ध्या आपण एका जादूई भासणाऱ्या जगात वावरतो आहोत. ‘नेटफ्लिक्स’सारखा ‘ओटीटी प्लॅटफॉर्म’ तुम्हांला कोणता चित्रपट-वेबसिरीज आवडेल, याचा अंदाज करतो. ‘स्पॉटिफाय’ सारखे ॲप तुम्हांला आवडतील अशा गाण्यांची शिफारस करते. ‘स्पॅम फिल्टर’ तांदुळातल्या खड्यांप्रमाणे ‘स्पॅम ई-मेल’ निवडून बाजूला काढतो. या सगळ्यांमागे आहे आजच्या युगाचे तंत्रज्ञान ‘ मशिन लर्निंग ’. विचार करू शकणाऱ्या, शिकू शकणाऱ्या आणि स्वतंत्र निर्णय घेऊ शकणाऱ्या यंत्रांची पूर्वी फक्त विज्ञानकथांमध्ये असणारी कल्पना आता आपल्या दैनंदिन जीवनाचा भाग झाली आहे.
मशिन लर्निंग हे कृत्रिम बुद्धिमत्तेचे एक उपक्षेत्र आहे, जे मशिनना अनुभवातून आणि डेटावरून शिकण्यास व स्वतःहून सुधारणा करण्यास मदत करते. पारंपरिक प्रोग्रामिंगमध्ये संगणकाला नियम किंवा सूचनांचा संच दिल्यावर त्यांचे पालन करून ‘आउटपुट’ तयार करतो. मशिन लर्निंगमध्ये तुम्ही संगणकाला दिलेल्या डेटाचे विश्लेषण करून तो शिकतो. मशिन लर्निंगच्या विकासातील सुरुवातीचा महत्त्वाचा टप्पा म्हणजे १९४३मध्ये मानवी मेंदूच्या कार्यप्रणालीपासून प्रेरित असलेले ‘न्यूरल नेटवर्क’चे पहिले गणितीय मॉडेल. पुढचा टप्पा होता ‘ट्युरिंग चाचणी’चा. १९५० मध्ये अ ॅलन ट्युरिंगने ‘यंत्रे विचार करू शकतात का?’ असा प्रश्न करताना ट्युरिंग चाचणी प्रस्तावित केली. एका खोलीतून एक माणूस प्रश्न विचारतो. दुसऱ्या खोलीत दोन उत्तर देणारे असतात, एक माणूस आणि एक संगणक. प्रश्न विचारणाऱ्याला फक्त लिखित उत्तरे दिसतात. दोन्हींपैकी कुठले उत्तर मशिनने दिले आहे, हे प्रश्न विचारणाऱ्याला ओळखता आले नाही, तर याचा अर्थ होतो की मशिनने अगदी मानवी पद्धतीने संवाद साधला आणि ‘ट्युरिंग टेस्ट’ पास केली. या मशिन लर्निंगच्या प्रगतीने गेल्या काही दशकांत अधिक वेग पकडला, कारण इंटरनेटमुळे मशिनना शिकण्यास प्रचंड प्रमाणात डेटा उपलब्ध झाला.
मशिन लर्निंगचे प्रकार :
पर्यवेक्षित (सुपरवाइज्ड) : यात लेबल केलेल्या डेटाचा वापर करुन मशीन डेटाचे वर्गीकरण करायला शिकते. छोट्या मुलाला ‘आंबा’ हे फळ ओळखायला शिकवायचे आहे. तुम्ही त्याला आंब्याचे फोटो दाखवून सांगाल ‘हा आंबा आहे.’ इतर फळांचे फोटो दाखवून सांगाल ‘हा आंबा नाही.’ इथे, आंबा आहे आणि आंबा नाही ही झाली दोन लेबल. या प्रक्रियेची पुनरावृत्ती केल्यास, ते मूल आंब्याची वैशिष्ट्ये (उदा. आकार, रंग) आंबा या लेबलशी जोडण्यास शिकेल व समोर आंबा दिसताच, या फळाचे नाव आंबा आहे, हे ओळखायला शिकेल. अशाच पद्धतीने ई-मेलचा ‘स्पॅम फिल्टर’ काम करतो. डेटा गोळा करून त्याचे वर्गीकरण केले जाते. ई-मेलच्या वेगवेगळ्या सूची केल्या जातात व तपशील अभ्यासून ई-मेलचा विषय, प्रेषक पत्ता इ. वैशिष्ट्ये निवडली जातात. लर्निंग अल्गोरिदमच्या आधारे काही चाचण्या होउन, नवीन ई-मेल ‘स्पॅम’ आहे की नाही, हे ओळखण्यास मशिन सज्ज होते आणि त्याबरहुकूम त्यांना ‘इनबॉक्स’ किंवा ‘स्पॅम’ फोल्डर मध्ये पाठविते.
अपर्यवेक्षित : शिक्षण: या प्रकारात लेबल नसलेल्या डेटामधील नमुने शोधले जातात. एकाच प्रकारच्या वाट्या आणि एकाच प्रकारचे चमचे यांचा एकत्रित ढीग लहान मुलासमोर ठेवला आणि त्या वस्तूंचे नाव न सांगता (म्हणजेच कुठलेही लेबल न लावता) त्यांचे वर्गीकरण करायला सांगितले आहे. वाट्या आणि चमच्यांच्या आकारातील फरक लक्षात घेउन कुठल्याही लेबलविनाच ते मूल ते वेगळे काढेल. मुलाने वस्तूंमधला ‘पॅटर्न’ शोधला व त्यानुसार वस्तूंना दोन गटात विभाजित केले. या प्रकारच्या लर्निंगमध्ये संगणकाला लेबल नसलेल्या डेटाचा ढीग देऊन त्याला स्वतःहून नमुने शोधण्यास सांगितले जाते. लक्ष्यित मार्केटिंगसाठी ग्राहकांना वेगवेगळ्या श्रेणींमध्ये गटबद्ध करणे, त्यांच्या वर्तनावर आधारित उत्पादने सुचविणे यांसाठी या मशिन लर्निंगचा उपयोग होईल.
रीइन्फोर्समेंट लर्निंग : यात मशिन ‘ट्रायल अँड एरर’ द्वारे शिकते. रीइन्फोर्समेंट शिक्षण एखाद्या पाळीव प्राण्याला प्रशिक्षण देण्यासारखे आहे. त्यात प्राणी वेगवेगळ्या कृती करण्याचा प्रयत्न करतो आणि त्याने काही चांगले केले (उदा. चेंडू आणणे), तर त्याला बक्षीस मिळते आणि वाइट केले (उदा. बूट चावणे), तर त्याला शिक्षा केली जाते. हळूहळू तो पाळीव प्राणी अशा कृती निवडण्यास शिकतो ज्यामुळे सर्वाधिक बक्षिसे मिळतात. या लर्निंगचा वापर करून संगणक व्हिडिओ गेम खेळायला शिकू शिकतो. स्वयंचलित गाडीचा विकास अशा प्रकारच्या मशिन लर्निंगमुळे झाला आहे.
मशिन लर्निंगचे प्रकार समजून घेताना आपण मशिन लर्निंगची प्रतिमा ओळख, स्पॅम फिल्टरिंग, सोशल मीडियावरील शिफारस प्रणालीसारखे अनुप्रयोग पाहिले. त्या व्यतिरिक्त इतर अनेक क्षेत्रांत मशिन लर्निंग महत्त्वाची भूमिका बजावत आहे. अर्थात, एकीकडे मशिन लर्निंगच्या वेगाने होणाऱ्या प्रगतीच्या रथावर आरूढ होताना दुसरीकडे नैतिक मूल्यांचे भान ठेऊन या रथावर नियंत्रण ठेवणेही गरजेचे आहे.
(लेखिका विज्ञानाच्या
अध्यापिका आहेत.)
