‘डीप लर्निंग’ हा ‘मशिन लर्निंग’चा एक उपप्रकार मानला जातो. कृत्रिम बुद्धिमत्तेच्या विश्वात हा सगळ्यात क्लिष्ट; पण सगळ्यात मोठ्या प्रमाणावर चर्चेत असलेला विषय मानला जातो. प्रचंड मोठ्या प्रमाणावर माहितीचे साठे असूनही त्यांचा वापर सुयोग्यपणे करण्यावर या संकल्पनेचा भर असतो.
माहितीच्या साठ्यामध्ये पुन्हापुन्हा आढळतील अशा गोष्टी म्हणजेच ‘पॅटर्न्स’ हुडकणं, माहितीच्या तुकड्यांचा एकमेकांशी संबंध जोडणं, या सगळ्यात अर्थ लावणं ही ‘डीप लर्निंग’ची प्रमुख कामं असतात. साहजिकच प्रचंड माहिती आणि त्या माहितीच्या ढिगावर काम करण्यासाठी विलक्षण मोठे सॉफ्टवेअर प्रोग्रॅम्स अशी कुमक ‘डीप लर्निंग’च्या मदतीला असते. माणसाच्या बोलण्याचा अर्थ लावणं, चित्रं आणि चलतचित्रं समजून घेणं, हलत्या वाहनांचा अंदाज घेणं अशा अनेक कामांसाठी हे तंत्रज्ञान सध्या वापरलं जातं. उदाहरणार्थ फेसबुकच्या वेबसाईटवर भाषांतर करण्यासाठी हे तंत्रज्ञान वापरलं जातं.
अर्थातच या सगळ्या तंत्रज्ञानाचं काम व्यवस्थितपणे चालवायचं असेल तर त्यासाठी आपल्याला प्रचंड मोठ्या प्रमाणात उपलब्ध असलेल्या माहितीच्या साठ्यांचा ढिगारा उपसावा लागणार. मुळात ही माहिती व्यवस्थितपणे संगणकांमध्ये साठवावी लागणार. नंतर त्यातून हवी असलेली माहिती नेमकेपणानं शोधून ती आपल्याला मिळवावी लागणार. त्यातून आपल्याला हवे असलेले निष्कर्ष काढावे लागणार.
यामध्ये ‘न्यूरल नेटवर्क्स’ नावाच्या संकल्पनेचा मोठा वाटा आहे. ती मानवी मेंदूच्या रचनेवर आणि कामावर आधारलेली आहे. सर्वसामान्यपणे माणसाच्या मेंदूमध्ये १०,००० कोटी ‘न्यूरॉन्स’ असतात. ढोबळमानानं न्यूरॉन म्हणजे संदेशवाहक असं म्हटलं जातं. वरकरणी न्यूरॉन आणि संगणक यांचा काहीच परस्परसंबंध नाही. मात्र १९४३ सालच्या आपल्या एका शोधनिबंधात शिकागो विद्यापीठात संशोधन करणाऱ्या वॉरन मॅक्कुलो आणि वॉल्टर पिट्स यांनी कृत्रिमरित्या तयार केलेल्या न्यूरॉन्सद्वारे खऱ्याखुऱ्या मानवी न्यूरॉन्ससारखं काम करून घेणं शक्य असल्याचं मत मांडलं.
यामागचं कारण म्हणजे जसं संगणकात ०-१ ची किंवा ‘हो-नाही’ची भाषा असते तसंच कुठलाही न्यूरॉन एक तर संदेशवहन करत असतो किंवा तो शांत असतो. म्हणजेच संगणकाच्या जशा दोनच अवस्था असतात तशाच न्यूरॉन्सच्याही दोनच अवस्था असू शकतात. हे साधर्म्य वापरून संगणकांनाही मानवी मेंदूतल्या न्यूरॉन्ससारखं काम करायला शिकवता येईल का हा या शोधनिबंधाचा गाभा होता. अशा कृत्रिम न्यूरॉन्सना एकमेकांशी जोडून त्यांचं जाळं उभं करण्याविषयीच्या संकल्पनाही यातून उभ्या राहिल्या.
‘डीप लर्निंग’मध्ये एकावर एक असे न्यूरल नेटवर्क्सचे अनेक थर असतात. तसंच प्रत्येक कृत्रिम न्यूरॉनची किंमत फक्त ० (नाही) किंवा १ (हो) एवढीच न ठेवता त्यांच्या अधल्या-मधल्या किमतीसुद्धा चालतील असं ठरलं. म्हणजे समजा एका उदाहरणात न्यूरॉनची किंमत ० म्हणजे ‘सूर्यप्रकाश नाही’ आणि १ म्हणजे ‘स्वच्छ सूर्यप्रकाश आहे’ असा अर्थ लावला तरी आता याच्या अधल्या-मधल्या किमतीसुद्धा चालतात. उदाहरणार्थ न्यूरॉनची किंमत ०.२५ म्हणजे अगदी कमी सूर्यप्रकाश आहे, तसंच ०.९० म्हणजे अगदी किंचित ढगाळ हवा आहे अशा सगळ्या छटा असू शकतात.
तसंच निरनिराळ्या न्यूरॉन्सना वेगवेगळं महत्त्व दिलं जातं. ज्या न्यूरॉनचं जितकं महत्त्व त्यानुसार त्या न्यूरॉनच्या मताला तितकंच जास्त वजन अशी यामागची धारणा असते. सर्वसाधारण न्यूरॉनचं महत्त्व १ असेल तर जास्त महत्त्व असलेल्या न्यूरॉनचं महत्त्व कदाचित २ असेल आणि त्याहूनही जास्त महत्त्व असलेल्या न्यूरॉनचं महत्त्व कदाचित ५ ही असेल. तसंच कमी महत्त्व असलेल्या न्यूरॉनचं महत्त्व .७५ किंवा .३० एवढंही असू शकेल. जितकं प्रत्येक न्यूरॉनचं महत्त्व तितकीच महत्त्वाची तो न्यूरॉन पाठवत असलेली माहिती; असं समीकरण ठरवलं जातं.
उदाहरणार्थ समजा एखाद्या न्यूरॉनचं महत्त्व २.५ असेल आणि त्यानं आत्ता सूर्यप्रकाश आहे का या प्रश्नाचं उत्तर .६२ असं दिलं असेल तर त्याचं उत्तर .६२ असं न धरता .६२ गुणिले २.५ म्हणजे १.५५ असं धरलं जाऊ शकतं. याउलट समजा एखाद्या न्यूरॉनचं महत्त्व ०.४५ असेल आणि त्यानंही आत्ता सूर्यप्रकाश आहे का या प्रश्नाचं उत्तर .६२ असंच दिलं असेल तर त्याचं उत्तर .६२ असं न धरता .६२ गुणिले .४५ म्हणजे ०.२७९ असं धरलं जाऊ शकतं!
वाहनचालकांना खूप उपयुक्त ठरू शकेल अशा किंवा पूर्णपणे स्वयंचलित गाड्यांच्या अद्भुुत दुनियेमध्ये डीप लर्निंगचा मोठा वाटा असतो. त्याविषयी पुढच्या वेळी.
akahate@gmail.com
