એક ઓપરેટિંગ સિસ્ટમ જે મનુષ્યો સાથે વાતચીત કરી શકે છે તે દૂરના ભવિષ્યની કંઈક જેવી લાગે છે, પરંતુ મશીન લર્નિંગમાં પ્રગતિને કારણે, તે વધુને વધુ વાસ્તવિકતા બની રહી છે. જેમ જેમ મશીનો ડેટાનું પૃથ્થકરણ કરીને અને નિરીક્ષિત અને દેખરેખ વગરની શીખવાની પદ્ધતિઓ દ્વારા વધુ સ્માર્ટ બની જાય છે, તેમ તેમ તેઓ આપણા રોજિંદા જીવનમાં વિવિધ સમસ્યાઓ ઉકેલવામાં યોગદાન આપી રહ્યાં છે.
"હર" મૂવીમાં અમાન્દા સેફ્રીડ દ્વારા અવાજ આપવામાં આવેલ ઓપરેટિંગ સિસ્ટમ (OS) છે. OS એવી રીતે વર્તે છે કે તેની પાસે લાગણીઓ છે, વ્યક્તિ સાથે શબ્દ-બદ-શબ્દ વાર્તાલાપ સંગ્રહિત કરે છે અને તેના/તેણીના શોખ, રુચિઓ અને લાક્ષણિકતાઓને કાઢવા માટે તેનું વિશ્લેષણ કરે છે. આ વાર્તાલાપના રસપ્રદ વિષયો અને સહાનુભૂતિ તરફ દોરી જાય છે, અને નાયક, થિયોડોર સહિત ઘણા લોકો, કમ્પ્યુટર ઓપરેટિંગ સિસ્ટમના પ્રેમમાં પડે છે. તમે વિચારી શકો છો કે આ કોમ્પ્યુટર ઓપરેટિંગ સિસ્ટમ સાયન્સ ફિક્શન મૂવીમાંથી કંઈક છે. આ એટલા માટે છે કારણ કે મશીન વાતચીત અને ઘણા અનુભવ દ્વારા માણસની જેમ શીખે છે અને તેના આધારે નવી ક્રિયાઓ કરે છે. પરંતુ આ શીખવાની મશીનો પહેલેથી જ આપણી આસપાસ છે. આ મશીનો પાછળના સિદ્ધાંતને સામૂહિક રીતે મશીન લર્નિંગ તરીકે ઓળખવામાં આવે છે.
મશીન લર્નિંગ શું છે?
મશીન લર્નિંગ બરાબર એવું જ લાગે છે: મશીનો પોતાને શીખવવાનું શીખવે છે, ખાસ કરીને વિવિધ પ્રકારના ડેટાનું પૃથ્થકરણ કરીને અને તેમાંથી શીખીને જે તેઓએ કોઈ રીતે મેળવેલ છે, અને પછી ગાણિતિક પાયો પૂરો પાડે છે જે નવા પ્રકારના ડેટા પર લાગુ થઈ શકે છે. આની ચાવી એ છે કે તમારે શીખવા માટે કમ્પ્યુટરને સ્પષ્ટ રીતે પ્રોગ્રામ કરવાની જરૂર નથી, તમારે ફક્ત તેને ઇનપુટ આપવાનું રહેશે. ઉદાહરણ તરીકે, જો તમે કોમ્પ્યુટરને સફરજનના ચિત્રને ઓળખવાનું શીખવો છો, તો તે ઓળખશે કે તે સફરજન છે જો તમે તેને સફરજનનું ચિત્ર બતાવશો જે અગાઉના ચિત્રથી અલગ છે, પછી ભલે તમે લક્ષણોનો ઉલ્લેખ ન કરો. એક સફરજનનું.
તે કેવી રીતે શીખે છે તેના આધારે મશીન લર્નિંગને બે મુખ્ય શ્રેણીઓમાં વિભાજિત કરી શકાય છે. એક નિરીક્ષિત શિક્ષણ છે, જ્યાં તાલીમ આપવામાં આવતા ડેટા માટે પરિણામ (અથવા લેબલ) જાણીતું છે. ઉદાહરણ તરીકે, જ્યારે તમે Facebook પર ફોટો પોસ્ટ કરો છો, ત્યારે તે આપમેળે તમારા ચહેરાને ઓળખે છે અને તેને ચોરસ તરીકે પ્રદર્શિત કરે છે. કઈ છબીઓ ચહેરાઓ છે અને કઈ છબીઓ ચહેરા નથી તે શીખીને આ કરવામાં આવે છે. બીજા શબ્દોમાં કહીએ તો, જો ડેટા એ ઇમેજ ફાઇલ છે જેમાં પિક્સેલના RGB મૂલ્યોનો સમાવેશ થાય છે, તો પરિણામ એ છે કે તે ચહેરો છે કે નહીં.
