Read Time:35 Minute

‘പാഠം പഠിക്കുന്ന’ യന്ത്രങ്ങൾ

സോന ചാൾസ്, സ്മിതേഷ് എസ്

മെഷീൻ ലേണിങ്ങിന്റെ വികാസ വഴികൾ, വിവിധ റിയൽ വേൾഡ് ഡാറ്റയുടെ സ്വഭാവം എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു ? .മെഷീൻ ലേണിങ്ങിന്റെ സാധ്യതകൾ പ്രയോജനപ്പെടുന്ന പ്രധാനപ്പെട്ട മേഖലകളെ പരിചയപ്പെടുത്തുന്നു. 2023 ഓഗസ്റ്റ് ലക്കം ശാസ്ത്രഗതിയിൽ പ്രസിദ്ധീകരിച്ച ലേഖനം.

നിർമ്മിതബുദ്ധിയും (ആർട്ടിഫി ഷ്യൽ ഇന്റലിജൻസ്) മെഷീൻ ലേണിങ്ങും നമ്മുടെ ജീവിതത്തിൽ വിപ്ലവകരമായ മാറ്റങ്ങളാണ് കൊണ്ടു വന്നിരിക്കുന്നത്. ഓൺലൈൻ ഷോപ്പിങ് സൈറ്റുകളിൽ നിന്ന് ലഭിക്കുന്ന വ്യക്ത്യധിഷ്ഠിത നിർദേശങ്ങൾ മുതൽ ഡ്രൈവറില്ലാ കാറുകൾ വരെ നീളുന്ന നിർമ്മിതബുദ്ധിയുടെ പ്രയോഗ സാധ്യതകൾ നമ്മുടെ ജീവിതത്തെ കൂടുതൽ കാര്യക്ഷമവും ആസ്വാദ്യകരവുമാക്കുന്നു. നിർമ്മിതബുദ്ധിയുടെ ഉപശാഖയാണ് മെഷീൻ ലേണിങ്. പഠിക്കാനും ഡാറ്റയുടെ അടിസ്ഥാനത്തിൽ തീരുമാനങ്ങൾ എടുക്കാനും കമ്പ്യൂട്ടറുകളെ സഹായിക്കുന്നതിന് ആവശ്യമായ അൽഗോരിതങ്ങളും സ്റ്റാറ്റിസ്റ്റിക്കൽ മാതൃകകളും വികസിപ്പിക്കുകയാണ് മെഷീൻ ലേണിങ് വിദഗ്ധർ ചെയ്യുന്നത്. കൂടുതൽ ഡാറ്റ നൽകി, അതുമായി ബന്ധപ്പെട്ട പ്രവൃത്തികൾ ചെയ്യാനുള്ള കമ്പ്യൂട്ടറുകളുടെ കഴിവ് സ്വയം മെച്ചപ്പെടുത്തുകയാണ് മെഷീൻ ലേണിങ്ങിന്റെ ലക്ഷ്യം.

കമ്പ്യൂട്ടർ ഗെയിമിങ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് എന്നീ മേഖലകളിൽ വിദഗ്ധനായിരുന്ന ആർതർ സാമുവൽ 1959-ൽ ആണ് മെഷീൻ ലേണിങ് എന്ന വാക്ക് ആദ്യമായി ഉപയോഗിച്ചത്. പ്രോഗ്രാം ചെയ്യുന്നതിലൂടെയല്ലാതെ കമ്പ്യൂട്ടറുകൾക്ക് കാര്യങ്ങൾ മനസ്സിലാക്കി പ്രവർത്തിക്കാനുള്ള കഴിവ് നൽകുന്നതിനെ അദ്ദേഹം മെഷീൻ ലേണിങ് എന്ന് നിർവചിച്ചു. പക്ഷേ, ഇപ്പോഴും മെഷീൻ ലേണിങ്ങിന് സാർവത്രികമായി അംഗീകരിക്കപ്പെട്ട ഒരു നിർവചനമില്ല. വ്യക്തികൾക്ക് അനുസരിച്ച് നിർവചനവും മാറുന്നു.

മാതൃകാ ഡാറ്റയുടെയും മുൻ അനുഭവങ്ങളുടെയും സഹായത്തോടെ കമ്പ്യൂട്ടറുകളുടെ പ്രവർത്തനം മെച്ചപ്പെടുത്തുന്നതിനെ സാമാന്യമായി മെഷീൻ ലേണിങ് എന്നു വിളിക്കാം. ഇതിനു പ്രധാനമായും രണ്ട് ഘട്ടങ്ങളാണുള്ളത്.

അറിവ് സമ്പാദനം (Knowledge Acquisition).
നൈപുണി മെച്ചപ്പെടുത്തൽ (Skill Refinement).

ചെറിയൊരു ഉദാഹരണത്തിലൂടെ കൂടുതൽ വ്യക്തമാക്കാം. എപ്പോഴാണ് ഒരാൾ ഗണിതശാസ്ത്രം പഠിച്ചുവെന്ന് പറയുന്നത്? ഗണിതശാസ്ത്ര നിർവചനങ്ങളും ആശയങ്ങളും സിദ്ധാന്തങ്ങളും അവ തമ്മിലുള്ള ബന്ധവും മനസ്സിലാക്കുമ്പോൾ നാം അറിവ് സമ്പാദിക്കുന്നു. വിവിധ സാഹചര്യങ്ങളിൽ ഇവ ഫലപ്രദമായി ഉപയോഗിക്കുന്നതിനനുസരിച്ച് അറിവ് വർധിക്കുന്നു.

