𝟱 ബുദ്ധിശക്തിയുടെ ഘടനയിൽ നിന്നുള്ള പാഠങ്ങൾ

ബുദ്ധിശക്തി എന്നത് എല്ലായിടത്തും തിരയുന്നതിനെക്കുറിച്ചല്ല. എവിടെ തിരയാതിരിക്കണം എന്ന് അറിയുന്നതിനെക്കുറിച്ചാണ്.

AI എന്നത് ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ (large language models) മാത്രമാണെന്ന് പലരും കരുതുന്നു. എന്നാൽ അനിശ്ചിതത്വങ്ങൾക്കിടയിൽ സിസ്റ്റങ്ങൾ എങ്ങനെ തീരുമാനങ്ങൾ എടുക്കുന്നു എന്നതിലാണ് ബുദ്ധിശക്തിയുടെ കാതൽ അടങ്ങിയിരിക്കുന്നത്.

ബുദ്ധിശക്തിയുടെ ഘടനയിൽ നിന്നുള്ള 5 പാഠങ്ങൾ ഇതാ:

    1. സങ്കീർണ്ണത കുറയ്ക്കാൻ ഹ്യൂറിസ്റ്റിക്സ് (Heuristics) ഉപയോഗിക്കുക BFS അല്ലെങ്കിൽ DFS പോലുള്ള ബ്ലൈൻഡ് സെർച്ച് അൽഗോരിതങ്ങൾ എല്ലാ ഓപ്ഷനുകളും പരിശോധിക്കുന്നു. ഇത് സമയം പാഴാക്കുന്നു. ഒരു എഞ്ചിൻ പരാജയപ്പെടുമ്പോൾ പൈലറ്റ് എല്ലാ സ്വിച്ചുകളും പരിശോധിക്കാറില്ല. പകരം ഇന്ധന പ്രവാഹം അല്ലെങ്കിൽ മർദ്ദം പോലുള്ള പ്രത്യേക സൂചനകൾ അവർ ഉപയോഗിക്കുന്നു. AI-യിൽ നമ്മൾ ഒരു ഹ്യൂറിസ്റ്റിക്സ് ഉപയോഗിക്കുന്നു. ഒരു ഹ്യൂറിസ്റ്റിക്സ് എന്നത് അറിവോടെയുള്ള ഒരു ഏകദേശ കണക്കുകൂട്ടലാണ്. അസാധ്യമായ വഴികൾ സമയം പാഴാക്കുന്നതിന് മുമ്പ് തന്നെ ഒഴിവാക്കാൻ ഇത് നിങ്ങളെ സഹായിക്കുന്നു.
    1. A* ഉപയോഗിച്ച് ഭൂതകാലത്തെയും ഭാവികാലത്തെയും സന്തുലിതമാക്കുക ഗ്രീഡി സെർച്ച് (Greedy search) ലക്ഷ്യത്തിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഇത് വേഗതയുള്ളതാണ് എന്നാൽ പലപ്പോഴും പരാജയപ്പെടുകയും ചെയ്യുന്നു. യൂണിഫോം കോസ്റ്റ് സെർച്ച് (Uniform Cost Search) നിങ്ങൾ ഇതിനകം ചിലവഴിച്ച കാര്യങ്ങളിൽ മാത്രം ശ്രദ്ധിക്കുന്നു. ഇത് സുരക്ഷിതമാണ് എന്നാൽ സാവധാനത്തിലുള്ളതുമാണ്. A* അൽഗോരിതം ഇവ രണ്ടിനെയും സംയോജിപ്പിക്കുന്നു. ഇത് ഇതിനകം സഞ്ചരിച്ച ചിലവും ഇനി ബാക്കിയുള്ള ഏകദേശ ചിലവും കണക്കിലെടുക്കുന്നു. ഈ സന്തുലിതാവസ്ഥ കൂടുതൽ മികച്ച തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നു.
