How does artificial intelligence learn? - Briana Brownell

Translator: Young Translators Reviewer: Hari Ranganadhan

Today, artificial intelligence helps doctors diagnose patients,

இன்று, செயற்கை நுண்ணறிவு (AI) மருத்துவர்களுக்கு நோய்களை கண்டறியவும்,

pilots fly commercial aircraft, and city planners predict traffic.

விமானிகள் வணிக விமானங்களை ஓட்டவும்,

நகர திட்டமிடுபவர்கள் போக்குவரத்தை கணிக்கவும் உதவுகிறது

But no matter what these AIs are doing, the computer scientists who designed them

ஆனால் இந்த AIகள் என்ன செய்தாலும், அவற்றை வடிவமைத்த கணினி விஞ்ஞானிகளுக்கு

அவை அதை எவ்வாறு செய்கிறது என்பது முழுமையாக தெரிவதில்லை.

likely don’t know exactly how they’re doing it.

ஏனென்றால், செயற்கை நுண்ணறிவு பெரும்பாலும் சுயமாக கற்பிக்கப்பட்டு,

This is because artificial intelligence is often self-taught,

working off a simple set of instructions

எளிய வழிமுறைகளில் ஆரம்பித்து

பல தனித்துவமான விதிகள் மற்றும் உத்திகளை உருவாக்குகிறது.

to create a unique array of rules and strategies.

So how exactly does a machine learn?

ஒரு இயந்திரம் எவ்வாறு கற்றுக்கொள்கிறது?

There are many different ways to build self-teaching programs.

சுய-கற்பிக்கும் மென்பொருளை உருவாக்க பல்வேறு வழிகள் உள்ளன.

But they all rely on the three basic types of machine learning:

ஆனால் அவை அனைத்தும் இயந்திரக் கற்றலின் மூன்று அடிப்படை வகைகளை நம்பியுள்ளன:

மேற்பார்வையில்லாத கற்றல், மேற்பார்வையிட்ட கற்றல் மற்றும் வலுவூட்டல் கற்றல்.

unsupervised learning, supervised learning, and reinforcement learning.

இவை செயல்பாட்டில் காண,

To see these in action,

let’s imagine researchers are trying to pull information

ஆயிரக்கணக்கான நோயாளிகளின் மருத்துவத் தரவுகளின் தொகுப்பிலிருந்து

from a set of medical data containing thousands of patient profiles.

தகவலைப் பெற ஆராய்ச்சியாளர்கள் முயற்சி செய்கிறார்கள் என்று கற்பனை செய்யவும்.

முதலில், மேற்பார்வை செய்யப்படாத கற்றல்.

First up, unsupervised learning.

இந்த அணுகுமுறை பொதுவான ஒற்றுமைகள் மற்றும் பயனுள்ள வடிவங்கள் மூலம்

This approach would be ideal for analyzing all the profiles

to find general similarities and useful patterns.

அனைத்து சுயவிவரங்களையும் பகுப்பாய்வு செய்வதற்கு சிறந்ததாக இருக்கும்.

சில நோயாளிகளுக்கு இதே போன்ற நோய் வெளிப்பாடுகள் இருக்கலாம்

Maybe certain patients have similar disease presentations,

or perhaps a treatment produces specific sets of side effects.

அல்லது ஒரு சிகிச்சையானது குறிப்பிட்ட பக்க விளைவுகளை உருவாக்கலாம்.

This broad pattern-seeking approach can be used to identify similarities

இந்த அணுகுமுறை, மனித வழிகாட்டுதல் இல்லாமல் நோயாளியின் சுயவிவரங்களுக்குள்ள

ஒற்றுமையையும் வளர்ந்து வரும் வடிவங்களைக்

between patient profiles and find emerging patterns,

கண்டறியவும் பயன்படுத்தப்படலாம்.

all without human guidance.

But let's imagine doctors are looking for something more specific.

மருத்துவர்கள் குறிப்பிட்ட ஒன்றைத் தேடுகிறார்கள் என்போம்.

இந்த மருத்துவர்கள் ஒரு குறிப்பிட்ட நிலையை

These physicians want to create an algorithm

for diagnosing a particular condition.

கண்டறிவதற்கான வழிமுறையை உருவாக்க விரும்புகிறார்கள்.

They begin by collecting two sets of data—

அவர்கள் இரண்டு தரவு தொகுப்புகளை சேகரிக்கிறார்கள் -

medical images and test results from both healthy patients

மருத்துவ சோதனை முடிவுகளை ஆரோக்கியமானவர்களிடம் இருந்தும்

மற்றும் நோயாளிகளிடம் இருந்தும்.

and those diagnosed with the condition.