ഇതിൽനിന്ന് വ്യത്യസ്തമായി നിരന്തരപരിശീലനത്തിലൂടെയും അറിവ് നേടുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യാം. വാഹനം ഓടിക്കുന്നത്, കീ ബോർഡ് വായിക്കുന്നത്, സൈക്കിൾ ചവിട്ടുന്നത് മുതലായവ ഈ രീതിയിലുള്ള പഠനത്തിന് ഉദാഹരണങ്ങളാണ്.

മേൽപ്പറഞ്ഞ കാര്യങ്ങളെക്കുറിച്ച് പുസ്തകം വായിച്ച് അറിവ് നേടുന്നത് പഠനത്തിന്റെ ഒരുഘട്ടം മാത്രമാണ്. ഓരോന്നിനും എന്തൊക്കെയാണ് ചെയ്യേണ്ടത്, എങ്ങനെയാണ് ചെയ്യേണ്ടത് എന്നൊക്കെ മനസ്സിലാക്കാൻ ഇതിലൂടെ കഴിയും. ഇപ്രകാരം നേടുന്ന അറിവുകളെ രാകി മിനുക്കി പ്രയോഗതലത്തിൽ കൊണ്ടുവരുന്നതാണ് പഠനത്തിന്റെ രണ്ടാംഘട്ടം. മെഷീൻ ലേണിങ് ഗവേഷകർ ഇപ്പോൾ പ്രാധാന്യം നൽകുന്നത് അറിവ് സമ്പാദനമെന്ന പ്രക്രിയയ്ക്കാണ്. ഇതോടൊപ്പം നൈപുണ്യം മെച്ചപ്പെടുത്തലിന്റെ സാധ്യതകളും ഉൾക്കൊള്ളിച്ചാണ് ഈ മേഖലയിലെ പഠനങ്ങൾ മുന്നോട്ടുപോകുന്നത്.

വിവിധതരം ഡാറ്റ

മെഷീൻ ലേണിങ്ങിന് ഏറ്റവും ആവശ്യമായുള്ളത് യഥാർഥ ലോകത്ത് നിന്നുള്ള വിവരങ്ങൾ അഥവാ റിയൽ വേൾഡ് ഡാറ്റയാണ്. ഡാറ്റയെ പ്രധാനമായും ഇനിപ്പറയുന്ന വിഭാഗങ്ങളായി തരംതിരിക്കാം.

Structured Data : കൃത്യവും വ്യക്തവുമായ ഘടനയോട് കൂടിയതാണ് സ്ട്രക്ചേഡ് ഡാറ്റ. അനായാസം ഉപയോഗിക്കാൻ കഴിയുമെന്നതാണ് ഇതിന്റെ സവിശേഷത. പേര്, തീയതി, വിലാസം, ക്രഡിറ്റ് കാർഡ് നമ്പർ മുതലായവ സ്ട്രക്ച്ചേഡ് ഡാറ്റയ്ക്ക് ഉദാഹരണങ്ങളാണ്.
Unstructured Data : സ്ട്രക്ച്ചേഡ് ഡാറ്റയ്ക്ക് നേർവിപരീതമാണിവ. കൃത്യമായ ഘടനയോ പൂർവ നിർവചിത രൂപമോ ഇവയ്ക്കുണ്ടാവുകയില്ല. അതുകൊണ്ടുതന്നെ, ഇവയുടെ ഉപയോഗം പ്രയാസകരമാണ്. സെൻസർ ഡാറ്റ, ഇ-മെയിലുകൾ, ബ്ലോഗുകൾ, ഓഡിയോ- വീഡിയോ ഫയലുകൾ, വെബ്പേജുകൾ മുതലായവ ഉദാഹരണം.
Semi Structured Data : മേൽപ്പറഞ്ഞ രണ്ടു തരം ഡാറ്റകൾക്കും നടുക്ക് നിർത്താവുന്നവയാണ് സെമി- സ്ട്രക്ച്ചേഡ് ഡാറ്റ. അൺസ്ട്രക്ച്ചേഡ് ഡാറ്റയുമായി താരതമ്യം ചെയ്താൽ ഇവ വിശകലനം ചെയ്യാൻ എളുപ്പമാണ്. HTML, XML, JSON ഡോക്യുമെന്റുകൾ, NoSQL ഡാറ്റാബേസുകൾ എന്നിവ സെമി- സ്ട്രക്ച്ചേഡ് ഡാറ്റയിൽപ്പെടുന്നു.
Meta Data : ഡാറ്റയെ കുറിച്ചുള്ള ഡാറ്റയാണ് മെറ്റാഡാറ്റ. ഡാറ്റ പ്രത്യേകതരം വിവരങ്ങളാണ്. ഇവയുടെ പ്രാധാന്യവും ഉപയോഗവും വർധിപ്പിക്കുന്ന വിവരങ്ങളാണ് മെറ്റാഡാറ്റയിൽ അടങ്ങിയിരിക്കുന്നത്. തയ്യാറാക്കിയ വ്യക്തിയുടെ പേര്, ഫയൽ സൈസ്, ഡോക്യുമെന്റ് തയ്യാറാക്കിയ തീയതി മുതലായവ മെറ്റാഡാറ്റയ്ക്ക് ഉദാഹരണമാണ്.

