ബയോളജി എങ്ങനെയാണ് AI-യുടെ അടിസ്ഥാനമായി മാറിയത്
AI സങ്കീർണ്ണമായി തോന്നാം. ട്രാൻസ്ഫോർമറുകൾ (transformers), ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ (large language models) തുടങ്ങിയ വാക്കുകൾ നിങ്ങൾ ദിവസവും കേൾക്കുന്നുണ്ടാകും.
ഇതിന്റെ അടിസ്ഥാന ആശയം ലളിതമാണ്. ഇത് തുടങ്ങുന്നത് ആർട്ടിഫിഷ്യൽ ന്യൂറോണിൽ (artificial neuron) നിന്നാണ്.
ബയോളജി ഇതിന് പ്രചോദനമായി. ഒരു ബയോളജിക്കൽ ന്യൂറോൺ മൂന്ന് ഘട്ടങ്ങളിലായാണ് പ്രവർത്തിക്കുന്നത്:
- ഡെൻഡ്രൈറ്റുകൾ (Dendrites) സിഗ്നലുകൾ സ്വീകരിക്കുന്നു.
- സെൽ ബോഡി അവയെ പ്രോസസ്സ് ചെയ്യുന്നു.
- ആക്സോൺ (axon) ഒരു ഇംപൾസ് മുന്നോട്ട് അയക്കുന്നു.
ആർട്ടിഫിഷ്യൽ ന്യൂറോണുകൾ ഇതേ കാര്യം ചെയ്യാൻ ഗണിതം ഉപയോഗിക്കുന്നു. അവ ബയോളജിക്കൽ സിഗ്നലുകൾ ഉപയോഗിക്കുന്നില്ല, പകരം സംഖ്യകൾ ഉപയോഗിക്കുന്നു.
ഒരു ആർട്ടിഫിഷ്യൽ ന്യൂറോൺ എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത് എന്ന് നോക്കാം:
- ഇത് സംഖ്യാപരമായ ഇൻപുട്ടുകൾ (numerical inputs) സ്വീകരിക്കുന്നു.
- ഓരോ ഇൻപുട്ടിനെയും ഒരു വെയ്റ്റ് (weight) കൊണ്ട് ഗുണിക്കുന്നു.
- വെയ്റ്റ് ചെയ്ത ഇൻപുട്ടുകളെല്ലാം കൂട്ടിയിണക്കുന്നു.
- ഒരു ബയാസ് (bias) ചേർക്കുന്നു.
- ഫലം ഒരു ആക്ടിവേഷൻ ഫംഗ്ഷനിലൂടെ (activation function) കടത്തിവിടുന്നു.
ഇതിന്റെ ഫോർമുല ഇപ്രകാരമാണ്:
z = w1*x1 + w2*x2 + ... + wn*xn + b
ആക്ടിവേഷൻ ഫംഗ്ഷൻ വളരെ നിർണ്ണായകമാണ്. ഇതില്ലാതെ, നെറ്റ്വർക്കിന് ലീനിയർ പ്രശ്നങ്ങൾ (linear problems) മാത്രമേ പരിഹരിക്കാൻ കഴിയൂ. സങ്കീർണ്ണമായ പാറ്റേണുകൾ പഠിക്കാൻ ആക്ടിവേഷൻ ഫംഗ്ഷനുകൾ നെറ്റ്വർക്കിനെ സഹായിക്കുന്നു.
സിഗ്മോയിഡ് ഫംഗ്ഷൻ (sigmoid function) ഇതിനൊരു ഉദാഹരണമാണ്. ഇത് 0-നും 1-നും ഇടയിലുള്ള ഒരു മൂല്യം നൽകുന്നു. ന്യൂറോണിന് അതിന്റെ ഔട്ട്പുട്ടിനോടുള്ള ആത്മവിശ്വാസം എത്രത്തോളമുണ്ടെന്ന് ഈ മൂല്യം കാണിക്കുന്നു.
ഈ ലോജിക് ഉപയോഗിച്ച ആദ്യകാല മോഡലുകളിൽ ഒന്നായിരുന്നു പെർസെപ്ട്രോൺ (perceptron). ഇന്ന്, AI സിസ്റ്റങ്ങൾ ഇത്തരം കോടിക്കണക്കിന് കണക്ഷനുകൾ ഉപയോഗിക്കുന്നു.
ചെറിയ ഗണിത യൂണിറ്റുകൾ വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുകയും സിഗ്നലുകൾ മുന്നോട്ട് കൈമാറുകയും ചെയ്യുന്നത് കൊണ്ടാണ് ആധുനിക AI പ്രവർത്തിക്കുന്നത്.
AI-യുടെ അടിസ്ഥാനം ഗണിതമാണ്. ആ ഗണിതത്തിനുള്ള പ്രചോദനം ബയോളജിയാണ്.
Source: https://dev.to/khasky/how-biology-became-the-foundation-of-artificial-intelligence-2427
Optional learning community: https://t.me/GyaanSetuAi