"ಹರ್" ಚಿತ್ರದಲ್ಲಿನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಂತೆ ಭಾವನೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮತ್ತು ಸಂವಹನ ಮಾಡುವ ಯಂತ್ರಗಳು ಎಂದಾದರೂ ವಾಸ್ತವವಾಗುತ್ತವೆಯೇ? ಯಂತ್ರ ಕಲಿಕೆಯ ಪ್ರಗತಿ ಮತ್ತು ಸಾಧ್ಯತೆಗಳನ್ನು ನಾವು ಅನ್ವೇಷಿಸುತ್ತೇವೆ.
ಹರ್ ಚಿತ್ರದಲ್ಲಿ ಓಎಸ್ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ
ಹರ್ ಚಿತ್ರದಲ್ಲಿ, ಅಮಂಡಾ ಸೆಫ್ರೈಡ್ ಧ್ವನಿ ನೀಡಿದ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್ (OS) ಇದೆ. ಈ OS ಭಾವನೆಗಳನ್ನು ಹೊಂದಿರುವಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ವ್ಯಕ್ತಿಯೊಂದಿಗಿನ ಸಂಭಾಷಣೆಗಳ ಪದ-ಪದದ ಪ್ರತಿಲಿಪಿಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ ಮತ್ತು ಅವನ/ಅವಳ ಹವ್ಯಾಸಗಳು, ಅಭಿರುಚಿಗಳು ಮತ್ತು ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಅವುಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ. ಇದು ಆಸಕ್ತಿದಾಯಕ ಸಂಭಾಷಣೆ ವಿಷಯಗಳು ಮತ್ತು ಸಹಾನುಭೂತಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಮತ್ತು ಮುಖ್ಯ ಪಾತ್ರವಾದ ಥಿಯೋಡರ್ ಸೇರಿದಂತೆ ಅನೇಕ ಜನರು OS ಅನ್ನು ಪ್ರೀತಿಸುತ್ತಾರೆ. ಈ ಕಂಪ್ಯೂಟರ್ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್ ವೈಜ್ಞಾನಿಕ ಕಾದಂಬರಿ ಚಲನಚಿತ್ರದಿಂದ ಹೊರಬಂದದ್ದು ಎಂದು ನೀವು ಭಾವಿಸಬಹುದು. ಏಕೆಂದರೆ ಯಂತ್ರವು ಸಂಭಾಷಣೆಗಳು ಮತ್ತು ಸಾಕಷ್ಟು ಅನುಭವದ ಮೂಲಕ ಮನುಷ್ಯನಂತೆ ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಅದರ ಆಧಾರದ ಮೇಲೆ ಹೊಸ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಆದರೆ ಈ ಕಲಿಕಾ ಯಂತ್ರಗಳು ಈಗಾಗಲೇ ನಮ್ಮ ಸುತ್ತಲೂ ಇವೆ. ಈ ಯಂತ್ರಗಳ ಹಿಂದಿನ ಸಿದ್ಧಾಂತವನ್ನು ಒಟ್ಟಾರೆಯಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.
ಯಂತ್ರ ಕಲಿಕೆ ಎಂದರೇನು?