Then, they input this data into a program

பின்னர், நோயாளிகளால் பகிரப்பட்ட அம்சங்களைக்

கண்டறிய வடிவமைக்கப்பட்ட ஒருமென்பொருளில்

designed to identify features shared by the sick patients

இந்தத் தரவை உள்ளிடுகிறார்கள், ஆனால் ஆரோக்கியமான நோயாளிகள் தரவை அல்ல.

but not the healthy patients.

Based on how frequently it sees certain features,

சில அம்சங்களை எவ்வளவு அடிக்கடி பார்க்கிறது என்பதன் அடிப்படையில்,

the program will assign values to those features’ diagnostic significance,

அந்த அம்சங்களின் கண்டறியும் முக்கியத்துவத்திற்கு மதிப்புகளை ஒதுக்கி,

generating an algorithm for diagnosing future patients.

எதிர்கால நோயாளிகளைக் கண்டறிவதற்கான வழிமுறையை மென்பொருள் உருவாக்கும்.

However, unlike unsupervised learning,

இருப்பினும், மேற்பார்வை செய்யப்படாத கற்றல் போலல்லாமல்,

doctors and computer scientists have an active role in what happens next.

மருத்துவர்கள் மற்றும் கணினி விஞ்ஞானிகள் அடுத்து நடப்பதில் பங்கேற்க்க வேண்டும்.

Doctors will make the final diagnosis

மருத்துவர்கள் இறுதி நோயறிதலைச் செய்து,

and check the accuracy of the algorithm’s prediction.

வழிமுறையின் கணிப்பு துல்லியத்தை சரிபார்ப்பார்கள்.

Then computer scientists can use the updated datasets

பின் கணினி விஞ்ஞானிகள் புதுப்பிக்கப்பட்ட தரவுத் தொகுப்புகளைப் பயன்படுத்தி

to adjust the program’s parameters and improve its accuracy.

நிரலின் அளவுருக்களை சரிசெய்து அதன் துல்லியத்தை மேம்படுத்தலாம்.

This hands-on approach is called supervised learning.

இந்த நேரடி அணுகுமுறை மேற்பார்வை கற்றல் என்று அழைக்கப்படுகிறது.

Now, let’s say these doctors want to design another algorithm

அடுத்து, ​​மருத்துவர்கள் சிகிச்சை திட்டங்களை பரிந்துரைக்க

to recommend treatment plans.

புது வழிமுறையை வடிவமைக்க விரும்புகிறார்கள் என வைத்துக்கொள்வோம்.

Since these plans will be implemented in stages,

இந்தத் திட்டங்கள் நிலைகளில் செயல்படுத்தப்படும் என்பதாலும்,

and they may change depending on each individual's response to treatments,

சிகிச்சைகளுக்கு ஒவ்வொருவரின் பதிலைப் பொறுத்தும் அவை மாறக்கூடும் என்பதால்,

the doctors decide to use reinforcement learning.

வலுவூட்டல் கற்றலைப் பயன்படுத்த மருத்துவர்கள் முடிவு செய்கிறார்கள்.

This program uses an iterative approach to gather feedback

இத்திட்டம் எந்த மருந்துகள்,அளவுகள் மற்றும் சிகிச்சைகள் மிகவும் பயனுள்ளதாக இருக்கும்

about which medications, dosages and treatments are most effective.

என்பதைப் பற்றிய கருத்துக்களை சேகரிக்க சுழற்சி அணுகுமுறையைப் பயன்படுத்துகிறது.

Then, it compares that data against each patient’s profile

பின் ஒவ்வொரு நோயாளியின் சுயவிவரத்திற்கும் எதிராக தரவை ஒப்பிட்டு

to create their unique, optimal treatment plan.

அவர்களின் தனிப்பட்ட, உகந்த சிகிச்சைத் திட்டத்தை உருவாக்குகிறது.

As the treatments progress and the program receives more feedback,

சிகிச்சைகள் முன்னேறி, மென்பொருள் அதிக கருத்துக்களைப் பெறும்போது,

it can constantly update the plan for each patient.

ஒவ்வொரு நோயாளிக்கும் திட்டத்தைத் தொடர்ந்து புதுப்பிக்க முடியும்.

None of these three techniques are inherently smarter than any other.

இந்த மூன்று நுட்பங்களில் எவையும் மற்றவற்றை விட சிறந்தவை அல்ல.