മെഷീൻ ലേണിങ്, ഡാറ്റാ സയൻസ് രംഗങ്ങളിൽ വിവിധ ആവശ്യങ്ങൾക്ക് വ്യത്യസ്തതരം ഡാറ്റാസെറ്റുകൾ വ്യാപകമായി ഉപയോഗിക്കുന്നുണ്ട്. സൈബർ സുരക്ഷാ രംഗത്ത് ഉപയോഗിക്കുന്ന NSL-KDD, UNSW-NB15, ISCX’12, CIC-DDoS2019, Bot-IoT, സ്മാർട്ട് ഫോൺ ഡാറ്റാസെറ്റുകളാണ് കോൾ ലോഗ്സ്, എസ് എം എസ് ലോഗ്, മൊബൈൽ ഫോൺ നോട്ടിഫിക്കേഷൻ ലോഗ് മുതലായവ ചില ഉദാഹരണങ്ങളാണ്. കാർഷിക-ആരോഗ്യ രംഗങ്ങളിലും ഇ-കൊമേഴ്സ് മേഖലയിലും ഇത്തരം ഡാറ്റാസെറ്റുകൾ ഉപയോഗിക്കുന്നുണ്ട്. ഇവയെല്ലാം നമ്മൾ മുകളിൽ വിവരിച്ച ഏതെങ്കിലും ഗണത്തിൽ വരുന്നവയാണ്.

മെഷീൻ ലേണിങ് തരങ്ങൾ

വിവിധതരം ഡാറ്റകൾ വിശകലനം ചെയ്യുന്നതിനും ഉൾക്കാഴ്ചകൾ ഉണ്ടാക്കുന്നതിനും പലതരം മെഷീൻ ലേണിങ് സങ്കേതങ്ങൾ ഉപയോഗിക്കുന്നു. അവ ഏതൊക്കെയാണെന്ന് നോക്കാം.

സൂപ്പർ വൈസ്ഡ് ലേണിങ്

അധ്യാപകരുടെ മേൽ നോട്ടത്തിൽ വിദ്യാർഥികൾ പഠിക്കുന്നതിന് സമാനമായ പ്രക്രിയയാണിത്. സൂപ്പർവൈസ്ഡ് ലേണിങ്ങിൽ ഇൻപുട്ടും അതിന്റെ കൃത്യമായ ഔട്ട്പുട്ടും അടങ്ങിയ ട്രെയിനിങ് ഡാറ്റ നൽകുന്നു. നമ്മൾ നൽകുന്ന സാധുവായ ഇൻപുട്ടിൽ നിന്ന് ട്രെയിനിങ് ഡാറ്റയുടെ സഹായത്തോടെ കൃത്യമായ ഔട്ട്പുട്ട് മെഷീൻ പ്രവചിക്കുന്നു. മെഷീൻ ലേർണിങ് ഇൻപുട്ട് ആയി സാധാരണമായി ഉപയോഗിക്കുന്ന ഒരു ഡാറ്റയാണ് ഐറിസ്. ഐറിസ് എന്ന സസ്യത്തിലെ മൂന്നു സ്പീഷീസ് ആയ വിർജിനികാ, വേർസികളോർ, സീറ്റോസാ എന്നിവയുടെ 50 സാമ്പിളുകളുടെ നാല് സവിശേഷതകൾ (സെപ്പലുകളുടെയും ദളങ്ങളുടെയും നീളവും വീതിയും) അടങ്ങിയിരിക്കുന്ന ഒരു ഡാറ്റാസെറ്റ് ആണ് ഐറിസ്. സൂപ്പർവൈസ്ഡ് മെഷീൻ ലേണിങ്ങിന്റെ ലക്ഷ്യം സവിശേഷതകളെ അടിസ്ഥാനമാക്കി സ്പീഷീസിനെ അടയാളപ്പെടുത്തുക എന്നതാണ്.

അൺ സൂപ്പർ വൈസ്ഡ് ലേണിങ്

ട്രെയിനിങ് ഡാറ്റ ഇല്ലെന്നതാണ് ഇതിന്റെ സവിശേഷത. ഇതിൽ മെഷീനിന് നൽകുന്നത് ഇൻപുട്ട് മാത്രമാണ്. ഔട്ട്പുട്ട് നൽകുന്നില്ല. സൂപ്പർവൈസ്ഡ് ലേണിങ്ങിന്റെ മേൽപ്പറഞ്ഞ ഉദാഹരണത്തിന്റെ സഹായത്തോടെ കൂടുതൽ വ്യക്തമാക്കാം. ഇതിൽ മെഷീൻ ലേണിങ് മുഖേന ലഭിക്കുന്ന ഡാറ്റയിൽ സ്പീഷീസ് എന്ന നിര ഉണ്ടാവില്ല.

സാമ്യത തിരിച്ചറിഞ്ഞ് മനുഷ്യർ വസ്തുക്കൾ, സംഭവങ്ങൾ എന്നിവ മനസ്സിലാക്കുന്നതിന് സമാനമാണ് അൺ സൂപ്പർ വൈസ്ഡ് ലേണിങ്. വെബ്സൈറ്റുകൾ ഉപയോഗിക്കുമ്പോൾ കാണുന്ന പരസ്യങ്ങൾ ഇതിന്റെ മറ്റൊരു ഉദാഹരണമാണ്.

റി-ഇൻഫോഴ്സ്മെന്റ് ലേണിങ്

ഗുണഫലം പരമാവധിയാക്കുന്നതിനു വേണ്ടിയുള്ള പ്രവർത്തനം നടത്തുകയാണ് റീ-ഇൻഫോഴ്സ്മെന്റ് ലേണിങ്ങിലൂടെ ചെയ്യുന്നത്. ചെറിയൊരു ഉദാഹരണം പറയാം, നായ്ക്കുട്ടിയെ പുതിയൊരു കാര്യം പഠിപ്പിക്കുകയാണെന്ന് കരുതുക. എന്ത് ചെയ്യണമെന്ന് നാം അതിനോട് പറയുന്നില്ല. പകരം ശരിയായി ചെയ്താൽ സമ്മാനം നൽകുന്നു. തെറ്റിയാൽ ശിക്ഷിക്കുന്നു.