ಯಂತ್ರ ಕಲಿಕೆ ಎಂದರೆ ನಿಖರವಾಗಿ ಹೇಗೆ ಕಾಣುತ್ತದೆ ಎಂದರೆ: ಯಂತ್ರಗಳು ತಮ್ಮನ್ನು ತಾವು ಕಲಿಸಿಕೊಳ್ಳಲು ಕಲಿಯುತ್ತವೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಅವು ಯಾವುದೋ ರೀತಿಯಲ್ಲಿ ಪಡೆದ ವಿವಿಧ ರೀತಿಯ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮತ್ತು ಕಲಿಯುವ ಮೂಲಕ, ಮತ್ತು ನಂತರ ಹೊಸ ರೀತಿಯ ಡೇಟಾಗೆ ಅನ್ವಯಿಸಬಹುದಾದ ಗಣಿತದ ಅಡಿಪಾಯವನ್ನು ಒದಗಿಸುತ್ತವೆ. ಇದರ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ನೀವು ಕಲಿಯಲು ಕಂಪ್ಯೂಟರ್ ಅನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪ್ರೋಗ್ರಾಂ ಮಾಡಬೇಕಾಗಿಲ್ಲ, ನೀವು ಅದಕ್ಕೆ ಇನ್ಪುಟ್ ನೀಡಬೇಕಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ನೀವು ಕಂಪ್ಯೂಟರ್ಗೆ ಸೇಬಿನ ಚಿತ್ರವನ್ನು ಗುರುತಿಸಲು ಕಲಿಸಿದರೆ, ನೀವು ಸೇಬಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದಿದ್ದರೂ ಸಹ, ಹಿಂದಿನದಕ್ಕಿಂತ ಭಿನ್ನವಾಗಿರುವ ಸೇಬಿನ ಚಿತ್ರವನ್ನು ತೋರಿಸಿದರೆ ಅದು ಸೇಬು ಎಂದು ಗುರುತಿಸುತ್ತದೆ.
ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅದು ಹೇಗೆ ಕಲಿಯುತ್ತದೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ಎರಡು ಮುಖ್ಯ ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು. ಒಂದು ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ, ಅಲ್ಲಿ ತರಬೇತಿ ಪಡೆಯುತ್ತಿರುವ ಡೇಟಾದ ಫಲಿತಾಂಶ (ಅಥವಾ ಲೇಬಲ್) ತಿಳಿಯುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ನೀವು ಫೇಸ್ಬುಕ್ನಲ್ಲಿ ಫೋಟೋವನ್ನು ಪೋಸ್ಟ್ ಮಾಡಿದಾಗ, ಅದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಮ್ಮ ಮುಖವನ್ನು ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಚೌಕವಾಗಿ ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಯಾವ ಚಿತ್ರಗಳು ಮುಖಗಳಾಗಿವೆ ಮತ್ತು ಯಾವ ಚಿತ್ರಗಳು ಮುಖಗಳಲ್ಲ ಎಂಬುದನ್ನು ಕಲಿಯುವ ಮೂಲಕ ಇದನ್ನು ಮಾಡಲಾಗುತ್ತದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಡೇಟಾವು ಪಿಕ್ಸೆಲ್ಗಳ RGB ಮೌಲ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಇಮೇಜ್ ಫೈಲ್ ಆಗಿದ್ದರೆ, ಫಲಿತಾಂಶವು ಅದು ಮುಖವೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದು.
