்லவா? அதைப் பற்றி பார்ப்போமா. 

இந்தப் பணிகளை முடிக்க முதலில் நாம் இயந்திரங்களை படிக்க வைக்க வேண்டும். என்னது இயந்திரங்களை படிக்க வைக்க வேண்டுமா இதற்கென பள்ளிகள் உள்ளதா என்று கேட்காதீர்கள். ஒவ்வொரு செயலை பற்றியும் இயந்திரங்களுக்கு புரிய வைக்கும் ஒன்று தான் Machine Learning. பெயரை படித்து பார்த்தாலே புரியும்படி தான் உள்ளது இல்லையா. Machine அனைத்தையும் கற்றுக் கொள்கிறது அதாவது Learning செய்கிறது. 

எந்திரன் படத்தில் சிட்டி ரோபோ சலூன் கடையில் உள்ள அனைத்து புத்தகங்களையும் ஒரு முறை இப்படியும் அப்படியும் பார்த்து தூக்கிப் போடுமே அதே போன்று தான் கம்ப்யூட்டர் கற்றுக் கொள்கிறது. நம்ம தலைவர் ஸ்டைலில் அல்ல, அனைத்து புத்தகங்கள் மற்றும் research papers மற்றும் இன்ன பிற கட்டுரைகள், அது மட்டுமல்ல, நம்முடைய inputகள் டேட்டாக்கள் என அனைத்தையும் அதனுள் செலுத்தி அதனை பிரித்து பார்த்து பகுப்பாய்ந்து அதற்கு புரிய வைப்பது தான் இந்த Machine Learning. ஏதாவது தவறாக சொல்லிக் கொடுத்தோமானால் அவ்வளவுதான். சுட்டிக் குழந்தையை எப்படி உலகிற்கு ஏற்றாற்போல் பழக்குகிறோம் அதே போன்று தான். அதற்கென ஒரு டீம் இருக்கிறது. 

அவை என்ன எப்படி கற்றுக் கொள்ளும்? உதாரணத்திற்கு குருவி என்ற ஒன்று (இப்பொழுது இருக்கிறதா என கேட்காதீர்கள்) இப்படித்தான் இருக்கும், அது இவ்வாறு தான் கீச்சு கீச்சு என்று கத்தும், இந்தியாவில் இப்படி, ஆப்ரிக்காவில் இப்படி, அமெரிக்காவில் இப்படி என அனைத்து குருவிகளைப் பற்றிய டேட்டாக்களையும் அதற்கு சொல்லிக் கொடுத்து ஆஸ்திரேலிய குருவி நம் வீட்டில் உள்ளது போன்று அதனை உருவாக்கச் சொன்னால் அது தானாகவே ஒரு குருவி படத்தை உருவாக்கிக் கொடுக்க சாத்தியமாகிறது. அதுவும் நாம் கேட்கும் வகையில். இதெல்லாம் இந்த செயற்கை நுண்ணறிவில் சாத்தியம். 

இந்த Machine Learning என்கின்ற ஒரு idea எப்பொழுது ஆரம்பிக்கப்பட்டது என்று தெரிந்து கொண்டால் வாயைப் பிளந்து கொள்வீர்கள், ஆம் இதற்கான ஆரம்ப process என்பது அதாவது மனித மூளை எவ்வளவுக்கெவ்வளவு சிக்கலானதோ அதேப் போன்ற ஒரு சிக்கலான Neural Network Structure குறித்த ஆராய்ச்சி தொடங்கப்பட்டது 1940களில் ஆனால் 1959 ல் தான் அது ஒருவகையாக உருவாக்கப்பட்டு முதன்முதலாக இந்த Machine Learning என்பது சாத்தியமானது அதுவும் உலகின் முதல் கம்ப்யூட்டர் நிறுவனமான IBMன் ஊழியரான Arthur Samuel என்பவர் இதனை சாத்தியப்படுத்தி இதற்கு இப்படி ஒரு பெயர் வைத்தார். அவர் முதலில் Checkers என்கின்ற (நமது செஸ் விளையாட்டுப் போல்) ஒரு விளையாட்டை அதற்கு சொல்லி கொடுத்தார். தொடர்ந்து அதற்கு பயிற்சிகள் கொடுத்து அதனுடன் விளையாடி சாதித்தும் காட்டினார். 