બીજી બાજુ, મશીન લર્નિંગની બીજી પદ્ધતિ, જેને અનસુપરવાઇઝ્ડ લર્નિંગ કહેવાય છે, તેમાં એક ઇમેજને મશીનમાં ફીડ કરવી અને તેને કેવી રીતે વર્ગીકૃત કરવી જોઈએ તે સ્પષ્ટ કર્યા વિના તેને ચલાવવા દેવાનો સમાવેશ થાય છે. ઉપરોક્ત ચહેરો ઓળખ કાર્યક્રમમાં, મશીન ઇમેજમાં વિશેષતાઓ શોધવામાં સક્ષમ છે અને ઇમેજ સાથે શું કરવું તે જણાવવામાં આવ્યું નથી, એટલે કે, તે ચહેરો છે કે બીજું કંઈક. . અન્ય ઉદાહરણ પોર્ટલ સાઇટ પર સમાચાર વર્ગીકરણ કાર્યક્રમ છે. જો તમે પોર્ટલ સાઈટ પરના સમાચાર લેખો જુઓ, તો તમે જોઈ શકો છો કે તે વિવિધ ક્ષેત્રોમાં વર્ગીકૃત કરવામાં આવ્યા છે, જેમ કે રાજકારણ, જીવન, મનોરંજન વગેરે, અને તે સમાન સમાચારોને એકસાથે જૂથબદ્ધ કરીને ભલામણ કરવામાં આવે છે. આ કરવા માટે, પોર્ટલ એડમિનિસ્ટ્રેટર લર્નિંગ મશીનને સ્પષ્ટ કરતું નથી કે કયા લેખ રાજકીય છે, કયા મનોરંજન છે, કયા રમતગમત છે, પરંતુ જ્યારે મોટી સંખ્યામાં વિવિધ પ્રકારના લેખો લર્નિંગ મશીનમાં આપવામાં આવે છે, ત્યારે તે વિશ્લેષણ કરે છે. લેખોમાં શબ્દોની આવર્તન પોતે જ અને નવા લેખો માટે ઉચ્ચ ચોકસાઈ સાથે વર્ગીકરણ બનાવે છે.
નિરીક્ષણ કરેલ શીખવાની પદ્ધતિઓ
હાલમાં મોટા ભાગના મશીન લર્નિંગ માટે ઉપયોગમાં લેવાતી શીખવાની પદ્ધતિ દેખરેખ શિક્ષણ છે. તે તમામ લર્નિંગ મશીનોમાં લગભગ 95% હિસ્સો ધરાવે છે. આનું એક કારણ એ છે કે તેને સ્વાયત્ત શિક્ષણ પદ્ધતિ કરતાં ચોક્કસ સ્તરની કામગીરી હાંસલ કરવા માટે ઓછા પ્રશિક્ષણ ડેટાની જરૂર છે, કારણ કે માનવ ડેટા માટેના પરિણામોનો સીધો ઉલ્લેખ કરે છે. આ એટલા માટે છે કારણ કે સ્વાયત્ત શિક્ષણ પદ્ધતિઓને આ ડેટાની અંદરની લાક્ષણિકતાઓ શોધવા માટે વધુ ડેટાની જરૂર હોય છે જે વસ્તુઓ વચ્ચે તેમની પોતાની રીતે તફાવત કરી શકે છે - ઉદાહરણ તરીકે, માનવ અને બિલાડી વચ્ચે, રાજકીય લેખ અને મનોરંજન લેખ વચ્ચે. બીજી બાજુ, નિરીક્ષણ કરેલ શીખવાની પદ્ધતિઓ, પ્રમાણમાં ઓછી માત્રામાં ડેટા સાથે સારી કામગીરી કરી શકે છે કારણ કે તે માનવો દ્વારા માર્ગદર્શન આપવામાં આવે છે, જે ડેટા એકત્રિત કરવામાં જે સમય લે છે અને તાલીમ પોતે ચલાવવામાં જે સમય લે છે તે ઘટાડે છે.