ಮತ್ತೊಂದೆಡೆ, ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಯಂತ್ರ ಕಲಿಕೆಯ ಮತ್ತೊಂದು ವಿಧಾನವು ಚಿತ್ರವನ್ನು ಯಂತ್ರಕ್ಕೆ ಫೀಡ್ ಮಾಡುವುದು ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ವರ್ಗೀಕರಿಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದೆ ಅದನ್ನು ಚಲಾಯಿಸಲು ಬಿಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಮೇಲಿನ ಮುಖ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯಕ್ರಮದಲ್ಲಿ, ಚಿತ್ರದೊಂದಿಗೆ ಏನು ಮಾಡಬೇಕೆಂದು ಹೇಳದಿದ್ದರೂ, ಅಂದರೆ ಅದು ಮುಖ ಅಥವಾ ಇನ್ನೇನಾದರೂ ಆಗಿರಲಿ, ಯಂತ್ರವು ಚಿತ್ರದಲ್ಲಿನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಲು ಮತ್ತು ಅದು ಮಾನವನೋ ಅಥವಾ ಬೆಕ್ನೋ ಎಂಬುದನ್ನು ಸ್ವತಃ ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಇನ್ನೊಂದು ಉದಾಹರಣೆಯೆಂದರೆ ಪೋರ್ಟಲ್ ಸೈಟ್ನಲ್ಲಿ ಸುದ್ದಿ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ರಮ. ನೀವು ಪೋರ್ಟಲ್ ಸೈಟ್ನಲ್ಲಿನ ಸುದ್ದಿ ಲೇಖನಗಳನ್ನು ನೋಡಿದರೆ, ಅವುಗಳನ್ನು ರಾಜಕೀಯ, ಜೀವನ, ಮನರಂಜನೆ ಮತ್ತು ಮುಂತಾದ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಾಗಿ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ ಮತ್ತು ಇದೇ ರೀತಿಯ ಸುದ್ದಿಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ ಎಂದು ನೀವು ಗಮನಿಸಬಹುದು. ಇದನ್ನು ಮಾಡಲು, ಪೋರ್ಟಲ್ ಸೈಟ್ ನಿರ್ವಾಹಕರು ಕಲಿಕಾ ಯಂತ್ರಕ್ಕೆ ಯಾವ ಲೇಖನಗಳು ರಾಜಕೀಯಕ್ಕೆ ಸಂಬಂಧಿಸಿವೆ, ಮನರಂಜನೆಗೆ ಸಂಬಂಧಿಸಿವೆ, ಕ್ರೀಡೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿವೆ ಮತ್ತು ಹೀಗೆ ನಿರ್ದಿಷ್ಟಪಡಿಸುವುದಿಲ್ಲ, ಆದರೆ ವಿವಿಧ ರೀತಿಯ ಲೇಖನಗಳನ್ನು ಕಲಿಕಾ ಯಂತ್ರಕ್ಕೆ ನೀಡಿದಾಗ, ಅದು ಲೇಖನಗಳಲ್ಲಿನ ಪದಗಳ ಆವರ್ತನವನ್ನು ತನ್ನದೇ ಆದ ಮೇಲೆ ವಿಶ್ಲೇಷಿಸುತ್ತದೆ ಮತ್ತು ಹೊಸ ಲೇಖನಗಳನ್ನು ಹೆಚ್ಚಿನ ನಿಖರತೆಯೊಂದಿಗೆ ವರ್ಗೀಕರಿಸುತ್ತದೆ.
ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕಾ ವಿಧಾನಗಳು