മെഷീൻ ലേണിങ്ങിന്റെ പ്രായോഗിക ഉപയോഗങ്ങൾ

മെഷീൻ ലേണിങ്ങിന്റെ സാധ്യതകൾ വിവിധ മേഖലകളിൽ വ്യാപകമായി ഉപയോഗിക്കുന്നുണ്ട്. ഇവയിൽ നിന്ന് ഏറ്റവും പ്രധാനപ്പെട്ട പത്തെണ്ണം പരിചയപ്പെടുത്തുകയാണിവിടെ.

കൃത്യമായ പ്രവചനവും ബുദ്ധിപരമായ തീരുമാനമെടുക്കലും (Predictive Analytics and Intelligent Decision Making): ഡാറ്റ വിശകലനം ചെയ്ത് ബുദ്ധിപരമായ തീരുമാനം കൈക്കൊള്ളാനുള്ള മെഷീൻ ലേണിങ്ങിന്റെ കഴിവ് പരക്കെ ഉപയോഗിക്കുന്നുണ്ട്. ഡാറ്റയുടെ സഹായത്തോടെ കൃത്യമായ സാധ്യത പ്രവചിക്കുന്നുവെന്നതാണ് ഇതിന്റെ അടിസ്ഥാനം. കുറ്റവാളികളെ കണ്ടെത്താനും ക്രെഡിറ്റ് കാർഡ് തട്ടിപ്പുകൾ കൈയോടെ പിടിക്കാനും ഇതിലൂടെ കഴിയും. ഇ കൊമേഴ്സ് രംഗവും ഇതിന്റെ സാധ്യതകൾ പ്രയോജനപ്പെടുത്തുന്നുണ്ട്. ഉപഭോക്താക്കളുടെ വാങ്ങൽ രീതികൾ വിശകലനം ചെയ്തു സാധനങ്ങൾ സ്റ്റോക്ക് ചെയ്യാനും മറ്റും സാധിക്കും. ഡിസിഷൻ ട്രീ, സപ്പോർട്ട് വെക്ടർ മെഷീൻ, ആർട്ടിഫിഷ്യൽ ന്യൂറൽ നെറ്റ് വർക്കുകൾ മുതലായവ ഈ മേഖലയിൽ വ്യാപകമായി ഉപയോഗിക്കുന്ന മെഷീൻ ലേണിങ് സങ്കേതങ്ങളാണ്. വ്യവസായങ്ങൾ, ബിസിനസ്സുകൾ, സർക്കാർ ഏജൻസികൾ, ഇ-കൊമേഴ്സ്, ടെലികമ്മ്യൂണിക്കേഷൻസ്, ബാങ്കിങ് ആന്റ് ഫിനാൻഷ്യൽ സർവീസ്, ആരോഗ്യമേഖല, സെയിൽസ് ആന്റ് മാർക്കറ്റിങ്, ഗതാഗതം, സാമൂഹിക മാധ്യമങ്ങൾ തുടങ്ങി എല്ലാ മേഖലകളും പ്രവർത്തനം മെച്ചപ്പെടുത്തുന്നതിനു വേണ്ടി ഇത് പ്രയോജനപ്പെടുത്തുന്നുണ്ട്.

സൈബർ സുരക്ഷ: സൈബർ സുരക്ഷ ഇന്നത്തെ ലോകത്ത് വളരെ പ്രധാനമായിരിക്കുന്നു. സൈബർ ആക്രമണങ്ങളിൽ നിന്ന് നെറ്റ് വർക്കുകൾ, കമ്പ്യൂട്ടറുകൾ, മറ്റ് ഉപകരണങ്ങൾ, ഡാറ്റ എന്നിവ സംരക്ഷിക്കേണ്ടതുണ്ട്. സൈബർ ആക്രമണ സാധ്യതകളെ കൃത്യമായി മനസ്സിലാക്കി തടയാൻ മെഷീൻ ലേണിങ് സാങ്കേതികവിദ്യയ്ക്ക് കഴിയും. ഡീപ് ലേണിങ് അടിസ്ഥാന സുരക്ഷാ മോഡലുകൾ, റൂൾ അടിസ്ഥാന സുരക്ഷാ മോഡലുകൾ എന്നിവ ചില ഉദാഹരണങ്ങളാണ്.

ഇന്റർനെറ്റ് ഓഫ് തിങ്സും സ്മാർട്ട് സിറ്റികളും നിത്യജീവിതത്തിൽ നാം ഉപയോഗിക്കുന്ന ഉപകരണങ്ങൾ ഉൾപ്പെടെയുള്ളവയെ സ്മാർട്ടാക്കി മാറ്റുന്ന വ്യവസായ മേഖലയാണ് ഇന്റർ നെറ്റ് ഓഫ് തിങ്സ്. ഇത്തരം ഉപകരണങ്ങൾ ഒരുപരിധി വരെ സ്വയം പ്രവർത്തിക്കുന്നവയാണ്. അതുകൊണ്ടുതന്നെ, നമ്മുടെ ജീവിതത്തെ മാറ്റിമറിക്കാൻ ഈ മേഖലയ്ക്ക് സാധിക്കും. ഇക്കൂട്ടത്തിലെ പ്രധാനപ്പെട്ട ആശയമാണ് സ്മാർട്ട് സിറ്റി, നഗരവാസികളുടെ ജീവിതവും അവർക്കു ലഭിക്കുന്ന സേവനങ്ങളും മെച്ചപ്പെടുത്തുകയാണ് സ്മാർട്ട് സിറ്റിയുടെ ലക്ഷ്യം. ഇന്റർനെറ്റ് ഓഫ് തിങ്സിന്റെ കാര്യക്ഷമമായ പ്രവർത്തനത്തിന് മെഷീൻ ലേണിങ് സങ്കേതങ്ങൾ ആവശ്യമാണ്. നഗരത്തിലെ ഗതഗാതം, പാർക്കിങ്, ഊർജ ഉപയോഗം മുതലായവയെക്കുറിച്ച് കൃത്യമായി മനസ്സിലാക്കാൻ മെഷീൻ ലേണിങ്ങിലൂടെ കഴിയും.

