कृत्रिम प्रज्ञेच्या प्रांगणात : मशीन लर्निंगचे प्रकार

मशीन लर्निंगच्या मूलभूत संकल्पनेमध्ये आपण संगणकामध्ये निर्णय घेण्याची क्षमता निर्माण करतो. यामुळे संगणक आता भाकितं करू शकतो. अर्थातच आपण जितके अचूक नियम आणि जितकी अचूक माहिती संगणकाला पुरवू तितकी त्याची मशीन लर्निंगच्या संदर्भातली क्षमता जास्त चांगली ठरते. मशीन लर्निंगची संकल्पना एआयच्या केंद्रस्थानी असल्यामुळे आपल्याला त्याविषयी जरा आणखी खोलात जाऊन विचार करणं गरजेचं आहे. आज अनेक ठिकाणी जेव्हा एआयचा वापर करून आपण प्रत्यक्षातले काही प्रश्न सोडवल्याचं ऐकतो तेव्हा बरेचदा तिथे मशीन लर्निंग वापरलेलं असतं. म्हणजेच वरवर आपल्याला इथे एआय वापरलं असल्याचं दिसत असलं तरी प्रत्यक्षातलं तंत्रज्ञान मशीन लर्निंगचं असतं.

मशीन लर्निंगचे दोन मुख्य प्रकार असतात: ‘सुपरव्हाइज्ड’ आणि ‘अनसुपरव्हाइज्ड’. हे शब्द वरवर क्लिष्ट वाटत असले तरी त्यांचा अर्थ खरं म्हणजे सोपा आहे. जर आपण मशीन लर्निंगच्या तंत्रज्ञानाला नुसतेच प्रश्न पुरवले आणि त्याचं त्यालाच त्यांची उत्तरं शोधायला सांगितलं तर त्याला आपण ‘अनसुपरव्हाइज्ड’ म्हणतो. याउलट जर आपण या तंत्रज्ञानाला प्रश्नांसोबत त्यांची उत्तरंही पुरवली तर त्याला ‘सुपरव्हाइज्ड’ म्हणतात. याचं एक सोपं उदाहरण घेऊ. समजा आपल्याला मशीन लर्निंगचा वापर करून आज पाऊस पडणार आहे अथवा नाही हे ठरवायचं असेल तर त्यासाठी दोन मार्ग असू शकतात. पहिला मार्ग म्हणजे गेले काही दिवस/महिने/वर्षं तापमान कसं होतं, ढगांची परिस्थिती कशी होती, वारे कसे वाहत होते अशा प्रकारची शक्य तितकी माहिती पुरवायची आणि त्याच्या जोडीला त्या दिवशी पाऊस पडला का नाही, हेसुद्धा सांगायचं. म्हणजेच आपण प्रश्नांसोबत प्रश्नांची उत्तरंही मशीन लर्निंगच्या तंत्रज्ञानाला पुरवली. अर्थातच हे ‘सुपरव्हाइज्ड’ प्रकारात मोडणारं मशीन लर्निंग झालं. याउलट समजा आपण मशीन लर्निंगच्या तंत्रज्ञानाला तापमान, ढगांची स्थिती, वारे वगैरे सगळी माहिती पुरवली; पण त्या दिवशी पाऊस पडला का नाही हे मात्र सांगितलं नाही. हा प्रकार ‘अनसुपरव्हाइज्ड’ मशीन लर्निंगचा झाला.

यातून एक प्रश्न आपल्याला पडेल. ‘सुपरव्हाइज्ड’ मशीन लर्निंगचं तर ठीक आहे. याचं कारण म्हणजे संबंधित दिवशी पाऊस पडला अथवा नाही ही माहिती आपण या तंत्रज्ञानाला पुरवत असल्यामुळे नेमक्या कोणत्या परिस्थितीत पाऊस पडतो आणि कोणत्या दिवशी तो पडत नाही, हे त्या तंत्रज्ञानाला आपण सांगत आहोत. म्हणजेच त्याला आज पाऊस पडेल अथवा नाही, हे ठरवण्यासाठी आवश्यक असलेली उपयुक्त माहिती मिळालेली असल्यामुळे तो हा अंदाज बांधू शकेल. याउलट ‘अनसुपरव्हाइज्ड’ मशीन लर्निंगमध्ये मात्र आपण नेमका कोणत्या दिवशी पाऊस आला किंवा नाही, याविषयीची माहिती पुरवत नसल्यामुळे हा अंदाज हे तंत्रज्ञान कसं बांधणार? याचं उत्तर म्हणजे ‘अनसुपरव्हाइज्ड’ मशीन लर्निंगमध्ये आपण या तंत्रज्ञानालाच निरनिराळ्या दिवशी नेमकं काय घडलं असावं याविषयीचा अंदाज बांधायला सांगतो. म्हणजेच पाऊस पडलेले दिवस आणि पाऊस न पडलेले दिवस अशी विभागणी या तंत्रज्ञानानंच करणं अपेक्षित असतं. उदाहरणार्थ ज्या दिवशी तापमान जास्त असेल, ऊन असेल, पावसाळ्याचा हंगाम नसेल अशा दिवशी बहुतेक वेळा पाऊस पडलेला नसेल आणि उरलेल्या दिवशी पाऊस पडलेला असेल; ही माहिती आपण या तंत्रज्ञानाला न पुरवताच तो सगळ्या दिवसांची विभागणी ‘पावसाचे दिवस’ आणि ‘कोरडे दिवस’ अशा विभागांमध्ये करून टाकेल. आपण आजच्या हवामानाची माहिती पुरवताच आजचा दिवस या दोनपैकी नेमक्या कोणत्या विभागांमध्ये जाईल याचा अंदाज हे तंत्रज्ञान बांधेल आणि त्यानुसार आजच्या पावसाविषयीचं भाकित करण्याचा प्रयत्न करेल.

मशीन लर्निंगची संकल्पना एआयमधल्या इतर असंख्य संकल्पनांप्रमाणेच गणिती आणि संख्याशास्त्रीय संकल्पनांवर आधारलेली असते. उदाहरणार्थ संख्याशास्त्रामध्ये थॉमस बेज नावाच्या संख्याशास्त्रज्ञानं अमुक घडल्यावर तमुक घडण्याची शक्यता किती असते; अशांसारख्या प्रश्नांची नेमकी उत्तरं मिळवण्यासाठी एक प्रमेय मांडलं. त्याला ‘बेज थिरम’ म्हणून ओळखलं जातं. याच प्रमेयाचा वापर करून मशीन लर्निंगमध्ये ‘नाइव्ह बेज थिरम’ नावाची संकल्पना वापरली जाते. त्याद्वारे आपल्याला कुठलीही गोष्ट घडण्याची शक्यता किती आहे याचं उत्तर मिळवता येतं. उदाहरणार्थ क्रेडिट कार्ड वापरून केलेला एखादा व्यवहार म्हणजे आर्थिक घोटाळा असू शकेल का तो अगदी रास्त आणि योग्य व्यवहार आहे, याविषयीचा अंदाज हे प्रमेय आपल्याला सांगतं. साहजिकच प्रत्यक्ष व्यवहारात त्याचं अनन्यसाधारण महत्त्व आहे.

मशीन लर्निंगशिवाय आज जगभरातल्या कोट्यवधी निर्णयांचं पानसुद्धा हलू शकणार नाही, हेच खरं!

akahate@gmail.com