ಹೆಚ್ಚಿನ ಯಂತ್ರ ಕಲಿಕೆಗೆ ಪ್ರಸ್ತುತ ಬಳಸಲಾಗುವ ಕಲಿಕೆಯ ವಿಧಾನವು ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯಾಗಿದೆ. ಇದು ಎಲ್ಲಾ ಕಲಿಕಾ ಯಂತ್ರಗಳಲ್ಲಿ ಸುಮಾರು 95% ರಷ್ಟಿದೆ. ಇದಕ್ಕೆ ಒಂದು ಕಾರಣವೆಂದರೆ, ಸ್ವಾಯತ್ತ ಕಲಿಕಾ ವಿಧಾನಕ್ಕಿಂತ ನಿರ್ದಿಷ್ಟ ಮಟ್ಟದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸಲು ಕಡಿಮೆ ತರಬೇತಿ ದತ್ತಾಂಶದ ಅಗತ್ಯವಿರುತ್ತದೆ, ಏಕೆಂದರೆ ಮಾನವನು ಡೇಟಾದಲ್ಲಿ ಫಲಿತಾಂಶಗಳನ್ನು ನೇರವಾಗಿ ನಿರ್ದಿಷ್ಟಪಡಿಸುತ್ತಾನೆ. ಏಕೆಂದರೆ ಸ್ವಾಯತ್ತ ಕಲಿಕಾ ವಿಧಾನಗಳಿಗೆ ಈ ದತ್ತಾಂಶದಲ್ಲಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಹೆಚ್ಚಿನ ದತ್ತಾಂಶ ಬೇಕಾಗುತ್ತದೆ, ಅದು ವಸ್ತುಗಳ ನಡುವೆ ತಾರತಮ್ಯ ಮಾಡಬಹುದು - ಉದಾಹರಣೆಗೆ, ಮಾನವ ಮತ್ತು ಬೆಕ್ಕಿನ ನಡುವೆ, ರಾಜಕೀಯ ಲೇಖನ ಮತ್ತು ಮನರಂಜನಾ ಲೇಖನದ ನಡುವೆ. ಮತ್ತೊಂದೆಡೆ, ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕಾ ವಿಧಾನಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಸಣ್ಣ ಪ್ರಮಾಣದ ದತ್ತಾಂಶದೊಂದಿಗೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು ಏಕೆಂದರೆ ಅವು ಮಾನವರಿಂದ ಮಾರ್ಗದರ್ಶಿಸಲ್ಪಡುತ್ತವೆ, ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ತೆಗೆದುಕೊಳ್ಳುವ ಸಮಯ ಮತ್ತು ತರಬೇತಿಯನ್ನು ಸ್ವತಃ ನಡೆಸಲು ತೆಗೆದುಕೊಳ್ಳುವ ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಆದಾಗ್ಯೂ, ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯು ಒಂದು ಪ್ರಮುಖ ನ್ಯೂನತೆಯನ್ನು ಹೊಂದಿದೆ: ಅದು ಮಾನವರಿಂದ ಕಲಿಸಲ್ಪಡದ ವಿಷಯಗಳ ಬಗ್ಗೆ ಕಲಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ, ಮತ್ತು ಮಾನವರು ಕಲಿಸಿದ ಪರಿಸರಕ್ಕಿಂತ ಸ್ವಲ್ಪ ಭಿನ್ನವಾಗಿರುವ ಪರಿಸರದಲ್ಲಿ ಅದರ ಕಾರ್ಯಕ್ಷಮತೆ ನಾಟಕೀಯವಾಗಿ ಕುಸಿಯಬಹುದು. ಉದಾಹರಣೆಗೆ, ಪ್ರಕಾಶಮಾನವಾದ ವಾತಾವರಣದಲ್ಲಿ ವ್ಯಕ್ತಿಯ ಚಿತ್ರದ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಯಂತ್ರವು ಅಸಮಾನ ಬೆಳಕಿನಲ್ಲಿ ಅಥವಾ ಕಡಿಮೆ ಬೆಳಕಿನಲ್ಲಿ ವ್ಯಕ್ತಿಯನ್ನು ಗುರುತಿಸದಿರಬಹುದು, ಅಥವಾ ಮುಖದ ಮುಂಭಾಗ ಮಾತ್ರ ಇನ್ಪುಟ್ ಆಗಿರುವಾಗ ಅದು ವ್ಯಕ್ತಿಯ ಬದಿಯನ್ನು ಗುರುತಿಸದಿರಬಹುದು.
