ಸ್ಮಾರ್ಟ್ಫೋನ್ಗಳಲ್ಲಿ ಆಟೋಕಂಪ್ಲೀಟ್ ಅನುಕೂಲಕರವಾಗಿದೆ, ಆದರೆ ಕೆಲವೊಮ್ಮೆ ಇದು ಅನಿರೀಕ್ಷಿತ ದೋಷಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ. AI ಆಟೋಕಂಪ್ಲೀಟ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಅದರ ಮಿತಿಗಳನ್ನು ನೋಡೋಣ.
ನೀವು ಎಂದಾದರೂ ಸ್ಮಾರ್ಟ್ಫೋನ್ ಬಳಸಿದ್ದರೆ, ನೀವು ಬಹುಶಃ ಆಟೋಕಂಪ್ಲೀಟ್ನಿಂದ ನಿರಾಶೆಗೊಂಡಿರಬಹುದು. ಆಟೋಕಂಪ್ಲೀಟ್ ಎಂಬುದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ (AI) ಒಂದು ಶಾಖೆಯಾಗಿದ್ದು ಅದು ಜನರ ಜೀವನವನ್ನು ಸುಲಭಗೊಳಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಹಾಗಾದರೆ ನಾವು ಅದನ್ನು ಏಕೆ ನಿರಾಶಾದಾಯಕವಾಗಿ ಕಾಣುತ್ತೇವೆ? ಆಟೋಕಂಪ್ಲೀಟ್ನ ಅನಾನುಕೂಲತೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ವಾಸ್ತವತೆಯನ್ನು ನಮಗೆ ನೆನಪಿಸುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಮೊದಲು ಜಾನ್ ಮೆಕಾರ್ಥಿ 1956 ರಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಿದರು.
ಇದು ಮನುಷ್ಯರಂತೆ ಕಲಿಯಲು ಮತ್ತು ತರ್ಕಿಸಲು ಕಂಪ್ಯೂಟರ್ ಪ್ರೋಗ್ರಾಂಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಇತರ ವೈಜ್ಞಾನಿಕ ಮತ್ತು ಸಾಮಾಜಿಕ ಕ್ಷೇತ್ರಗಳಿಗೆ ಅನ್ವಯಿಸಿದಾಗ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಅತ್ಯಂತ ಮೌಲ್ಯಯುತವಾಗಿದೆ. ಕಳೆದ ವರ್ಷ ವಿಶ್ವದಾದ್ಯಂತ ಗಮನ ಸೆಳೆದ ಆಲ್ಫಾಗೋ, ಗೋಗೆ ಅನ್ವಯಿಸಲಾದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಉದಾಹರಣೆಯಾಗಿದೆ. ಈ ಅತ್ಯಾಧುನಿಕ ಆಟಗಳ ಹೊರತಾಗಿ, ಆರೋಗ್ಯ ರಕ್ಷಣೆ, ಹಣಕಾಸು, ಸಾರಿಗೆ ಮತ್ತು ಹೆಚ್ಚಿನವುಗಳಂತಹ ಕೈಗಾರಿಕೆಗಳನ್ನು ಸಹ AI ಪರಿವರ್ತಿಸುತ್ತಿದೆ. ಉದಾಹರಣೆಗೆ, ಆರೋಗ್ಯ ರಕ್ಷಣೆಯಲ್ಲಿ, ರೋಗಿಗಳಿಗೆ ರೋಗನಿರ್ಣಯ ಮಾಡಲು ಮತ್ತು ಚಿಕಿತ್ಸೆಯನ್ನು ಯೋಜಿಸಲು ಸಹಾಯ ಮಾಡಲು AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತಿದೆ ಮತ್ತು ಹಣಕಾಸುದಲ್ಲಿ, ಮಾರುಕಟ್ಟೆ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಹೂಡಿಕೆ ತಂತ್ರಗಳನ್ನು ಸೂಚಿಸಲು ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಬಳಸಲಾಗುತ್ತಿದೆ.