ഗതാഗതം: ഏതൊരു രാജ്യത്തിന്റെയും അഭിവൃദ്ധിയിൽ നിർണ്ണായക പങ്കുവഹിക്കുന്നതാണ് അവിടുത്തെ ഗതാഗത സംവിധാനങ്ങൾ, വാഹനപ്പെരുപ്പം കാരണം ഗതാഗതക്കുരുക്ക്, ഉയർന്ന ഇന്ധനവില, മലിനീകരണം, അപകടങ്ങൾ മുതലായ പ്രശ്നങ്ങൾ മിക്ക രാജ്യങ്ങളും അഭിമുഖീകരിക്കുന്നുണ്ട്. അതുകൊണ്ടുതന്നെ, ഭാവിയിൽ ഉണ്ടായേക്കാവുന്ന ഗതാഗതപ്രശ്നങ്ങൾ കൃത്യമായി മനസ്സിലാക്കുന്നത് ഏതൊരു സമൂഹത്തിന്റെയും മുന്നോട്ടുപോക്കിന് ആവശ്യമാണ്. ഇതിലൂടെ ഗതാഗതപ്രശ്നങ്ങൾ കഴിയുന്നത് ലഘൂകരിക്കാനാകും.

ആരോഗ്യമേഖല ആരോഗ്യ മേഖലയിൽ രോഗനിർണ്ണയം മുതലു ഉള്ള എല്ലാകാര്യങ്ങളിലും മെഷീൻ ലേണിങ്ങിന് കാര്യമായ സംഭാവന നൽകാനാകും. കൊറോണ വൈറസ് വ്യാപനത്തോട് അനുബന്ധിച്ച് ലോകം ഇതിന് സാക്ഷ്യം വഹിക്കുകയും ചെയ്തു. അപകടസാധ്യത കൂടിയ രോഗികളെ തിരിച്ചറിയാനും അവരിലെ മരണനിരക്ക് കൃത്യമായി കണക്കാക്കാനും മെഷീൻ ലേണിങ് സങ്കേതങ്ങൾ ഉപയോഗിച്ചിരുന്നു. വൈറസിന്റെ ഉറവിടം, രോഗവ്യാപന സാധ്യത, ചികിത്സ എന്നിവയിലും കൊറോണക്കാലത്ത് ആരോഗ്യപ്രവർത്തകർക്ക് സഹായിയായി മെഷീൻ ലേണിങ് ഉണ്ടായിരുന്നു.

ഓൺലൈൻ വ്യാപാരം: ഉപഭോക്താക്കൾക്ക് ഉൽപന്നങ്ങൾ ശിപാർശ ചെയ്യുന്നത് ഇ-കൊമേഴ്സ് വെബ്സൈറ്റുകളുടെ പ്രധാന സവിശേഷതയാണ്. ഇതിന് പിന്നിലും മെഷീൻ ലേണിങ് തന്നെ. ഉപഭോക്താക്കളുടെ വാങ്ങൽ ചരിത്രം പരിശോധിച്ചാണ് മെഷീൻ ലേണിങ് സങ്കേതങ്ങളുടെ സഹായത്തോടെ സൈറ്റുകൾ ഇത്തരം ശിപാർശകൾ ചെയ്യുന്നത്. പ്രെഡിക്ടീവ് മോഡലിങ്ങിന്റെ സഹായത്തോടെ സ്റ്റോക്ക് കൃത്യമായി കൈകാര്യം ചെയ്യാൻ കമ്പനികൾക്ക് കഴിയും. വ്യക്തിഗത ഷോപ്പിങ് അനുഭവം ഉപഭോക്താക്കൾക്ക് പ്രദാനം ചെയ്യാനും കമ്പനികൾ മെഷീൻ ലേണിങ് പ്രയോജനപ്പെടുത്തുന്നുണ്ട്.

നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിങ്: കമ്പ്യൂട്ടറിന്റെ സഹായത്തോടെ ഭാഷ (എഴുതിയതും സംസാരിച്ചതും) മനസ്സിലാക്കുന്നതിനെയാണ് നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിങ് എന്നുവിളിക്കുന്നത്. ഇതുവഴി കമ്പ്യൂട്ടറുകൾക്ക് വായിച്ചും കേട്ടും വൈകാരികതലം വരെ തിരിച്ചറിയാൻ സാധിക്കും. മെഷീൻ ലേണിങ് സങ്കേതങ്ങളാണ് ഇതിനായും ഉപയോഗിക്കുന്നത്. വെർച്വൽ പേഴ്സണൽ അസിസ്റ്റന്റ്, ചാറ്റ്ബോട്ട്, സ്പീച്ച് റെക്കഗ്നിഷൻ, ഡോക്യുമെന്റ് ഡിസ്ക്രിപ്ഷൻ, മെഷീൻ ട്രാൻസ്ലേഷൻ മുതലായവ ഉദാഹരണങ്ങളാണ്. ബ്ലോഗുകൾ, നിരൂപണങ്ങൾ, സാമൂഹിക മാധ്യമങ്ങൾ എന്നിവയിൽ വരുന്ന കാഴ്ചപ്പാടുകളിൽ നിന്ന് പൊതുവികാരം മനസ്സിലാക്കുന്നതിനുള്ള നാച്ചുറൽ ലാംബേജ് പ്രോസസ്സിങ്ങിന്റെ ഉപമേഖലയാണ് വൈകാരിക വിശകലനം അഥവാ സെന്റിമെന്റ് അനാലിസിസ്. കമ്പനികൾ അവരുടെ ഉൽപന്നങ്ങളെയും സേവനങ്ങളെയും കുറിച്ചുള്ള പൊതുജനങ്ങളുടെ കാഴ്ചപ്പാട് മനസ്സിലാക്കാൻ ഇത് ഉപയോഗിക്കുന്നുണ്ട്.

