இயந்திரக் கற்றலின் வகைகள்!

ஓட்டுநரின்றி தாமாக இயங்கும் வாகனங்களில் மட்டுமல்லாது மருத்துவத் துறை, இணையவழிக் குற்றங்களைத் தடுத்தல் உள்ளிட்ட பல்வேறு துறைகளிலும் இயந்திரக் கற்றல் தொழில்நுட்பத்தின் பயன்பாடு முக்கியப் பங்காற்றி வருகிறது. அந்தத் தொழில்நுட்பத்தைக்கற்பது மட்டுமல்லாமல், அதை அடிப்படையாகக் கொண்டு மக்களின் பிரச்னைகளுக்கும் தீர்வு காண்பதற்கும் இளைஞர்களாகிய நாம் முயற்சி செய்வோம்.

இயந்திரக் கற்றலை அடிப்படையில் வெவ்வேறு வகைகளில் பகுத்துப் பார்த்து, அதற்கேற்ப வழிமுறைகளை வகுக்கமுடியும்.

அவற்றில் முதலாவது வகை, பகுக்கப்பட்ட தரவுகளைக் கொண்டு இயந்திரக் கற்றலுக்கான வழிமுறைகளை உருவாக்குதல் (சூப்பர்வைஸ்டு மெஷின் லேர்னிங்). இந்த வகையில், இயந்திரத்தில் உள்ளீடு செய்யப்பட வேண்டிய தரவுகள், குறிப்பிட்ட தலைப்புகள் அல்லது பிரிவுகளின் கீழ் பகுக்கப்பட்டு இருக்கும். அத்தரவுகளை ஆராய்ந்து இயந்திரம் தாமாக முடிவெடுப்பதற்கான வழிமுறைகளைஉருவாக்கிக் கொள்ளலாம்.

உதாரணமாக, ரூ.1, ரூ.5, ரூ.10 ஆகிய நாணயங்களுக்கு இடையேயான வேறுபாட்டை இயந்திரமே கண்டறிய வேண்டுமெனில், அந்நாணயங்களின் எடையை அடிப்படையாகக் கொண்டு வழிமுறைகளை உருவாக்கலாம். அதன் வாயிலாக, உள்ளீடு செய்யப்படும் நாணயம்,எத்தனை ரூபாய் என்பதை அந்த நாணயத்தின் எடையை வைத்து இயந்திரம் தாமாகவே கண்டறிந்துவிடும்.

இதில் நாணயத்தின் எடையே பகுக்கப்பட்ட தரவு. அத்தரவை வழிமுறைகள் வாயிலாக நாம் இயந்திரத்துக்கு ஏற்கெனவே வழங்கியிருக்கிறோம். அதனை அடிப்படையாகக் கொண்டு இயந்திரம் சுயமாக முடிவெடுக்கிறது. இவ்வாறு உள்ளீடு செய்யப்படும் தரவுகள் முறையாகப் பகுக்கப்பட்டு இயந்திரத்தினுள் செலுத்தப்பட்டிருந்தால், இயந்திரம் எளிதில் முடிவை அளித்துவிடும்.

ஆனால், இந்த வகையில் சில சிக்கல்கள்இருக்கின்றன. பகுக்கப்பட்ட தரவுகள் உள்ளீடாகச் செலுத்தப்பட்டால் மட்டுமே இயந்திரம் அதற்கான முடிவைத் தரும். பகுக்கப்படாத தரவுகளை வைத்து அந்த இயந்திரம் செயல்படாத முடியாத சூழல் உருவாகும். மேலும், அனைத்துத் தரவுகளையும் முறையாகப் பகுத்து இயந்திரத்துக்கு உள்ளீடாகச் செலுத்துவது காலவிரயத்துக்கும் அதிக செலவுக்கும்
வழிவகுக்கும்.
இத்தகைய குறைபாடுகளைப் போக்குவதற்காகவே மற்றொரு வகை பயன்பாட்டில் இருந்து வருகிறது. அதுவே, பகுக்கப்படாத தரவுகளைக் கொண்டு இயந்திரக் கற்றலுக்கான வழிமுறைகளை உருவாக்குதல் (அன்சூப்பர்வைஸ்டு மெஷின் லேர்னிங்). இந்த வகையில் இயந்திரத்தில் உள்ளீடு செய்யப்பட வேண்டிய தரவுகள், முறையாகப் பகுக்கப்படாமலேயே இருக்கும்.

தரவுகளை அடிப்படையாகக் கொண்டு செயல்படுவதற்கேற்ப இயந்திரத்தில் வழிமுறைகள் உருவாக்கப்பட்டிருக்கும். இந்த வகையில் இயந்திரம் குறிப்பிட்ட முடிவை உறுதி செய்ய வேண்டும் என்பதை விட உள்ளீடு செய்யப்படும் தரவுகளை முறையாகப் பகுத்து, அவற்றை இனம் காண வேண்டும் என்பதே முக்கியக் கூறாக இருக்கும்.