ವಾಸ್ತವದಲ್ಲಿ, AI ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ ಮತ್ತು ವಿವಿಧ ಹಂತದ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಹೊಂದಿದೆ. ಆದ್ದರಿಂದ, AI ಅನ್ನು ಎರಡು ವಿಧಗಳಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು: ಬಲವಾದ AI ಮತ್ತು ದುರ್ಬಲ AI. ಸ್ಟ್ರಾಂಗ್ AI ಎಂದರೆ AI ಅದು ನಿಜವಾಗಿ ಯೋಚಿಸಬಹುದು ಮತ್ತು ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು. ದುರ್ಬಲ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಂದರೆ ವ್ಯವಸ್ಥೆಯು ಭಾವನೆಯನ್ನು ಹೊಂದಿಲ್ಲ, ಆದರೆ ಅದು ಭಾವನೆಯನ್ನು ಅನುಕರಿಸುತ್ತದೆ. ಮನುಷ್ಯರೊಂದಿಗೆ ಸ್ವಾಭಾವಿಕವಾಗಿ ಮಾತನಾಡಬಲ್ಲ AI ಅನ್ನು ನೀವು ಬಲವಾದ AI ಎಂದು ಯೋಚಿಸಬಹುದು ಮತ್ತು AI ಅನ್ನು ದುರ್ಬಲ AI ಎಂದು ಮಾತ್ರ ವಿಶ್ಲೇಷಿಸಬಹುದು. "ಐರನ್ ಮ್ಯಾನ್" ಚಿತ್ರದಲ್ಲಿ ಟೋನಿ ಸ್ಟಾರ್ಕ್ ಅವರ ಸಹಾಯಕ ಜಾರ್ವಿಸ್ ಪ್ರಬಲ AI ಆಗಿದ್ದರೆ, ಸ್ಮಾರ್ಟ್ಫೋನ್ಗಳಲ್ಲಿನ ಸ್ವಯಂಪೂರ್ಣತೆಯಂತಹ AI ದುರ್ಬಲ AI ಆಗಿದೆ.
ಹಾಗಾದರೆ AI ಅನ್ನು ವಿಶಿಷ್ಟ ತಂತ್ರಜ್ಞಾನವನ್ನಾಗಿ ಮಾಡುವುದು ಯಾವುದು? ಅದು ಯಂತ್ರ ಕಲಿಕೆ, ಅಥವಾ 'ಯಂತ್ರ ಕಲಿಕೆ'. ಯಂತ್ರ ಕಲಿಕೆ ಎಂದರೆ "ಕಂಪ್ಯೂಟರ್ಗಳು ಕಲಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಅಲ್ಗಾರಿದಮ್ಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಕ್ಷೇತ್ರ." 1959 ರಲ್ಲಿ, ಆರ್ಥರ್ ಸ್ಯಾಮ್ಯುಯೆಲ್ ಮೊದಲು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು "ಯಂತ್ರಗಳು ಡೇಟಾದಿಂದ ಕಲಿಯಲು ಮತ್ತು ಕೋಡ್ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟಪಡಿಸದ ನಡವಳಿಕೆಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಅಧ್ಯಯನ ಕ್ಷೇತ್ರ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಿದರು. ತರಬೇತಿ ಡೇಟಾದಿಂದ ಕಲಿತ ಗುಣಲಕ್ಷಣಗಳ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಮಾಡುವುದರ ಮೇಲೆ ಯಂತ್ರ ಕಲಿಕೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ.
ಪ್ರಸ್ತುತ ವಾಣಿಜ್ಯೀಕರಣಗೊಂಡ AI ಯಲ್ಲಿ, ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಪ್ರಾಥಮಿಕವಾಗಿ ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚಿಂಗ್ ಎಂಬ ವಿಧಾನದ ಮೂಲಕ ಸಾಧಿಸಲಾಗುತ್ತದೆ. ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚಿಂಗ್ ಎನ್ನುವುದು ಸಮಸ್ಯೆಯ ಬಗ್ಗೆ ನಿಮಗೆ ಈಗಾಗಲೇ ತಿಳಿದಿರುವುದನ್ನು ಕಂಡುಹಿಡಿಯುವ ಮತ್ತು ನಂತರ ತಿಳಿದಿರುವ ಪರಿಹಾರವನ್ನು ಪ್ರಯತ್ನಿಸುವ ಒಂದು ಮಾರ್ಗವಾಗಿದೆ. ನಿಮ್ಮ ಸ್ಮಾರ್ಟ್ಫೋನ್ನ ಸ್ವಯಂಪೂರ್ಣತೆ ವೈಶಿಷ್ಟ್ಯವು ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚಿಂಗ್ಗೆ ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ. ಇದು ಟೈಪ್ ಮಾಡಲಾಗುತ್ತಿರುವ ಅಕ್ಷರಗಳ ಬಗ್ಗೆ ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ಅನುಗುಣವಾದ ಪಠ್ಯಕ್ಕೆ ಹೊಂದಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಈ ತಂತ್ರಜ್ಞಾನವು ತನ್ನದೇ ಆದ ಮಿತಿಗಳನ್ನು ಹೊಂದಿದೆ. ಅನೇಕ ಜನರು ತಮ್ಮ ಸ್ಮಾರ್ಟ್ಫೋನ್ಗಳಲ್ಲಿ ವ್ಯಾಕರಣ ತಪ್ಪುಗಳನ್ನು ಸರಿಪಡಿಸಲು ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚಿಂಗ್ ಅನ್ನು ಬಳಸುತ್ತಾರೆ, ಉದಾಹರಣೆಗೆ ಮೇಲಿನ ಸ್ಟ್ರೋಫ್ ಅನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು ಅಥವಾ ಉದ್ದೇಶಪೂರ್ವಕವಲ್ಲದ ಪದಗಳನ್ನು ಸ್ವಯಂಪೂರ್ಣಗೊಳಿಸುವುದು.
