ન્યુરલ નેટવર્ક્સ સાથે કૃત્રિમ બુદ્ધિનો વિકાસ થાય છે, શું તે વધુ માનવ જેવી બની શકે છે?

આ બ્લોગ પોસ્ટમાં, આપણે ન્યુરલ નેટવર્ક લર્નિંગની વિભાવના, તે કેવી રીતે કાર્ય કરે છે અને શું AI માટે માણસોની જેમ વિચારવું શક્ય છે કે કેમ તે વિશે ચર્ચા કરીશું.

2016 માં, એક ઘટના બની જેણે ઘણા લોકોને ચોંકાવી દીધા. ગુગલના ડીપમાઇન્ડ દ્વારા વિકસાવવામાં આવેલ કૃત્રિમ બુદ્ધિ ગો પ્રોગ્રામ, આલ્ફા ગો, એ દક્ષિણ કોરિયન વ્યાવસાયિક ગો ખેલાડી લી સેડોલને પાંચ-ગેમ મેચમાં હરાવ્યો, 4 માંથી 5 રમતો જીતી. આ ઘટનાએ સમાજમાં કૃત્રિમ બુદ્ધિમત્તામાં રસનો ઉછાળો જગાડ્યો. તે જ સમયે, એક ડિસ્ટોપિયન વિશ્વની શક્યતા વિશે ચિંતાઓ વધવા લાગી જ્યાં મશીનો મનુષ્યો પર પ્રભુત્વ ધરાવે છે, જે ઘણી નવલકથાઓ અને ફિલ્મોનો વિષય રહ્યો છે, તે વધવા લાગી.
AlphaGo એ કમ્પ્યુટર વિજ્ઞાનની શાખા, મશીન લર્નિંગના સિદ્ધાંત પર આધારિત પ્રોગ્રામ છે. મશીન લર્નિંગ એ વિચાર છે કે પ્રોગ્રામ્સ સ્પષ્ટ પ્રોગ્રામિંગ પર આધાર રાખ્યા વિના ચોક્કસ કાર્યો કરવાનું શીખી શકે છે. આ અભિગમ વિવિધ ક્ષેત્રોમાં જરૂરી હોઈ શકે છે. ઉદાહરણ તરીકે, દસ્તાવેજોને વિષયોમાં વર્ગીકૃત કરવા, શેરબજારના વલણોની આગાહી કરવા અથવા લાયસન્સ પ્લેટ પરના નંબરો ઓળખવા જેવા કાર્યો તેમના લક્ષ્યોને હાંસલ કરવા માટે લેવામાં આવતા પગલાંના ક્રમને સ્પષ્ટપણે ઓળખવા અને ઔપચારિક બનાવવા હંમેશા સરળ હોતા નથી.
વર્ષોથી, મશીન લર્નિંગ થિયરી પર આધારિત વિવિધ પદ્ધતિઓ ઘડવામાં આવી છે અને તેનો ઉપયોગ કરવામાં આવ્યો છે. વૈજ્ઞાનિકો સતત મશીન લર્નિંગ થિયરીનો ઉપયોગ કરીને કૃત્રિમ બુદ્ધિ વિકસાવવા માટે પ્રયાસ કરી રહ્યા છે જે મનુષ્યની સમાન અથવા વધુ બુદ્ધિ ધરાવે છે. ઘણા પ્રયત્નો કરવામાં આવ્યા છે, પરંતુ હજુ સુધી, તેઓ ખૂબ સફળ થયા નથી. જો કે, તાજેતરની પ્રગતિ નાટ્યાત્મક રહી છે, જેમ કે AlphaGo ઉદાહરણ દ્વારા પુરાવા મળે છે. આની પાછળનો વિચાર ન્યુરલ નેટવર્ક લર્નિંગ નામનો કોન્સેપ્ટ છે.
ન્યુરલ નેટવર્ક લર્નિંગને સમજવા માટે, આપણે પહેલા માનવ મગજની રચના જોવાની જરૂર છે. કારણ કે ન્યુરલ નેટવર્ક લર્નિંગ એ માનવ મગજનું મોડેલિંગ કરીને સમસ્યાઓ ઉકેલવાનો એક અભિગમ છે.
માનવ મગજ ન્યુરોન્સ નામના નાના એકમોથી બનેલું છે. માનવ મગજમાં લગભગ 100 અબજ ચેતાકોષો છે, અને તેઓ નેટવર્ક બનાવવા માટે જટિલ રીતે જોડાયેલા છે. દરેક ચેતાકોષ અન્ય ચેતાકોષો પાસેથી માહિતી મેળવવા અને તેની પ્રક્રિયા કરવા અને તે માહિતી અન્ય ચેતાકોષોને પરત મોકલવા માટે જવાબદાર છે.