    1. നിയന്ത്രണങ്ങളിലൂടെ (Constraints) പ്രശ്നങ്ങൾ പരിഹരിക്കുക എല്ലാ പ്രശ്നങ്ങളും ഒരു പാത പോലെയല്ല. ചില പ്രശ്നങ്ങൾ നിയമങ്ങൾ പാലിക്കുന്നതിനെക്കുറിച്ചുള്ളതാണ്. ഇവയെ കൺസ്ട്രയിന്റ് സാറ്റിസ്ഫാക്ഷൻ പ്രോബ്ലംസ് (Constraint Satisfaction Problems) എന്ന് വിളിക്കുന്നു. സുഡോകു (Sudoku) ഉദാഹരണമായി എടുക്കുക. അതിൽ വേരിയബിളുകളും, അനുവദനീയമായ മൂല്യങ്ങളും, നിയമങ്ങളുമുണ്ട്. നിങ്ങൾ എല്ലാ നിയമങ്ങളും ഒരേസമയം പാലിക്കണം. അസാധ്യമായ പാതകൾ ഉടൻ തന്നെ ഉപേക്ഷിക്കാൻ ബുദ്ധിപരമായ സിസ്റ്റങ്ങൾ ബാക്ക്‌ട്രാക്കിംഗ് (backtracking) ഉപയോഗിക്കുന്നു. ഇത് അനാവശ്യമായ ജോലികൾ ഒഴിവാക്കാൻ സഹായിക്കുന്നു.
    1. പ്രതീക്ഷിച്ച പ്രകടനം ലക്ഷ്യമിടുക ഒരു റേഷണൽ ഏജന്റ് (rational agent) പൂർണ്ണതയ്ക്കായി ശ്രമിക്കുന്നില്ല. തനിക്ക് അറിയാവുന്ന കാര്യങ്ങളുടെ അടിസ്ഥാനത്തിൽ ഏറ്റവും മികച്ച തീരുമാനം എടുക്കാൻ അത് ശ്രമിക്കുന്നു. നമ്മൾ ഇത് PEAS ഉപയോഗിച്ച് അളക്കുന്നു: • Performance: വിജയം എങ്ങനെ അളക്കുന്നു • Environment: ഏജന്റ് ജീവിക്കുന്ന ലോകം • Actuators: ഏജന്റ് എങ്ങനെ പ്രവർത്തിക്കുന്നു • Sensors: ഏജന്റ് എങ്ങനെ കാര്യങ്ങൾ ഗ്രഹിക്കുന്നു
    1. ലോജിക്കും ലേണിംഗും സംയോജിപ്പിക്കുക സിംബോളിക് AI (Symbolic AI) യുക്തിസഹവും സുതാര്യവുമാണ് എന്നാൽ അത് അസ്ഥിരവുമാണ് (brittle). ജനറേറ്റീവ് AI (Generative AI) വഴക്കമുള്ളതും സർഗ്ഗാത്മകവുമാണ് എന്നാൽ അത് ഒരു ബ്ലാക്ക് ബോക്സ് പോലെ പ്രവർത്തിക്കുന്നു. ഇവ രണ്ടും ചെയ്യുന്ന സിസ്റ്റങ്ങളിലേക്കാണ് ഭാവി. പാറ്റേണുകൾക്കായി അവ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും (neural networks) ലോജിക്കിനായി സിംബോളിക് റീസണിംഗും (symbolic reasoning) ഉപയോഗിക്കണം.

ഏറ്റവും വലിയ പാഠം ഇതാണ്: ശരിതത്വം നഷ്ടപ്പെടുത്താതെ സങ്കീർണ്ണത കുറയ്ക്കുന്ന കലയാണ് ബുദ്ധിശക്തി.

എല്ലാത്തിനെയും തിരയുന്നത് നിർത്തുക. പ്രസക്തമായവ മാത്രം തിരയാൻ തുടങ്ങുക.

Source: https://dev.to/wolfof420street/beyond-blind-search-5-powerful-lessons-from-the-architecture-of-intelligence-21ma

Optional learning community: https://t.me/GyaanSetuAi