செயற்கை முகவர்கள் தங்கள் சொந்த (The future AI algorithms) அறிவாற்றல் செயல்முறைகளில் ஏன் துளைகளை உருவாக்குகிறார்கள். இதைப் புரிந்துகொள்வதற்கு, ஓஹியோ ஸ்டேட் யுனிவர்சிட்டியில் உள்ள மின் பொறியாளர்கள் ‘தொடர்ச்சியான கற்றல்’ என்று அழைக்கப்படும் செயல்முறை அவர்களின் ஒட்டுமொத்த செயல்திறனை எவ்வளவு பாதிக்கிறது என்பதை ஆய்வு செய்துள்ளனர்.
தொடர்ச்சியான கற்றல் என்பது பழைய பணிகளில் இருந்து திரட்டப்பட்ட அறிவைப் பயன்படுத்தி, புதிய பணிகளைச் சிறப்பாகக் கற்றுக்கொள்வதற்காக, ஒரு கணினி தொடர்ந்து பணிகளின் வரிசையைக் கற்றுக் கொள்ளப் பயிற்றுவிக்கப்படுகிறது.
ஆயினும்கூட, அத்தகைய உயரங்களை அடைய விஞ்ஞானிகள் இன்னும் கடக்க வேண்டிய ஒரு பெரிய தடையானது நினைவக இழப்புக்கு சமமான இயந்திர கற்றலை எவ்வாறு தவிர்ப்பது என்பதைக் கற்றுக்கொள்வது AI முகவர்களில் இது “பேரழிவு மறத்தல்” என்று அழைக்கப்படுகிறது.
செயற்கை நரம்பியல் வலையமைப்புகள் ஒன்றன்பின் ஒன்றாகப் பயிற்சியளிக்கப்படுவதால், அவை முந்தைய பணிகளிலிருந்து பெறப்பட்ட தகவல்களை இழக்க முனைகின்றன. சமூகம் AI அமைப்புகளை மேலும் மேலும் நம்பியிருப்பதால் இது சிக்கலாக மாறக்கூடும் என்று ஓஹியோ மாநில பல்கலைக்கழகத்தின் கணினி அறிவியல் மற்றும் பொறியியல் பேராசிரியரான நெஸ் ஷ்ராஃப் கூறினார்.
“தானியங்கி ஓட்டும் பயன்பாடுகள் அல்லது பிற ரோபோ அமைப்புகள் புதிய விஷயங்களைக் கற்பிக்கப்படுவதால், அவர்கள் ஏற்கனவே கற்றுக்கொண்ட பாடங்களை அவர்கள் மறக்காமல் இருப்பது முக்கியம்” என்று ஷெராஃப் கூறினார். இந்த செயற்கை நரம்பியல் நெட்வொர்க்குகளில் தொடர்ச்சியான கற்றலின் சிக்கல்களை எங்கள் ஆராய்ச்சி ஆராய்கிறது.
மேலும் நாங்கள் கண்டறிந்தது ஒரு இயந்திரம் எவ்வாறு கற்றுக்கொள்கிறது மற்றும் ஒரு மனிதன் எவ்வாறு கற்றுக்கொள்கிறது என்பதற்கு இடையிலான இடைவெளியைக் குறைக்கத் தொடங்கும் நுண்ணறிவுகள். இதேபோன்ற சூழ்நிலைகளைப் பற்றிய மாறுபட்ட உண்மைகளை நினைவுபடுத்துவதற்கு மக்கள் சிரமப்படுவதைப் போலவே, இயற்கையாகவே வெவ்வேறு சூழ்நிலைகளை எளிதில் நினைவில் வைத்துக் கொள்வதை ஆராய்ச்சியாளர்கள் கண்டறிந்துள்ளனர்.
செயற்கை நரம்பியல் நெட்வொர்க்குகள் ஒரே மாதிரியான அம்சங்களைப் பகிர்ந்து கொள்வதற்குப் பதிலாக, அடுத்தடுத்து பல்வேறு பணிகளை எதிர்கொள்ளும் போது தகவலை சிறப்பாக நினைவுபடுத்த முடியும், என்று ஷ்ராஃப் கூறினார்.
ஓஹியோ மாநில முதுகலை ஆய்வாளர்கள் சென் லின் மற்றும் பெய்ஜோங் ஜூ மற்றும் பேராசிரியர்கள் யிங்பின் லியாங் மற்றும் ஷ்ராஃப் உள்ளிட்ட குழு, இந்த மாதம் ஹவாயில் ஹொனலுலுவில் நடைபெறும் இயந்திர கற்றல் குறித்த 40வது ஆண்டு சர்வதேச மாநாட்டில் தங்கள் ஆராய்ச்சியை முன்வைக்கும்.
இந்த வகையான ஆற்றல்மிக்க, வாழ்நாள் முழுவதும் கற்றலை வெளிப்படுத்த தன்னாட்சி அமைப்புகளுக்கு கற்பிப்பது சவாலானதாக இருந்தாலும், அத்தகைய திறன்களைக் கொண்டிருப்பது விஞ்ஞானிகளுக்கு இயந்திர கற்றல் வழிமுறைகளை வேகமான விகிதத்தில் அளவிட அனுமதிக்கும். அடிப்படையில் இந்த அமைப்புகளின் குறிக்கோள் ஒரு நாள் மனிதர்களின் கற்றல் திறன்களைப் பிரதிபலிக்கும்.
பாரம்பரிய இயந்திர கற்றல் வழிமுறைகள் ஒரே நேரத்தில் தரவுகளில் பயிற்சியளிக்கப்படுகின்றன. ஆனால் இந்த குழுவின் கண்டுபிடிப்புகள் பணி ஒற்றுமை, எதிர்மறை மற்றும் நேர்மறை தொடர்புகள் மற்றும் ஒரு செயற்கை நெட்வொர்க் ஒரு குறிப்பிட்ட அறிவைத் தக்கவைத்துக்கொள்ளும் நேரத்தில் ஒரு பணி விஷயத்தைக் கற்பிக்கும் வரிசை போன்ற காரணிகளைக் காட்டுகிறது.
உதாரணமாக, ஒரு அல்காரிதத்தின் நினைவகத்தை மேம்படுத்த, தொடர்ச்சியான கற்றல் செயல்பாட்டின் ஆரம்பத்திலேயே வேறுபட்ட பணிகளைக் கற்பிக்க வேண்டும், என்று ஷ்ராஃப் கூறினார். இந்த முறை நெட்வொர்க்கின் புதிய தகவலுக்கான திறனை விரிவுபடுத்துகிறது மற்றும் அதன் பின்னர் இதே போன்ற பணிகளைக் கற்றுக் கொள்ளும் திறனை மேம்படுத்துகிறது.
இயந்திரங்களுக்கும் மனித மூளைக்கும் இடையிலான ஒற்றுமையைப் புரிந்துகொள்வது AI பற்றிய ஆழமான புரிதலுக்கு வழி வகுக்கும் என்பதால் அவர்களின் பணி மிகவும் முக்கியமானது, என்று ஷ்ராஃப் கூறினார். “எங்கள் பணி அறிவார்ந்த இயந்திரங்களின் புதிய சகாப்தத்தை முன்னறிவிக்கிறது. அவை அவற்றின் மனித சகாக்களைப் போலவே கற்றுக்கொள்ளவும் மாற்றியமைக்கவும் முடியும்,” என்று அவர் கூறினார். இந்த ஆய்வுக்கு தேசிய அறிவியல் அறக்கட்டளை மற்றும் இராணுவ ஆராய்ச்சி அலுவலகம் ஆதரவு அளித்தன.