ચેતાકોષો ડેંડ્રાઇટ્સ, કોષ શરીર અને ચેતાક્ષથી બનેલા હોય છે. ડેંડ્રાઇટ્સ એ ભાગ છે જે પડોશી ચેતાકોષો પાસેથી માહિતી મેળવે છે. તેઓ શાખાઓ જેવા આકારના હોય છે, તેથી તેઓ એક જ સમયે અનેક ચેતાકોષોમાંથી માહિતી મેળવી શકે છે. કોષ શરીર આ માહિતીને એકીકૃત કરવા અને પ્રક્રિયા કરવા માટે જવાબદાર છે. ચેતાક્ષ એક પાતળી નળી છે જે કોષ શરીરમાંથી પ્રક્રિયા કરેલી માહિતીને પડોશી ચેતાકોષોમાં પ્રસારિત કરે છે. ચેતાકોષમાં થતી માહિતી ટ્રાન્સફર પ્રક્રિયા બધી વિદ્યુત છે.
ચેતાકોષો સીધા સંપર્ક વિના પડોશી ચેતાકોષો સાથે ક્રિયાપ્રતિક્રિયા કરે છે, પરંતુ તેમની વચ્ચે થોડી જગ્યા ધરાવે છે, જેને સિનેપ્સ કહેવામાં આવે છે. ચેતોપાગમ સમયે, માહિતી ચેતાપ્રેષકો દ્વારા રાસાયણિક રીતે પ્રસારિત થાય છે. જ્યારે વિદ્યુત સંકેત ચેતા કોષમાં ચેતાક્ષના અંત સુધી પહોંચે છે, ત્યારે ચેતાપ્રેષકો ચેતોપાગમમાં મુક્ત થાય છે. પછી પડોશી ચેતા કોષો ચેતાપ્રેષકો દ્વારા ઉત્તેજિત થાય છે, અને વિદ્યુત સંકેત ડેંડ્રાઈટની ટોચ પરથી ચેતાક્ષ સુધી પ્રસારિત થાય છે. પડોશી ચેતાકોષોને ઉત્તેજીત કરવા માટે, પ્રકાશિત ન્યુરોટ્રાન્સમીટરની માત્રા ચોક્કસ સ્તરથી ઉપર હોવી જોઈએ.
આવા પ્રમાણમાં સરળ માળખાકીય એકમોથી બનેલું હોવા છતાં, માનવ મગજ જટિલ વિચાર અને લાગણીઓની વિશાળ શ્રેણી અનુભવવા માટે સક્ષમ છે. ન્યુરલ નેટવર્ક લર્નિંગનો ઉપયોગ કરતા પ્રોગ્રામ્સમાં અમૂર્ત ન્યુરલ નેટવર્ક હોય છે જે જૈવિક ન્યુરલ નેટવર્કની આવશ્યક લાક્ષણિકતાઓને પ્રતિબિંબિત કરે છે. કોમ્પ્યુટર પ્રોગ્રામ્સમાં અમૂર્ત ન્યુરલ નેટવર્કને જૈવિક ન્યુરલ નેટવર્કથી અલગ પાડવા માટે કૃત્રિમ ન્યુરલ નેટવર્ક કહેવામાં આવે છે.
જૈવિક ન્યુરલ નેટવર્ક્સની જેમ, કૃત્રિમ ન્યુરલ નેટવર્ક ચેતાકોષોથી બનેલું છે. દરેક ચેતાકોષ અન્ય ચેતાકોષોમાંથી બહુવિધ ઇનપુટ્સ મેળવી શકે છે, આ ઇનપુટ્સના આધારે ચોક્કસ ગણતરીઓ કરી શકે છે અને પરિણામને આઉટપુટ તરીકે આઉટપુટ કરી શકે છે. ચેતાકોષની કોમ્પ્યુટેશનલ પ્રક્રિયામાં બે પગલાઓનો સમાવેશ થાય છે.
પ્રથમ પગલું એ દરેક ઇનપુટને વજન દ્વારા ગુણાકાર કરવાનું છે અને તેમને એકસાથે ઉમેરવું છે. જ્યારે તમે જૈવિક ન્યુરલ નેટવર્કમાં ચેતાકોષો વચ્ચેના જોડાણો જુઓ છો, ત્યારે કેટલાક જોડાણો અન્ય કરતા વધુ મજબૂત હોય છે, અને કેટલાક નબળા હોય છે. કૃત્રિમ ન્યુરલ નેટવર્કમાં, વજન ન્યુરોન્સ વચ્ચેના જોડાણોની મજબૂતાઈમાં આ તફાવતોને પ્રતિબિંબિત કરે છે. આ રીતે, અમે માહિતી જે પ્રમાણમાં મહત્વપૂર્ણ છે અને જે માહિતી નથી તે વચ્ચે તફાવત કરી શકીએ છીએ અને ગણતરીના પરિણામોને અલગ રીતે પ્રભાવિત કરી શકીએ છીએ.
