Deep Learning-இன் பெருவெடிப்பு (Big Bang)

ஒவ்வொரு துறையிலும் ஒரு திருப்புமுனை இருக்கும். Deep Learning-ஐப் பொறுத்தவரை, அந்த ஆண்டு 2012 ஆகும்.

2012-க்கு முன்பு, Computer Vision துறை பெரும் சவால்களைச் சந்தித்தது. ஆராய்ச்சியாளர்கள் அமைப்புகளைச் சோதிக்க ImageNet எனப்படும் தரவுத்தளத்தைப் பயன்படுத்தினர். 1,000 வெவ்வேறு வகைகளாகப் படங்களை வகைப்படுத்துவதே இதன் இலக்காக இருந்தது.

பல ஆண்டுகளாக, பிழை விகிதம் (error rate) சுமார் 25% ஆக இருந்தது. முன்னேற்றம் தடைபட்டது. எப்படி முன்னேறுவது என்று யாருக்கும் தெரியவில்லை.

பின்னர், Alex Krizhevsky தலைமையிலான ஒரு குழு இந்த விளையாட்டின் போக்கையே மாற்றியது. அவர்கள் Convolutional Neural Network (CNN)-ஐப் பயன்படுத்தினர்.

ஒரு படம் எப்படி இருக்க வேண்டும் என்பதற்கான விதிகளை மனிதர்கள் எழுதுவதற்குப் பதிலாக, இந்த நெட்வொர்க் நேரடியாக பிக்சல்களிலிருந்து (pixels) கற்றுக்கொண்டது.

இதன் முடிவுகள் பிரம்மாண்டமாக இருந்தன. ஒரே ஆண்டில் அவர்கள் பிழை விகிதத்தை கிட்டத்தட்ட பாதியாகக் குறைத்தனர்.

இந்த மாற்றம் அனைத்தையும் மாற்றியமைத்தது. இது AI-யை ஆராய்ச்சி ஆய்வகங்களிலிருந்து நிஜ உலகிற்கு கொண்டு வந்தது.

இதன் தாக்கம் வேகமாகப் பரவியது:

• Netflix சிறந்த பரிந்துரைகளுக்காக இதைப் பயன்படுத்தியது.
• Siemens மற்றும் GE மருத்துவ இமேஜிங்கிற்கு (medical imaging) இதைப் பயன்படுத்தின.
• கார் தயாரிப்பாளர்கள் தானியங்கி ஓட்டுதலுக்கு (autonomous driving) இதைப் பயன்படுத்தினர்.
• Google மற்றும் Apple போன்ற தொழில்நுட்ப ஜாம்பவான்கள் இதைத் தங்கள் ஒவ்வொரு தயாரிப்பிலும் இணைத்தனர்.

இந்த வெற்றி வன்பொருளை (hardware) நம்பியிருந்தது. இந்த நெட்வொர்க்குகளைப் பயிற்றுவிக்கப் பெருமளவிலான கணிதத் தேவை உள்ளது. வீடியோ கேம்களுக்காக உருவாக்கப்பட்ட GPUs, இந்த கணிதத்திற்குப் பொருத்தமானவை என்று நிரூபிக்கப்பட்டது. இது NVIDIA-வின் எழுச்சிக்கு வழிவகுத்தது.

ஆனால் நினைவில் கொள்ளுங்கள், சந்தை போக்குகள் சிக்கலானவை. NVIDIA-வின் வளர்ச்சியானது கிரிப்டோ மைனிங் (crypto mining) எழுச்சியுடனும் தொடர்புடையது. சந்தை மாற்றத்திற்கு ஒரு காரணத்தை மட்டுமே காரணமாகக் கருத வேண்டாம்.

Deep Learning விளையாட்டுகளையும் வென்றது.

சதுரங்க விளையாட்டு (Chess) brute force முறையில் தீர்க்கப்பட்டது. ஆனால் Go விளையாட்டு வேறுபட்டது. Go விளையாட்டில் சாத்தியமான நகர்வுகள் எந்தவொரு கணினியாலும் எண்ண முடியாத அளவிற்கு அதிகம். 2016-ல், AlphaGo மனித உதவியின்றி Deep Learning மூலம் வியூகங்களைக் கற்றுக்கொள்ள முடியும் என்பதை நிரூபித்தது. அது தனக்குத் தானே விளையாடுவதன் மூலம் கற்றுக்கொண்டது.

பாடம் எளிமையானது.

பழைய முறைகள் தோல்வியடைந்தன, ஏனெனில் மனிதர்கள் விதிகளைத் தாங்களாகவே குறியீடாக (hand-code) எழுத வேண்டியிருந்தது. நாம் ஒரு எல்லையை அடைந்தோம். ஆனால் Deep Learning அந்த எல்லையை உடைத்தது, ஏனெனில் அமைப்புகள் இப்போது மூலத் தரவுகளிலிருந்து (raw data) அவற்றின் சொந்த முறைகளைத் தாங்களாகவே கற்றுக்கொள்கின்றன.

இந்தத் தொடரில், எனது Deep Learning பாடக் குறிப்புகளை நான் விரிவாக விளக்குவேன். இந்த நெட்வொர்க்குகள் உண்மையில் எவ்வாறு செயல்படுகின்றன என்பதை நாம் பார்ப்போம்.

அடுத்து, ஒரு நெட்வொர்க் கற்றுக்கொள்ளும்போது அதன் உள்ளே என்ன நடக்கிறது என்பதை நான் விளக்குவேன்.

Source: https://dev.to/fahimu10/the-big-bang-of-deep-learning-how-2012-changed-everything-3lb3

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