ಸ್ವಾಯತ್ತ ಕಲಿಕಾ ವಿಧಾನಗಳು
ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ನ್ಯೂನತೆಗಳು ಮತ್ತು ಮಿತಿಗಳನ್ನು ಸ್ವಯಂ-ಕಲಿಕೆಯ ವಿಧಾನಗಳು ಪರಿಹರಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ಈ ಕಲಿಕಾ ವಿಧಾನವು ದಶಕಗಳ ಹಿಂದೆಯೇ ತನ್ನ ಮಿತಿಗಳನ್ನು ತಲುಪಿತ್ತು. ಅಗತ್ಯವಿರುವ ಡೇಟಾ ತುಂಬಾ ದೊಡ್ಡದಾಗಿತ್ತು, ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಂಕೀರ್ಣತೆ ತುಂಬಾ ಹೆಚ್ಚಿತ್ತು, ಹಾರ್ಡ್ವೇರ್ ಅದನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರಲಿಲ್ಲ ಮತ್ತು ಪ್ರಾಯೋಗಿಕವಾಗಿರಲು ಇದು ತುಂಬಾ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತಿತ್ತು. ಆದಾಗ್ಯೂ, ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ, ಹೆಚ್ಚಿದ ಮೆಮೊರಿ ಮತ್ತು CPU ಕಾರ್ಯಕ್ಷಮತೆ ಸೇರಿದಂತೆ ಹಾರ್ಡ್ವೇರ್ನ ಒಟ್ಟಾರೆ ಕಾರ್ಯಕ್ಷಮತೆ ಸುಧಾರಿಸಿರುವುದರಿಂದ ಸ್ವಯಂ-ಕಲಿಕೆಯ ವಿಧಾನಗಳು ಹೊಸ ಗಮನವನ್ನು ಗಳಿಸಿವೆ ಮತ್ತು ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟರ್ಗಳು ಸೇರಿದಂತೆ ಮೊಬೈಲ್ ಸಂಪರ್ಕದ ಮೂಲಕ ಎಲ್ಲಿಯಾದರೂ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದು, ಸಂಗ್ರಹಿಸುವುದು ಮತ್ತು ಹಂಚಿಕೊಳ್ಳುವುದು ತುಂಬಾ ಸುಲಭವಾಗಿದೆ.
ಈ ಬದಲಾವಣೆಗಳ ನಡುವೆ, 'ಆಳವಾದ ಕಲಿಕೆ' ಎಂಬ ಸ್ವಯಂ-ಕಲಿಕೆಯ ಶಾಖೆಯು ಮುನ್ನಡೆಸುತ್ತಿದೆ. ಆಳವಾದ ಕಲಿಕೆಯು ಮಾನವ ಮೆದುಳಿಗೆ ಹೋಲುವ ರಚನೆಯನ್ನು ಹೊಂದಿರುವ ಕಲಿಕಾ ವಿಧಾನವಾಗಿದೆ. ಮಾನವನ ಮೆದುಳು ಮೆದುಳಿನ ಪ್ರತಿಯೊಂದು ಭಾಗವನ್ನು ಸಂಪರ್ಕಿಸುವ ನರಕೋಶಗಳನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ನಾವು ಕಲಿಯುತ್ತಿದ್ದಂತೆ, ಭಾಗಗಳ ನಡುವಿನ ಸಂಪರ್ಕಗಳ ಜಾಲವು ಬಲಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಾಗಿ ಬಳಸಲ್ಪಡುತ್ತದೆ ಎಂದು ತಿಳಿದಿದೆ. ಇದು ಆಳವಾದ ಕಲಿಕೆಗೆ ಸ್ಫೂರ್ತಿಯಾಗಿದೆ, ಇದು ನರಕೋಶಗಳಂತೆ, ಪ್ರತಿಯೊಂದು ಕಲಿಕೆಯ ತುಣುಕಿನ ನಡುವೆ ಸಂಪರ್ಕ ರಚನೆಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಹೆಚ್ಚುವರಿ ತರಬೇತಿ ಡೇಟಾ ಬಂದಾಗ ಈ ರಚನೆಯು ನಿರಂತರವಾಗಿ ಬದಲಾಗುತ್ತಿರುತ್ತದೆ, ಕಲಿಕೆಯ ತುಣುಕುಗಳ ನಡುವೆ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ, ಇದು ಹಿಂದಿನ ಕಲಿಕೆಯನ್ನು ಮರುಬಳಕೆ ಮಾಡಬಹುದು ಮತ್ತು ಅದರ ಆಧಾರದ ಮೇಲೆ ಹೊಸ ಪರಿಸರಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಬಹುದು.