1957ல் Frank Rosenbalt என்னும் ஆராய்ச்சியாளர், இவர் ஒரு psychologist. The perceptron எனும் First AI Neural engine ஒன்றினை தயாரித்து அதற்கான திரல்கள் வடிவமைத்து தொடர்ந்து ஆராய்ச்சிகள் செய்தார். 

பின்னர் ஆராய்ச்சிகள் தொடர்ந்த வண்ணம் இருந்தது. 1980களில் இந்த Machine Learning தீவிரமடைந்து அதற்கான முழு திட்டமும் தீட்டப்பட்டு முயற்சிகள் தொடர்ந்த வண்ணம் இருந்தது. 

2000 ஆண்டு வாக்கில் Big Data Analysis என்கின்ற புதிய கோட்பாடு ஒன்று உருவாகி அதற்கு பெரிய அளவில் டேட்டாக்களை கொடுத்துக் கொண்டே மெஷினை சிந்திக்கும் படி முயற்சி செய்தனர். இப்பொழுது நாம் உபயோகித்துக் கொண்டிருக்கும் செயற்கை நுண்ணறிவிற்கு இதுவே அடித்தளம்.

 

OpenAI மற்றும் Google Gemini யில் பயன்படுத்தப்படும் டேட்டாக்கள் கூட 2023க்கு முன்னர் ஏற்றப்பட்டவைகளே. தொடர்ந்து அதற்கு பெரியளவில் தகவல்களைக் கொடுத்துக் கொண்டேயிருக்கின்றனர். இவை உடனே முடிவடையுமா என்றால் வளர்ந்து கொண்டேயிருக்கும் எப்பொழுது நிறைவு பெறும் என்றால் Machine தானாகவே படித்து புரிந்து கொண்டு தன்னை மேம்படுத்திக் கொள்ளும் வரை. அதுவரை இந்த Machine Learning என்கிற process நிச்சயம் உண்டு. 

நம்மைப் போன்று ஞாபக மறதி அதற்கு கிடையாது. ஒரு தடவை கற்றுக் கொண்டால் அதனை வைத்தே அடுத்த கட்டத்திற்கு செல்லும், எடுத்துக்காட்டாக ஒரு இருட்டறையில் குழந்தையை எத்தனை தடவை நடக்கவிட்டாலும் அது நான்கு பக்க சுவரிலும் இடித்துக் கொள்ளும், அதுவே ஒரு ரோபோவை நடக்க விட்டால் முதல் தடவை இடித்துக் கொள்ளும் அடுத்தத் தடவை அங்கே சுவருள்ளது என்று புரிந்து கொண்டு முன்னரே நின்று விடும். இதுதான் நமக்கும் அதற்கும் உள்ள வித்தியாசம். இப்படி ஒவ்வொரு விஷயத்திற்கும் அதனை சிந்திக்க வைத்து அதன்படி செயல்படுத்த அடுத்த கட்ட செயற்கை நுண்ணறிவு ஆராய்ச்சியாளர்கள் முயற்சிக்கின்றனர். ஒவ்வொரு நாளும் அதில் வெற்றி பெறுகின்றனர். 

ஒரு நாள் தன்னைத்தானே கற்றுக்கொள்ள Machineகள் ஆரம்பித்தவுடன் தான் இருக்கிறது பிரச்சினை, அதனை சரியான முறையில் வழிநடத்த இப்பொழுதிலிருந்தே திட்டமிடுதல் வேண்டும். எதுவாயினும் நம்மையும் அடுத்தத் தலைமுறையையும் பாதிக்காத எந்த தொழில்நுட்ப முன்னேற்றத்தையும் வரவேற்போம். 

-S.B.