ಮಾದರಿ ಹೊಂದಾಣಿಕೆಯ ಇನ್ನೊಂದು ಉದಾಹರಣೆಯೆಂದರೆ Facebook ನ ವಿಷಯ ಶಿಫಾರಸುಗಳು. ನೀವು ಎಂದಾದರೂ ಫೇಸ್ಬುಕ್ನಲ್ಲಿದ್ದರೆ, ನಿಮ್ಮ ನ್ಯೂಸ್ಫೀಡ್ನಲ್ಲಿ ವೀಡಿಯೊವನ್ನು ವೀಕ್ಷಿಸಿದ ನಂತರ, ವೀಡಿಯೊದ ಕೆಳಗೆ ಇತರ ವೀಡಿಯೊಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡಿರುವುದನ್ನು ನೀವು ಬಹುಶಃ ಗಮನಿಸಿರಬಹುದು. ಆದಾಗ್ಯೂ, ಈ ಉದಾಹರಣೆಯು ಮಾದರಿ ಹೊಂದಾಣಿಕೆಯ ಮಿತಿಗಳನ್ನು ಸಹ ವಿವರಿಸುತ್ತದೆ. ವಿಷಯವನ್ನು ಶಿಫಾರಸು ಮಾಡುವಾಗ, ಅದು ಬಳಕೆದಾರರಿಗೆ ಅದೇ ಕೆಲಸವನ್ನು ಮಾಡುತ್ತಲೇ ಇರುತ್ತದೆ. ನಿಮ್ಮ ಶಿಫಾರಸುಗಳಿಗೆ ಬಳಕೆದಾರರು ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತಾರೆ ಎಂಬುದು ನಿಮಗೆ ತಿಳಿದಿಲ್ಲ ಮತ್ತು ನೀವು ಹೆಚ್ಚಿನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪಡೆಯುವುದಿಲ್ಲ.
ಪ್ಯಾಟರ್ನ್ ಹೊಂದಾಣಿಕೆಯ ಮಿತಿಗಳನ್ನು ಜಯಿಸಲು ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್ ಇಲ್ಲಿ ಬರುತ್ತದೆ. ಪ್ಯಾಟರ್ನ್ ಗುರುತಿಸುವಿಕೆ ಎಂದರೆ ಸಾಫ್ಟ್ವೇರ್ ಬಳಕೆದಾರರ ನಡವಳಿಕೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಮೂಲಕ ಹೊಸ ಮಾದರಿಗಳನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ. ಪ್ಯಾಟರ್ನ್ ಹೊಂದಾಣಿಕೆಯನ್ನು ಎಲ್ಲಾ ಬಳಕೆದಾರರಿಗೆ ಒಂದೇ ಬಾರಿಗೆ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ, ಮಾದರಿ ಗುರುತಿಸುವಿಕೆಯು ಬಳಕೆದಾರರಿಂದ ಬಳಕೆದಾರರ ಆಧಾರದ ಮೇಲೆ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಸರಿಪಡಿಸುತ್ತದೆ. ಪ್ರಸ್ತುತ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಸ್ವಯಂಚಾಲಿತ ಪೋಸ್ಟಲ್ ಮೇಲ್ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ಫಿಂಗರ್ಪ್ರಿಂಟ್ ಗುರುತಿಸುವಿಕೆ ಸೇರಿವೆ. ಕೆಲವು ಸ್ಮಾರ್ಟ್ಫೋನ್ಗಳು ಈಗಾಗಲೇ ಬಳಕೆದಾರ-ನಿರ್ದಿಷ್ಟ ಸ್ವಯಂಪೂರ್ಣತೆ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹೊಂದಿವೆ. ಇದು ನೀವು ಟೈಪ್ ಮಾಡುವ ಅಕ್ಷರಗಳ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ ಮತ್ತು ಮುಂದಿನದನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿ ಹೊಂದಾಣಿಕೆಗಿಂತ ಭಿನ್ನವಾಗಿ, ಸ್ವಯಂಪೂರ್ಣತೆಯು ಬಳಕೆದಾರ-ನಿರ್ದಿಷ್ಟವಾಗಿದೆ, ಇದು ನಮಗೆ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಅನುಕೂಲಕರವಾಗಿದೆ.
ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚಿಂಗ್ ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್ಗೆ ದಾರಿ ಮಾಡಿಕೊಟ್ಟಂತೆ, ವ್ಯವಸ್ಥೆಯು ಸುಧಾರಿಸುತ್ತಲೇ ಇರುತ್ತದೆ, ಆದರೆ ಅಂತರವನ್ನು ದಾಟಲು ಸ್ವಲ್ಪ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಇದು ಇನ್ನೂ ಸಂಕೀರ್ಣ ನುಡಿಗಟ್ಟುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಹೆಣಗಾಡುತ್ತದೆ ಮತ್ತು ಭಾಷಣ ಗುರುತಿಸುವಿಕೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ವಿಭಿನ್ನ ಉಚ್ಚಾರಣೆಗಳು ಮತ್ತು ಉಚ್ಚಾರಣೆಗಳನ್ನು ಗುರುತಿಸಲು ವಿಫಲವಾಗುತ್ತದೆ. ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿದಾಗ ಈ ಸಮಸ್ಯೆಗಳು ಉತ್ತಮಗೊಳ್ಳುತ್ತವೆ. ಇದೀಗ, ನಮ್ಮ ನಿಜ ಜೀವನದ ಹೆಚ್ಚಿನ ಸನ್ನಿವೇಶಗಳು ದುರ್ಬಲ AI ಆಗಿವೆ ಮತ್ತು ಬಲವಾದ AI ಕುರಿತು ಸಂಶೋಧನೆ ನಡೆಯುತ್ತಿದೆ. AI ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಎಲ್ಲೆಡೆ ಜನಪ್ರಿಯವಾಗಿದೆ, ಆದರೆ ಅದರ ಪ್ರಗತಿ ನಾವು ಯೋಚಿಸುವುದಕ್ಕಿಂತ ನಿಧಾನವಾಗಿರಬಹುದು.
ಈ ತಾಂತ್ರಿಕ ಪ್ರಗತಿಯು ಕೇವಲ ತಾಂತ್ರಿಕ ಪ್ರಗತಿಗಿಂತ ಹೆಚ್ಚಿನದಾಗಿದೆ; ಇದು ಸಾಮಾಜಿಕ ಮತ್ತು ನೈತಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ಸಹ ತರುತ್ತದೆ. AI ಕ್ರಮೇಣ ಮಾನವ ಉದ್ಯೋಗಗಳನ್ನು ಬದಲಾಯಿಸುವುದರಿಂದ ಕಾರ್ಮಿಕ ಮಾರುಕಟ್ಟೆಯನ್ನು ಅಡ್ಡಿಪಡಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ ಮತ್ತು ಈ ತಾಂತ್ರಿಕ ಪ್ರಗತಿಗಳ ಸಾಮಾಜಿಕ ಪರಿಣಾಮಗಳನ್ನು ನಾವು ಪರಿಗಣಿಸಬೇಕು ಮತ್ತು ಸಿದ್ಧಪಡಿಸಬೇಕು. ಭವಿಷ್ಯಕ್ಕಾಗಿ ಮತ್ತು AI ನಮ್ಮ ಜೀವನವನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ತಯಾರಿ ನಡೆಸುವುದು ಮುಖ್ಯವಾಗಿದೆ.