ഇമേജ്, സ്പീച്ച് ആന്റ് പാറ്റേൺ റെക്കഗ്നിഷൻ: വസ്തുക്കളെ ഡിജിറ്റൽ ഇമേജായി മനസ്സിലാക്കാനുള്ള കഴിവിനെയാണ് ഇമേജ് റെകഗ്നിഷൻ എന്നു പറയുന്നത്. എക്സ്-റേ പരിശോധിച്ച് കാൻസർ സാധ്യത കണ്ടെത്തുക, ഫോട്ടോയിൽ മുഖം കൃത്യമായി അടയാളപ്പെടുത്തുക മുതലായവ ഉദാഹരണങ്ങളാണ്. ഇന്റർനെറ്റിൽ വോയിസ് സെർച്ച് ചെയ്യുമ്പോൾ നാം പ്രയോജനപ്പെടുത്തുന്നത് സ്പീച്ച് റെക്കഗ്നിഷനാണ്. ഗൂഗിൾ അസിസ്റ്റന്റ്, കോർട്ടാന, സിരി, അലക്സ മുതലായവ ഇതുപയോഗിച്ചാണ് പ്രവർത്തിക്കുന്നത്. പാറ്റേണുകളും ഡാറ്റയിലെ കൃത്യതയും മനസ്സിലാക്കുന്നതിനാണ് പാറ്റേൺ റെക്കഗ്നിഷൻ ഉപയോഗിക്കുന്നത്. ക്ലാസ്സിഫിക്കേഷൻ, ഫീച്ചർ സെലക്ഷൻ, ക്ലസ്റ്ററിങ്, സ്വീക്വൻസ് ലേബലിങ് മുതലായ മെഷീൻ ലേണിങ് സങ്കേതങ്ങൾ ഈ രംഗത്ത് പ്രയോജനപ്പെടുത്തുന്നുണ്ട്.

സുസ്ഥിര കൃഷി വികസനം: മനുഷ്യന്റെ നിലനിൽപ് കൃഷിയിലാണെന്ന് പറയാം. സുസ്ഥിര കൃഷി വികസന മാതൃകകളിലൂടെ ഉൽപാദനം മെച്ചപ്പെടുത്താനും പ്രകൃതിക്കുണ്ടാകുന്ന ദോഷങ്ങൾ പരമാവധി കുറയ്ക്കാനും കഴിയും. ഇതിന് ഏറ്റവുമധികം സഹായിക്കുന്നത് മെഷീൻ ലേണിങ് ഉൾപ്പെടെയുള്ള പുത്തൻ സാങ്കേതികവിദ്യകളാണ്. കൃഷിയിടം ഒരുക്കൽ, മണ്ണിന്റെ സ്വഭാവം, ജലത്തിന്റെ ആവശ്യകത, വിളവ് സംബന്ധിച്ച പ്രവചനം, കാലാവസ്ഥാ പ്രവചനം, രോഗസാധ്യതാ പ്രവചനം, കള നശിപ്പിക്കൽ, മണ്ണിന്റെ പോഷകാംശം നിലനിർത്തൽ, ഉൽപന്നങ്ങളുടെ ആവശ്യകത മനസ്സിലാക്കുക, കാര്യക്ഷമമായ വിതരണം എന്നിവയ്ക്ക് മെഷീൻ ലേണിങ് ഉപയോഗിക്കാൻ കഴിയും.
സ്മാർട്ട്ഫോൺ ആപ്ലിക്കേഷനുകൾ: മെഷീൻ ലേണിങ് മൊബൈൽ അപ്ലിക്കേഷൻ ഡെവലപ്മെന്റ് മാറ്റിമറിച്ചുകഴിഞ്ഞു. ചുറ്റുപാടുകൾ മനസ്സിലാക്കി മാറാൻ കഴിയുന്ന കണ്ടന്റ് അവയർനെസ് സിസ്റ്റം പോലുള്ള മെഷീൻ ലേണിങ് സങ്കേതങ്ങൾ ഈ മേഖലയിൽ വരുത്തിയ മാറ്റം വലുതാണ്. ഉപയോക്താവിന്റെ ഇഷ്ടാനിഷ്ടങ്ങൾ മനസ്സിലാക്കാൻ കഴിയുന്ന സ്മാർട്ട് ആപ്പുകൾ ഇതിന്റെ ഉദാഹരണമാണ്.