જો કે, નિરીક્ષિત શિક્ષણમાં એક મોટી ખામી છે: તે એવી વસ્તુઓ વિશે શીખી શકતી નથી જે તેને મનુષ્યો દ્વારા શીખવવામાં આવતી નથી, અને તેનું પ્રદર્શન એવા વાતાવરણમાં નાટ્યાત્મક રીતે ઘટી શકે છે કે જે તેને મનુષ્યો દ્વારા શીખવવામાં આવતાં કરતાં સહેજ અલગ હોય છે. ઉદાહરણ તરીકે, તેજસ્વી વાતાવરણમાં વ્યક્તિની છબી પર પ્રશિક્ષિત મશીન અસમાન લાઇટિંગ અથવા ઓછા પ્રકાશમાં વ્યક્તિને ઓળખી શકતું નથી, અથવા જ્યારે ફક્ત ચહેરાનો આગળનો ભાગ ઇનપુટ હોય ત્યારે તે વ્યક્તિની બાજુને ઓળખી શકતું નથી.
સ્વાયત્ત શિક્ષણ પદ્ધતિઓ
સ્વ-શિક્ષણ પદ્ધતિઓ નિરીક્ષિત શિક્ષણની ખામીઓ અને મર્યાદાઓને દૂર કરી શકે છે. જો કે, આ શીખવાની પદ્ધતિ દાયકાઓ પહેલા તેની સીમાએ પહોંચી ગઈ હતી. જરૂરી ડેટા ખૂબ મોટો હતો, કોમ્પ્યુટેશનલ જટિલતા ઘણી વધારે હતી, હાર્ડવેર તેને હેન્ડલ કરવામાં સક્ષમ ન હતું અને તે વ્યવહારુ બનવા માટે ખૂબ સમય માંગી લેતું હતું. જો કે, તાજેતરના વર્ષોમાં, સ્વાયત્ત શિક્ષણ પદ્ધતિઓએ નવેસરથી ધ્યાન ખેંચ્યું છે કારણ કે હાર્ડવેરના એકંદર પ્રદર્શનમાં સુધારો થયો છે, જેમાં મેમરી અને CPU પ્રદર્શનમાં વધારો થયો છે, અને ક્લાઉડ સહિત મોબાઇલ કનેક્ટિવિટી દ્વારા ગમે ત્યાં ડેટા એકત્રિત, સંગ્રહ અને શેર કરવાનું ખૂબ જ સરળ બન્યું છે. કમ્પ્યુટર્સ
આ ફેરફારોની વચ્ચે, સ્વ-શિક્ષણની એક શાખા જેને 'ડીપ લર્નિંગ' કહેવાય છે તે માર્ગે આગળ વધી રહી છે. ડીપ લર્નિંગ એ શીખવાની પદ્ધતિ છે જે માનવ મગજની સમાન રચના ધરાવે છે. માનવ મગજમાં મગજના દરેક ભાગને જોડતા ચેતાકોષો હોય છે, અને તે જાણીતું છે કે જેમ જેમ મગજ શીખે છે તેમ, વધુ વખત ઉપયોગમાં લેવાતા અને એકબીજા સાથે સંબંધિત ભાગો વચ્ચેના જોડાણો વધુ મજબૂત બને છે. આ ઊંડા શિક્ષણ માટેની પ્રેરણા છે, જે ચેતાકોષોની જેમ, દરેક શિક્ષણ વચ્ચે જોડાણનું માળખું ધરાવે છે, અને આ માળખું સતત બદલાતું રહે છે કારણ કે વધારાના તાલીમ ડેટા આવે છે, જે શીખવાના ટુકડાઓ વચ્ચે પ્રતિસાદ બનાવે છે. તેથી, અગાઉના શિક્ષણને રિસાયકલ કરવું અને તેના આધારે નવા વાતાવરણમાં અનુકૂલન કરવું શક્ય છે.