உதாரணமாக, கிரிக்கெட் போட்டியின் ஸ்கோர்போர்டை இயந்திரத்துக்கு உள்ளீடாக அளிப்பதாக வைத்துக் கொள்வோம். அதிலுள்ள தரவுகள் முற்றிலும் பகுக்கப்படாததாக இருக்கும். அத்தரவுகளின் தன்மையை அடிப்படையாகக் கொண்டு இயந்திரம் தாமாக அவற்றைப் பகுக்க வேண்டும்.

ஸ்கோர்போர்டில் குறிப்பிட்ட வீரர்கள் அதிக ரன்களை அடித்தவர்களாகவும், குறிப்பிட்ட வீரர்கள் அதிக விக்கெட்டுகளை வீழ்த்தியவர்களாகவும் இருப்பர். இத்தரவுகளை அடிப்படையாகக் கொண்டு எந்த வீரர் பேட்ஸ்மேன், எவர் பெளலர், எந்த வீரர் ஆல் ரவுண்டர் என்பன போன்ற விவரங்களைக் கண்டறிய முடியும். அவற்றை இயந்திரம் தாமாகக் கண்டறிந்து தரவுகளை இனம் பகுப்பதற்கேற்ற வழிமுறைகளை உருவாக்கிக் கொள்ளலாம்.

நமக்குத் தேவையில்லாத, தொடர்பில்லாத மின்னஞ்சல்களை "ஸ்பேம்' பிரிவில் இயந்திரம் தாமாகப் பகுத்து வைப்பதற்கும் இந்த வகையைப் பயன்படுத்த முடியும். இந்த வகையின் மூலம் பகுக்கப்படாத பல்வேறு தரவுகளின் அடிப்படையில் இயந்திரத்தைச் செயல்பட வைக்க முடியும்.

பகுதி வாரியாக பகுக்கப்பட்ட தரவுகளும், பகுக்கப்படாத தரவுகளும் உள்ளீடாகத் தரப்படும்போது அதற்கேற்ற வகையில் இயந்திரம் செயல்படுவதற்கான வழிமுறைகளையும் (செமிசூப்பர்வைஸ்டு மெஷின் லேர்னிங்) உருவாக்க முடியும்.

இவை தவிர, தவறுகள் மூலமாகஇயந்திரம் தாமாகக் கற்றுக் கொள்வதற்கான வழிமுறைகளையும் (ரீஇன்ஃபோர்ஸ்மெண்ட் மெஸின் லேர்னிங்) வகுக்க முடியும். உதாரணத்துக்கு, சிங்கத்தின் புகைப்படத்தை இயந்திரத்துக்கு உள்ளீடாகச் செலுத்துவதாக வைத்துக் கொள்வோம். ஆனால், அந்தப் புகைப்படத்தில் இருப்பது புலி என்று இயந்திரம் முடிவைத் தெரிவிக்க வாய்ப்பிருக்கிறது.

அது புலியல்ல சிங்கம் என்ற உள்ளீட்டை நாம் மீண்டும் வழங்கும்போது, அதை இயந்திரம் கற்றுக் கொள்ளும். இவ்வாறு தவறுகள் மூலமாக இயந்திரங்கள் தாமாகக் கற்றுக் கொள்ளும் வகையிலும் வழிமுறைகளை உருவாக்க முடியும். அதில் இயந்திரம் செய்யும் பிழைகளே அவற்றுக்கான உள்ளீடுகளாக மீண்டும் வழங்கப்பட்டு பிழைகள் திருத்தப்படும்.

மேற்கண்ட வகைகளில் இயந்திரக் கற்றலுக்கான வழிமுறைகளை உருவாக்க முடியும். தற்காலத்தில் செயற்கை நுண்ணறிவும் அதனோடு இணைந்த இயந்திரக் கற்றலும் தொழில்நுட்பத்தை அடுத்தகட்டத்துக்கு எடுத்துச் செல்வதில் மிகமுக்கியப் பங்களிப்பை நல்கி வருகின்றன.

அமேஸானின் அலெக்ஸா, ஆப்பிளின் சிரி, கூகுள் அசிஸ்டெண்ட் உள்ளிட்டவை நமது குரலை அடிப்படையாகக் கொண்டு இயங்குகின்றன. அவையனைத்தும் இயந்திரக் கற்றல் தொழில்நுட்பத்தையே அடித்தளமாகக் கொண்டு உருவாக்கப்படுகின்றன.