മെഷീൻ ലേണിങ്ങിന്റെ ഭാവി ശോഭനമാണ്. ഈ മേഖലയിലെ പുതിയ പഠനങ്ങളും പുതിയ ആപ്ലിക്കേഷനുകളും അത് ഉറപ്പുവരുത്തുന്നു. നമ്മുടെ ദൈനംദിന ജീവിതത്തിലും മെഷീൻ ലേണിങ്ങിന്റെ സ്വാധീനം വരുംനാളുകളിൽ വർധിക്കും. സാങ്കേതികവിദ്യയിലെ മുന്നേറ്റം, ഡാറ്റാ ലഭ്യതയിലെ വർധന, യന്ത്രങ്ങളുടെ പ്രവർത്തനങ്ങളിൽ മനുഷ്യ മേൽനോട്ടം കുറയ്ക്കേണ്ടത് ആവശ്യമായി വരുക എന്നിവയായിരിക്കും മെഷീൻ ലേണിങ്ങിന്റെ വളർച്ചയെ മുന്നോട്ട് നയിക്കുന്നത്. മെഷീനുകൾ കൂടുതൽ ബുദ്ധിവൈഭവം നേടുന്നതോടെ അവയ്ക്ക് മനുഷ്യർക്കൊപ്പം പ്രവർത്തിക്കാൻ കഴിയും. യന്ത്രങ്ങൾ സാധാരണ ജോലികളും ധാരാളം ഡാറ്റ അടിസ്ഥാനമാക്കിയുള്ള കാര്യങ്ങളും ചെയ്യുമ്പോൾ മനുഷ്യർക്ക് കുടൂൽ വൈദഗ്ധ്യം ആവശ്യമുള്ള പ്രവർത്തനങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാനാകും.

ഉപയോക്താക്കൾക്ക് വ്യക്ത്യധിഷ്ഠിത അനുഭവം പ്രദാനം ചെയ്യാൻ മെഷീൻ ലേണിങ് സഹായിക്കും. ഉൽപന്നങ്ങളുടെയും സേവനങ്ങളുടെയും കാര്യത്തിൽ ഇത് ഒരുപോലെ ഫലപ്രദമാണ്. കൂടുതൽ സങ്കീർണ്ണമായ ആവശ്യങ്ങൾക്ക് മെഷീൻ ലേണിങ് ഉപയോഗിക്കുമ്പോൾ സത്യസന്ധത, സുതാര്യത, സ്വകാര്യത തുടങ്ങിയ നൈതികപ്രശ്നങ്ങൾ കൂടി കണക്കിലെടുക്കേണ്ടിവരും.

മെഷീൻ ലേണിങ്ങിന്റെ വികാസവഴികൾ

യന്ത്രങ്ങൾ പാഠം പഠിച്ചു തുടങ്ങിയതിന്റെ നാള്‍വഴികള്‍ വായിക്കാം

1642-ൽ കൂട്ടാനും കുറയ്ക്കാനും ഗുണിക്കാനും ഹരിക്കാനും കഴിയുന്ന യന്ത്രം ബെയ്സി പാസ്കൽ കണ്ടുപിടിച്ചു.

1642

കണക്കു കൂട്ടുന്ന യന്ത്രം

1679-ൽ ഗോഡ്ഫ്രൈഡ് വിൽഹെം ലെബിനിസ് ബൈനറി കോഡ് സിസ്റ്റം വികസിപ്പിച്ചെടുത്തു.

1679

ബൈനറി കോഡ് സിസ്റ്റം

1679-ൽ ഗോഡ്ഫ്രൈഡ് വിൽഹെം ലെബിനിസ് ബൈനറി കോഡ് സിസ്റ്റം വികസിപ്പിച്ചെടുത്തു.

1834-ൽ പഞ്ച് ചെയ്ത കാർഡുകൾ ഉപയോഗിച്ച് പ്രോഗ്രാം ചെയ്യാവുന്ന ഉപകരണം എന്ന ആശയം ചാൾസ് ബാബേജ് ആവിഷ്കരിച്ചു.

1834

പഞ്ച് കാർഡുകൾ

1842-ൽ ചാൾസ് ബാബേജിന്റെ പഞ്ച് കാർഡ് മെഷീന്റെ സഹായത്തോടെ ഗണിതശാസ്ത്ര പ്രശ്നത്തിന് ഉത്തരം കണ്ടെത്തുന്നതിനുള്ള പടിപടിയായ പ്രവർത്തനം അഡാലസ് വിശദീകരിച്ചു. അതുവഴി, ആദ്യ പ്രോഗ്രാമർ എന്ന ഖ്യാതി സ്വന്തമാക്കുകയും ചെയ്തു.

1842

ആദ്യ പ്രോഗ്രാമർ

1847-ൽ ജോർജ് ബൂളി ബൂളിയൻ ലോജിക്കിന് രൂപം നൽകി. ഏത് മൂല്യവും ശരി അല്ലെങ്കിൽ തെറ്റ് എന്നതിലേക്ക് ചുരുക്കാൻ കഴിയുമെന്നതായിരുന്നു ബൂളിയൻ ലോജിക്കിന്റെ സവിശേഷത

1847

ബൂളിയൻ ലോജിക്ക്

1936-ൽ ഒരു കൂട്ടം നിർദേശങ്ങൾ മനസ്സിലാക്കാനും അതനുസരിച്ച് പ്രവർത്തിക്കാനും കഴിയുന്ന യന്ത്രമെന്ന ആശയം അലൻ ടൂറിങ് പങ്കുവച്ചു. ഇതുമായി ബന്ധപ്പെട്ട് അദ്ദേഹം പ്രസിദ്ധീകരിച്ച പഠനം കമ്പ്യൂട്ടർ സയൻസിന്റെ അടിസ്ഥാനമായി വിലയിരുത്തപ്പെടുന്നു.

1936

അലൻ ടൂറിങിന്റെ പഠനം

1952-ൽ ആർതർ സാമുവൽ ഐ ബി എം കമ്പ്യൂട്ടറുകൾക്കായി പ്രോഗ്രാം തയ്യാറാക്കി.

1959

കമ്പ്യൂട്ടറുകൾക്കായി പ്രോഗ്രാം

1952-ൽ ആർതർ സാമുവൽ ഐ ബി എം കമ്പ്യൂട്ടറുകൾക്കായി പ്രോഗ്രാം തയ്യാറാക്കി.