ಯಂತ್ರ ಕಲಿಕೆಯ ವರ್ತಮಾನ ಮತ್ತು ಭವಿಷ್ಯ
ಸ್ವಾಯತ್ತ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕಾ ವಿಧಾನಗಳನ್ನು ಪ್ರಸ್ತುತ ವಿಭಿನ್ನ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಬಳಸಲಾಗುತ್ತಿದೆ. ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯನ್ನು ನಿರ್ದಿಷ್ಟ ಪರಿಸರದಲ್ಲಿ ಮಾತ್ರ ಅನ್ವಯಿಸಬೇಕಾದ ವೇಗದ ಅಭಿವೃದ್ಧಿಗೆ ಬಳಸಲಾಗುತ್ತದೆ, ಆದರೆ ಸ್ವಾಯತ್ತ ಕಲಿಕೆಯನ್ನು ವಿವಿಧ ಪರಿಸರಗಳಲ್ಲಿ ಅನ್ವಯಿಸಬಹುದಾದ ಯಂತ್ರಗಳ ಅಗತ್ಯವಿರುವ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಒಂದು ವಿಷಯ ಸ್ಪಷ್ಟವಾಗಿದೆ: ಎರಡೂ ದಿಕ್ಕುಗಳಲ್ಲಿ ಬಹಳಷ್ಟು ಸಂಶೋಧನೆ ನಡೆಯುತ್ತಿದೆ.
ಇತ್ತೀಚೆಗೆ, ಫೇಸ್ಬುಕ್ ಮತ್ತು ಗೂಗಲ್ ಸೇರಿದಂತೆ ಅನೇಕ ಜಾಗತಿಕ ಕಂಪನಿಗಳು ಯಂತ್ರ ಕಲಿಕೆಯ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಹೆಚ್ಚಿನ ಶಕ್ತಿಯನ್ನು ಹೂಡಿಕೆ ಮಾಡುತ್ತಿವೆ. ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕಾ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮುಖ ಗುರುತಿಸುವಿಕೆ ಯಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಫೇಸ್ಬುಕ್ ಶ್ರಮಿಸುತ್ತಿದೆ ಮತ್ತು ಗೂಗಲ್ ಇತ್ತೀಚೆಗೆ ಡೀಪ್ಮೈಂಡ್ ಎಂಬ ಆಳವಾದ ಕಲಿಕಾ ತಜ್ಞರ ನೇತೃತ್ವದ ಸಾಹಸೋದ್ಯಮ ಕಂಪನಿಯನ್ನು ಸುಮಾರು 440 ಬಿಲಿಯನ್ ವೊನ್ಗೆ ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡಿತು. ಕಂಪನಿಯು ಕೇವಲ ಮೂರು ವರ್ಷ ಹಳೆಯದಾಗಿದ್ದು, ಒಂದೇ ಒಂದು ಉತ್ಪನ್ನವನ್ನು ಮಾರಾಟ ಮಾಡಿಲ್ಲ ಎಂಬ ಅಂಶವು ಗೂಗಲ್ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಎಷ್ಟು ಹೂಡಿಕೆ ಮಾಡುತ್ತಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. ಪ್ರಸ್ತುತ, ಯಂತ್ರ ಕಲಿಕೆಯು ವಸ್ತುಗಳನ್ನು ಮಾತ್ರ ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ, ಆದ್ದರಿಂದ ಹರ್ ಚಲನಚಿತ್ರದಲ್ಲಿನ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್ನಂತೆ ಭಾವನೆಗಳೊಂದಿಗೆ ಮನುಷ್ಯರೊಂದಿಗೆ ಸಂಭಾಷಣೆ ನಡೆಸಲು ಸಾಧ್ಯವಾಗುವುದರಿಂದ ಇದು ಬಹಳ ದೂರದಲ್ಲಿದೆ. ಆದಾಗ್ಯೂ, ಇತ್ತೀಚಿನ ಪ್ರಗತಿಗಳ ತ್ವರಿತ ವೇಗವು ಅವಳೊಂದಿಗೆ ಮಾತನಾಡುವ ದಿನ ದೂರವಿಲ್ಲ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ಯಂತ್ರ ಕಲಿಕೆಗೆ ಅಂತ್ಯವಿಲ್ಲದ ಸಾಧ್ಯತೆಗಳಿವೆ. ಆರೋಗ್ಯ ರಕ್ಷಣೆಯಲ್ಲಿ, ರೋಗಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಚಿಕಿತ್ಸೆ ನೀಡಲು ಸಹಾಯ ಮಾಡಲು AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತಿದೆ ಮತ್ತು ಹಣಕಾಸಿನಲ್ಲಿ, ಮಾರುಕಟ್ಟೆಯ ಏರಿಳಿತಗಳನ್ನು ಊಹಿಸಲು ಮತ್ತು ಹೂಡಿಕೆ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ವ್ಯವಸ್ಥೆಗಳನ್ನು ಪರಿಚಯಿಸಲಾಗುತ್ತಿದೆ. ನಮ್ಮ ಜೀವನವನ್ನು ಸುಲಭಗೊಳಿಸುವ ತಂತ್ರಜ್ಞಾನಗಳಾದ ಸ್ವಯಂ ಚಾಲನಾ ಕಾರುಗಳು, ಸ್ಮಾರ್ಟ್ ಮನೆಗಳು ಮತ್ತು ಧ್ವನಿ ಸಹಾಯಕಗಳು ಯಂತ್ರ ಕಲಿಕೆ ಮುಂದುವರೆದಂತೆ ಹೆಚ್ಚು ಅತ್ಯಾಧುನಿಕ ಮತ್ತು ಬುದ್ಧಿವಂತವಾಗುತ್ತಿವೆ. ಯಂತ್ರ ಕಲಿಕೆ ನಿರಂತರವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತಿರುವ ಮತ್ತು ಅದರ ಭವಿಷ್ಯದ ಪ್ರಗತಿಗಳು ಊಹಿಸಲಾಗದ ಯುಗದಲ್ಲಿ ನಾವು ವಾಸಿಸುತ್ತಿದ್ದೇವೆ.
ಆದ್ದರಿಂದ, ಯಂತ್ರ ಕಲಿಕೆಯು ಕೇವಲ ದತ್ತಾಂಶವನ್ನು ಸಂಸ್ಕರಿಸುವ ಮತ್ತು ವಿಶ್ಲೇಷಿಸುವ ತಂತ್ರಜ್ಞಾನವಲ್ಲ, ಬದಲಾಗಿ ಮಾನವ ಜೀವನವನ್ನು ಉತ್ಕೃಷ್ಟಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ವಿವಿಧ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಕೊಡುಗೆ ನೀಡುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ. "ಹರ್" ಚಿತ್ರದಲ್ಲಿರುವಂತೆ ಮನುಷ್ಯರೊಂದಿಗೆ ಭಾವನಾತ್ಮಕವಾಗಿ ಸಂಪರ್ಕ ಸಾಧಿಸಬಹುದಾದ ಯಂತ್ರಗಳು ದೂರದ ಭವಿಷ್ಯದಿಂದ ಬಂದಂತೆ ಕಾಣಿಸಬಹುದು, ಆದರೆ ಸಾಧ್ಯತೆಯು ಹೆಚ್ಚು ಹೆಚ್ಚು ನೈಜವಾಗುತ್ತಿದೆ. ಯಂತ್ರ ಕಲಿಕೆ ಈಗಾಗಲೇ ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಆಳವಾಗಿ ಹುದುಗಿದೆ ಮತ್ತು ಭವಿಷ್ಯದ ಬೆಳವಣಿಗೆಗಳು ನಮಗೆ ಹೆಚ್ಚಿನ ಆಶ್ಚರ್ಯಗಳು ಮತ್ತು ನಾವೀನ್ಯತೆಗಳನ್ನು ತರುತ್ತವೆ.