બીજું પગલું એ છે કે નવા મૂલ્યો મેળવવા માટે મેળવેલા મૂલ્યો પર સક્રિયકરણ કાર્ય લાગુ કરવું. સક્રિયકરણ કાર્ય ચોક્કસ મૂલ્ય પર આધારિત છે અને જો ઇનપુટ મૂલ્ય થ્રેશોલ્ડ કરતા વધારે હોય તો 1 ની નજીક મૂલ્ય આપે છે, અને અન્યથા 0 ની નજીક. સક્રિયકરણ કાર્ય જે મૂલ્ય આપે છે તે આગામી ચેતાકોષ પર તેના પ્રભાવ પર આધાર રાખે છે. જૈવિક ન્યુરલ નેટવર્કમાંથી સામ્યતાનો ઉપયોગ કરવા માટે, સક્રિયકરણ કાર્ય ન્યુરોટ્રાન્સમીટર પ્રકાશનની માત્રા નક્કી કરવા માટે જવાબદાર છે.
આ સરળ ચેતાકોષોને સ્તરોમાં ગોઠવવામાં આવે છે, જે પછી કૃત્રિમ ન્યુરલ નેટવર્ક બનાવવા માટે એકબીજાની ટોચ પર સ્ટેક કરવામાં આવે છે. ઉદાહરણ તરીકે, પ્રાણીનું ચિત્ર જોતાં તેને ઓળખવાની સમસ્યાનો વિચાર કરો. કોમ્પ્યુટર પ્રથમ પ્રાણીની ઇમેજ ફાઇલને સંખ્યાઓના સમૂહમાં રૂપાંતરિત કરે છે, જે પછી તે ન્યુરલ નેટવર્કમાં ફીડ કરે છે. પછી ન્યુરલ નેટવર્ક એ નક્કી કરવા માટે ગણતરીઓની શ્રેણીબદ્ધ કરે છે કે પ્રાણી બિલાડી, કૂતરો અથવા બીજું કંઈક હોવાની શક્યતા વધારે છે. ગણતરીના પરિણામો ન્યુરોન્સ વચ્ચેના જોડાણો દ્વારા નિર્ધારિત વજન પર ખૂબ આધાર રાખે છે. ન્યુરલ નેટવર્કનું પ્રદર્શન વજન કેટલી સારી રીતે સેટ છે તેના દ્વારા નક્કી કરવામાં આવે છે. ડેટાનો ઉપયોગ કરીને વજનને ઑપ્ટિમાઇઝ કરવાની પ્રક્રિયાને ન્યુરલ નેટવર્ક તાલીમ કહેવામાં આવે છે. અલબત્ત, અમે "લર્નિંગ" શબ્દનો ઉપયોગ કરીએ છીએ કારણ કે આ પ્રક્રિયા એક પ્રોગ્રામ દ્વારા કરવામાં આવે છે, માણસ દ્વારા નહીં.
ન્યુરલ નેટવર્ક લર્નિંગનો ખ્યાલ લાંબા સમયથી પ્રચલિત છે, તો પછી તાજેતરમાં જ તેને આટલું ધ્યાન કેમ મળ્યું છે? આના બે કારણો છે. પ્રથમ, ન્યુરલ નેટવર્ક લર્નિંગ પર આધારિત પ્રોગ્રામ્સને સંદર્ભના આધારે નોંધપાત્ર પ્રમાણમાં ગણતરીની જરૂર પડે છે. ભૂતકાળમાં, કમ્પ્યુટર્સ માટે અર્થપૂર્ણ પરિણામો ઉત્પન્ન કરવા માટે પૂરતી ગણતરીઓ કરવી મુશ્કેલ હતી, પરંતુ તકનીકી પ્રગતિને કારણે, હવે આ શક્ય બન્યું છે. બીજું, ઇન્ટરનેટ અને મોબાઇલ ઉપકરણોના વિકાસને કારણે ટેક્સ્ટ, છબીઓ, વૉઇસ અને વિડિયો સહિત વિવિધ સ્વરૂપોમાં વિવિધ પ્રકારના ડેટાનો સંચય થયો છે, જેના કારણે ન્યુરલ નેટવર્ક તાલીમ માટે મોટી માત્રામાં ડેટા મેળવવાનું સરળ બન્યું છે. પરિણામે, ન્યુરલ નેટવર્ક લર્નિંગ શૈક્ષણિક ક્ષેત્રે એક કેન્દ્રીય વિષય તરીકે ઝડપથી ઉભરી રહ્યું છે.
અત્યાર સુધી, કોઈ ચોક્કસ ધ્યેય હાંસલ કરવા માટે કોઈ પ્રોગ્રામ બનાવતી વખતે, માણસોએ દરેક પગલાને સ્પષ્ટપણે વ્યાખ્યાયિત કરવું પડતું હતું, પરંતુ ન્યુરલ નેટવર્ક લર્નિંગ સાથે, આ જરૂરિયાત અમુક અંશે ઓછી થઈ ગઈ છે, અને પરંપરાગત પદ્ધતિઓ દ્વારા હલ કરવી મુશ્કેલ હતી તે સમસ્યાઓનો સામનો કરી શકે છે. હવે ઉકેલો. વૈજ્ઞાનિકો ન્યુરલ નેટવર્ક લર્નિંગના વચનથી ઉત્સાહિત છે અને માને છે કે આખરે તે કૃત્રિમ બુદ્ધિ વિકસાવવા માટે લાગુ કરી શકાય છે જે માનવો માટે સમાન રીતે વિચારે છે.