મશીન લર્નિંગનું વર્તમાન અને ભવિષ્ય
બંને સ્વાયત્ત અને દેખરેખ શિક્ષણ પદ્ધતિઓ હાલમાં વિવિધ સંદર્ભોમાં ઉપયોગમાં લેવાય છે. નિરીક્ષિત શિક્ષણનો ઉપયોગ ઝડપી વિકાસ માટે થાય છે જેને માત્ર ચોક્કસ વાતાવરણમાં જ લાગુ કરવાની જરૂર હોય છે, જ્યારે સ્વાયત્ત શિક્ષણનો ઉપયોગ એવા ક્ષેત્રોમાં થાય છે કે જેને વિવિધ વાતાવરણમાં લાગુ કરી શકાય તેવા મશીનોની જરૂર હોય છે. જો કે, એક વાત સ્પષ્ટ છે: બંને દિશામાં ઘણું સંશોધન ચાલી રહ્યું છે.
તાજેતરમાં, Facebook અને Google સહિત ઘણી વૈશ્વિક કંપનીઓ મશીન લર્નિંગના વિકાસમાં ઘણી ઊર્જાનું રોકાણ કરી રહી છે. Facebook તેની દેખરેખ કરેલ લર્નિંગનો ઉપયોગ કરીને તેના ચહેરાની ઓળખ મશીનને સુધારવા માટે સખત મહેનત કરી રહ્યું છે, અને Google એ તાજેતરમાં ડીપ માઇન્ડ નામના ડીપ લર્નિંગ નિષ્ણાતોની આગેવાની હેઠળનું સાહસ લગભગ 440 બિલિયન વોન માટે હસ્તગત કર્યું છે. હકીકત એ છે કે કંપની માત્ર ત્રણ વર્ષની હતી અને તેણે એક પણ પ્રોડક્ટ વેચી ન હતી તે દર્શાવે છે કે Google મશીન લર્નિંગમાં કેટલું રોકાણ કરી રહ્યું છે. હાલમાં, મશીન લર્નિંગ માત્ર વસ્તુઓને ઓળખવામાં સક્ષમ છે, તેથી તેણી મૂવી હરની ઓપરેટિંગ સિસ્ટમની જેમ લાગણીઓ સાથે મનુષ્યો સાથે વાતચીત કરવા માટે સક્ષમ થવાથી ઘણી લાંબી છે. જો કે, તાજેતરની પ્રગતિની ઝડપી ગતિ સૂચવે છે કે તેણી સાથે વાત કરવાનો દિવસ દૂર નથી.
મશીન લર્નિંગ માટેની શક્યતાઓ અનંત છે. હેલ્થકેરમાં, દર્દીઓના નિદાન અને સારવારમાં મદદ કરવા માટે AI સિસ્ટમ્સ વિકસાવવામાં આવી રહી છે, અને ફાઇનાન્સમાં, બજારની વધઘટની આગાહી કરવા અને રોકાણના નિર્ણયો લેવા માટે સિસ્ટમો રજૂ કરવામાં આવી રહી છે. સ્વ-ડ્રાઇવિંગ કાર, સ્માર્ટ હોમ્સ અને વૉઇસ આસિસ્ટન્ટ્સ જેવી આપણું જીવન સરળ બનાવતી ટેક્નોલોજીઓ પણ મશીન લર્નિંગ એડવાન્સિસ તરીકે વધુ આધુનિક અને બુદ્ધિશાળી બની રહી છે. અમે એવા યુગમાં જીવી રહ્યા છીએ જ્યાં મશીન લર્નિંગ સતત વિકસિત થઈ રહ્યું છે, અને તેની ભાવિ પ્રગતિ અકલ્પનીય છે.
તેથી, મશીન લર્નિંગ એ માત્ર માહિતીની પ્રક્રિયા અને વિશ્લેષણ કરતી તકનીક નથી, પરંતુ માનવ જીવનને સમૃદ્ધ બનાવવા અને વિવિધ સમસ્યાઓ ઉકેલવામાં યોગદાન આપવાની અપેક્ષા છે. મશીનો કે જે માનવો સાથે ભાવનાત્મક રીતે જોડાઈ શકે છે, જેમ કે મૂવી "હર" માં, દૂરના ભવિષ્યની કંઈક જેવી લાગે છે, પરંતુ શક્યતા વધુને વધુ વાસ્તવિક બની રહી છે. મશીન લર્નિંગ પહેલાથી જ આપણા રોજિંદા જીવનમાં ઊંડે સુધી જડિત છે, અને ભવિષ્યના વિકાસ આપણને વધુ આશ્ચર્ય અને નવીનતાઓ લાવશે.