1959-ൽ ആർതർ സാമുവൽ മെഷീൻ ലേണിങ് എന്ന വാക്ക് ആദ്യമായി ഉപയോഗിച്ചു.

1959

മെഷീൻ ലേണിങ്

1959-ൽ ആർതർ സാമുവൽ മെഷീൻ ലേണിങ് എന്ന വാക്ക് ആദ്യമായി ഉപയോഗിച്ചു.

1959-ൽ ആദ്യത്തെ കൃത്രിമ ന്യൂറൽ നെറ്റ് വർക്ക് MADALINE പ്രയോഗത്തിൽ വന്നു. ടെലിഫോൺ ലൈനുകളിലെ പ്രതിധ്വനി ഒഴിവാക്കുന്നതിനായാണ് ഇത് ഉപയോഗിച്ചത്.

1959

കൃത്രിമ ന്യൂറൽ നെറ്റ് വർക്ക്

1985-ൽ ടെറി സെജിനോവ്സ്കിയുടെയും ചാൾസ് റോസ്ബെർഗിന്റെയും (Terry Sejnowski’s and Charles Rosenberg’s ) കൃത്രിമ ന്യൂറൽ നെറ്റ് വർക്ക് ഒരാഴ്ച കൊണ്ട് 20000 വാക്കുകൾ കൃത്യമായി ഉച്ചരിക്കാൻ പഠിച്ചു.

1985

വാക്കുകൾ ഉച്ചരിക്കുന്നു

1997-ൽ ഐ ബി എമ്മിന്റെ ഡീപ് ബ്ലൂ ലോക ചെസ് ചാമ്പ്യൻ ഗാരി കാസ് പറോവിനെ പരാജയപ്പെടുത്തി.

1997

ഡീപ് ബ്ലൂ ലോക ചെസ് ചാമ്പ്യൻ

1999-ൽ CAD (Computer-aided diagnosis) പ്രോട്ടോടൈപ്പ് അടിസ്ഥാന വർക്ക്സ്റ്റേഷൻ 22000 മാമോഗ്രാമുകൾ പരിശോധിക്കുകയും ഡോക്ടറെക്കാൾ കൃത്യതയോടെ കാൻസർ കണ്ടെത്തുകയും ചെയ്തു.

1999

കാൻസർ നിർണ്ണയം

2006-ൽ ന്യൂറൽ നെറ്റ് ഗവേഷണം വിശദീകരിക്കുന്നതിനായി കമ്പ്യൂട്ടർ സയന്റിസ്റ്റ് Geoffrey Hinton ഡീപ് ലേണിങ് എന്ന പദം ആദ്യമായി ഉപയോഗിച്ചു.

2006

ഡീപ് ലേണിങ്

2012-ൽ ഗൂഗിൾ വികസിപ്പിച്ചെടുത്ത ന്യൂറൽ നെറ്റ് വർക്ക് മനുഷ്യ മേൽനോട്ടമില്ലാതെ 74.8 ശതമാനം കൃത്യതയോടെ യുട്യൂബ് വീഡിയോകളിലെ പൂച്ചകളെ തിരിച്ചറിഞ്ഞു.

2012

പൂച്ചകളെ തിരിച്ചറിയുന്നു

2014-ൽ ചാറ്റ്ബോട്ട് ടൂറിങ് ടെസ്റ്റ് വിജയിച്ചു. 33 ശതമാനം വിധികർത്താക്കളെ താൻ ഉക്രൈൻകാരനായ കൗമാരക്കാരൻ യൂജിൻ ഗുസ്റ്റമാൻ ആണെന്ന് ബോധ്യപ്പെടുത്തിയായിരുന്നു ചാറ്റ്ബോട്ടിന്റെ ഈ നേട്ടം.

2014

ചാറ്റ്ബോട്ട് ടൂറിങ് ടെസ്റ്റ്

2014-ൽ ലോകത്തിലെ ഏറ്റവും പ്രയാസകരമായ ബോർഡ് ഗെയിമായ ഗോ-യിലെ ചാമ്പ്യനെ ഗൂഗിളിന്റെ ആൽഫാഗോ പരാജയപ്പെടുത്തി.

2014

ആൽഫാഗോ വിജയി

2016-ൽ ഡീപ്മെൻഡിന്റെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംവിധാനമായ ലിറ്റ് വീഡിയോകളിലെ വ്യക്തികളുടെ ചുണ്ടുകളുടെ അനക്കം വിലയിരുത്തി 93.4 ശതമാനം കൃത്യതയോടെ വാക്കുകൾ തിരിച്ചറിഞ്ഞു.

2016

ചുണ്ടുനക്കവും വാക്കുകളും

2019-ൽ അമേരിക്കയിലെ വെർച്വൽ അസിസ്റ്റിന്റെ വിപണിയുടെ 70 ശതമാനം ആമസോൺ നിയന്ത്രിക്കുന്നു.

2019

വെർച്വൽ അസിസ്റ്റന്റ്

2022 നവംബർ 30-ന് ചാറ്റ് ജി പി ടി അവതരിപ്പിച്ചു. സാൻഫ്രാൻസിസ്കോ ആസ്ഥാനനായ ഡാൽ ഇ-2-വും വിസ്പർ എ ഐ-യുമാണ് ചാറ്റ് ജി പി ടിക്ക് പിന്നിൽ. ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ എന്നറിയപ്പെടുന്ന നാചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിങ് മാതൃകകളിലെ മറ്റൊരു മുന്നേറ്റമാണ് ചാറ്റ് ജി പി ടി.