सर्वसाधारणपणे आपण जे शिकत असू तेव्हा त्यावेळच्या परिस्थितीसारख्या वेळी आधी काय घडलं होतं हे आठवतो. त्यानुसार आपण काही ठोकताळे आपल्या मनाशी पक्के करतो. या ठोकताळ्यांनुसार आपण ठरावीक निर्णय घेतला किंवा कृती केली तर काय घडू शकतो, याविषयीचा अंदाज बांधू शकतो किंवा त्याविषयीचं भाकित करू शकतो. उदाहरणार्थ ‘आज पाऊस पडेल का?’ हे ठरवण्यासाठी कदाचित असं काहीसं घडेल: गेल्या आठवड्यात भरपूर पाऊस पडला असल्याचं आपल्याला आठवेल, तसंच आपण सध्या असलेल्या ठिकाणी वारंवार पाऊस पडतो हेसुद्धा आपल्या ध्यानात येईल आणि या दोन गोष्टींवरून आज पाऊस पडण्याचा अंदाज आपण व्यक्त करू. आपला हा अंदाज खरा ठरेल अथवा नाही, हे अर्थातच सांगता येत नाही. मुद्दा तो नाही. निदान आपण काही अंदाज तरी बांधू शकलो, हे महत्त्वाचं आहे.
आपल्या दैनंदिन आयुष्यामधलं आणखी एक उदाहरण घेऊ. आपला एक मित्र आपल्याला व्हॉट्सअॅपवर भरपूर संदेश पाठवत असतो; पण त्यामधले अनेक संदेश ‘फॉरवर्ड’ केलेले असतात. म्हणजेच आपण ज्यांना कचरा (‘स्पॅम’) प्रकारातले संदेश म्हणतो अशा प्रकारचे ते संदेश असतात. आज, म्हणजे गुरुवारी आपल्याला त्याच्याकडून आज आणखी एक संदेश आला आहे आणि तो खरोखर कामाचा संदेश आहे का बिनकामाचा आहे, हे आपल्याला ठरवायचं आहे. या मित्राकडून आलेल्या गेल्या १० संदेशांपैकी ४ बिनकामाचे (स्पॅम) असल्याचं आपल्या लक्षात असल्यामुळे आपण आपला पहिला नियम ठरवून टाकला: त्याच्याकडून आलेल्या संदेशांपैकी दर १० मधले ४ संदेश बिनकामाचे असतात. या नियमाला एआयच्या भाषेत ‘मॉडेल’ म्हणतात. त्याच्या आधारे आपण आपल्या मित्राचा संदेश बिनकामाचा आहे अथवा नाही, याविषयी भाष्य करू शकतो. म्हणजेच हा नवा संदेश बिनकामाचा असण्याची शक्यता ४० टक्के तर तो उपयुक्त असण्याची शक्यता ६० टक्के झाली. या नियमानुसार हा संदेश उपयुक्त असण्याची शक्यता तो बिनकामी असण्याच्या शक्यतेपेक्षा जास्त असल्यामुळे आपण तो उपयुक्त असल्याचा निष्कर्ष काढू शकतो. अर्थातच आपलं हे भाकित चुकीचं असण्याची शक्यताही नाकारता येत नाही. अशा वेळी काय करायचं?
आपलं अंदाज बांधण्यासंबंधीचं ‘मॉडेल’ आणखी अचूक करण्यासाठी आपण आपल्या नियमांमध्ये आणखी भर घालू शकतो. त्यासाठी आपला मित्र कुठल्या दिवशी कोणत्या प्रकारचे संदेश पाठवतो याचा थोडा अभ्यास केल्यावर आपल्या लक्षात एक महत्त्वाची गोष्ट आली असं समजू – कामाच्या दिवशी त्यानं पाठवलेले संदेश उपयुक्त असतात; पण शनिवार-रविवार या सुटीच्या दिवशी त्यानं पाठवलेले संदेश बिनकामाचे असतात. यामुळे पहिल्या नियमाच्या जोडीला आपण दुसरा एक नियम वापरू शकतो – शनिवार-रविवार या दिवशी आपल्या मित्रानं पाठवलेले संदेश बिनकामाचे असतात; पण उरलेल्या दिवशीचे संदेश मात्र उपयुक्त असतात. तिसरं म्हणजे जर या मित्राकडून आलेल्या संदेशात चित्र, फोटो, व्हिडीओ असं काही असेल तर हा संदेश बिनकामाचा असतो. म्हणजे आपल्याकडे तिसरा नियम आला: जर संदेशात असं काही असेल तर तो बिनकामाचा असतो. मशीन लर्निंगचं तंत्रज्ञान अशा प्रकारे माहितीतून असे नियम शोधून काढू शकतं किंवा आपण त्याला हे नियम स्वत:च सांगू शकतो. आपण या उदाहरणात ज्याप्रमाणे आपल्या मित्राकडून आलेला संदेश उपयुक्त आहे अथवा बिनकामाचा आहे, याविषयीचा अंदाज बांधू शकू त्याच धर्तीवर मशीन लर्निंगसुद्धा काम करतं. फरक इतकाच, की आपल्या मेंदूमध्ये हे नियम तयार होणं आणि ते पक्के होणं याऐवजी ही प्रक्रिया आता संगणकामध्ये होते. म्हणूनच संगणक हे शिकत असतो आणि त्याला आपण ‘मशिन लर्निंग’ असं म्हणतो.
एआयच्या तंत्रज्ञानाच्या मुळाशी मशीन लर्निंगची संकल्पना असते. म्हणजेच आपण आधी संगणकांना ‘कसं शिकायचं?’ हे शिकवावं लागतं. त्यानंतर ते कृत्रिमरित्या माणसाच्या बुद्धिमत्तेसारखी हुशारी दाखवायचा प्रयत्न करतात आणि त्यातून एआयचा आविष्कार साकारला जातो. म्हणूनच मशीन लर्निंगविषयी आणखी थोडं पुढच्या वेळी!
akahate@gmail. Com