While some require more or less human intervention,

சிலருக்கு அதிகமாகவோ குறைவாகவோ தலையீடு தேவைப்பட்டாலும்,

they all have their own strengths and weaknesses

அனைத்தும் சொந்த பலம் மற்றும் பலவீனங்களைக் கொண்டு,

which makes them best suited for certain tasks.

சில பணிகளுக்கு பொருத்தமானவையாக இருக்கும்.

However, by using them together,

அவற்றை ஒன்றாகப் பயன்படுத்துவதன் மூலம்,

researchers can build complex AI systems,

ஆராய்ச்சியாளர்கள் சிக்கலான AI அமைப்புகளை உருவாக்க முடியும்,

where individual programs can supervise and teach each other.

அங்கு தனிப்பட்ட திட்டங்கள் ஒன்றுக்கொன்று மேற்பார்வையிடவும் கற்பிக்கவும் முடியும்.

For example, when our unsupervised learning program

எடுத்துக்காட்டாக, நம் மேற்பார்வை செய்யப்படாத கற்றல் மென்பொருள்

finds groups of patients that are similar,

ஒத்த நோயாளிகளின் குழுக்களைக் கண்டறியும் போது, அந்தத் தரவை

it could send that data to a connected supervised learning program.

இணைக்கப்பட்ட மேற்பார்வையிடப்பட்ட கற்றல் மென்பொருளுக்கு அனுப்பலாம்.

That program could then incorporate this information into its predictions.

அந்த மென்பொருள் இந்த தகவலை அதன் கணிப்புகளில் இணைக்கலாம்.

Or perhaps dozens of reinforcement learning programs

அல்லது ஒருவேளை பல வலுவூட்டல் கற்றல் மென்பொருள்கள்

might simulate potential patient outcomes

வெவ்வேறு சிகிச்சை திட்டங்களைப் பற்றிய கருத்துக்களை சேகரிக்க

to collect feedback about different treatment plans.

சாத்தியமான நோயாளி விளைவுகளை உருவகப்படுத்தலாம்.

There are numerous ways to create these machine-learning systems,

இந்த இயந்திர கற்றல் அமைப்புகளை உருவாக்க பல வழிகள் உள்ளன,

and perhaps the most promising models

மேலும் மூளையில் உள்ள நியூரான்களுக்கு இடையிலான உறவைப் பிரதிபலிக்கும்

are those that mimic the relationship between neurons in the brain.

மாதிரிகள் மிகவும் நம்பிக்கைக்குரிய மாதிரிகள்.

These artificial neural networks can use millions of connections

இந்த செயற்கை நரம்பியல் நெட்வொர்க்குகள் படத்தை அடையாளம் காணுதல், பேச்சு அங்கீகாரம்

to tackle difficult tasks like image recognition, speech recognition,

மற்றும் மொழி மொழிபெயர்ப்பு போன்ற கடினமான பணிகளைச் சமாளிக்க

and even language translation.

மில்லியன் கணக்கான இணைப்புகளைப் பயன்படுத்தலாம்.

However, the more self-directed these models become,

இருப்பினும், இந்த மாதிரிகள் எவ்வளவு சுயமாக இயக்கப்படுகிறதோ, அந்த அளவுக்கு

the harder it is for computer scientists

இந்த சுய-கற்பித்த வழிமுறைகள் அவற்றின் தீர்வை அடையும் என்பதை

to determine how these self-taught algorithms arrive at their solution.

கணினி விஞ்ஞானிகள் தீர்மானிப்பது கடினம்.

Researchers are already looking at ways to make machine learning more transparent.

இயந்திரக் கற்றலை வெளிப்படையானதாக மாற்றும் வழிகளை ஆராய்ச்சியாளர்கள் பார்க்கின்றனர்.

But as AI becomes more involved in our everyday lives,

ஆனால் நமது அன்றாட வாழ்வில் AI அதிக ஈடுபாடு கொண்டுள்ளதால்,

these enigmatic decisions have increasingly large impacts

இந்த புதிரான முடிவுகள் நமது வேலை, உடல்நலம் மற்றும் பாதுகாப்பு ஆகியவற்றில்

on our work, health, and safety.

பெருகிய முறையில் பெரிய தாக்கங்களை ஏற்படுத்துகின்றன.

So as machines continue learning to investigate, negotiate and communicate,

எனவே இயந்திரங்கள் விசாரணை, பேரம் பேசுதல் மற்றும் தொடர்புகொள்வதைத் தொடர்ந்து

கற்றுக்கொள்வதால்,ஒன்றுக்கொன்று நெறிமுறையாக செயல்பட கற்றுக்கொடுக்க வேண்டும்.

we must also consider how to teach them to teach each other to operate ethically.